传统的水下图像分解分类方法

由于水体的特殊环境，导致水下图像对比度低，颜色失真，亮度低，纹理模糊等问题。因此，水下图像分解方法的主要目的是通过改变图像的对比度，颜色，亮度和纹理等来提高水下图像的质量。传统的水下图像分解分类方法主要是基于水下图像的上述特点通过不同的分解方式来提高水下图像质量。
1、基于颜色和亮度的方法：这类方法主要通过调整水下图像的颜色和亮度来增强图像质量，例如直方图均衡化、Retinex算法、RGB分解等
2、基于滤波器的方法：这类方法主要通过使用各种滤波器来去除水下图像中的噪声，例如高斯模糊、中值滤波等
3、基于纹理分析的方法：这类方法通过分析水下图像中的纹理信息来增强图像质量，例如基于小波变换、金字塔分解的方法，将图像分为不同频段的信息。高频信息指的是图像中较为细腻的细节和纹理信息，如图像的噪点、纹理、边缘等。这些信息通常对应于图像的高频部分。低频信息指的是图像中较为粗糙的整体结构和颜色信息，如图像的背景、整体颜色和亮度等。这些信息通常对应于图像的低频部分。在水下图像分解中，通常会将图像分成高频部分和低频部分，对高频部分进行增强，以提高图像的细节和纹理信息，对低频部分进行增强，以提高图像的整体亮度和颜色信息
4、基于物理模型的方法：这类方法建立在物理模型基础上，通过模拟水下图像成像过程来估计水下环境参数，然后用这些参数来增强水下图像，提高水下图像的对比度和可见性。 这类方法需要额外的参考图像或先验信息来实现。例如去雾方法，通过分析图像中光线在水体中的传播过程来估计水下图像的原始信息，基于颜色相似性的方法,通过分析水体颜色和场景背景颜色来估计水下图像的原始信息
5、基于深度学习模型的方法：这类方法通过使用深度学习模型来学习水下图像的特征和关系，然后用这些特征和关系来增强水下图像。例如使用卷积神经网络（CNN）和生成对抗网络（GAN）等模型来实现水下图像的背景和前景分离。

方法名称	优势	局限性
小波变换	能有效地去除水下图像中的噪声	存在高频噪声
金字塔分解	有效地提高水下图像的对比度和细节；具有较高的时空效率	对噪声敏感；进行多次重采样和插值操作，会导致图像质量的损失
直方图均衡化	能有效地提高水下图像的对比度和亮度	会导致图像过增强
Retinex算法	能有效地提高水下图像的对比度和颜色	会导致图像过度曝光、颜色失真、对于高光区域的处理不够精确
高斯模糊	能有效地去除水下图像中的噪声	会导致图像模糊
中值滤波	能有效地减少水下图像中的噪点	会导致图像模糊
图像去雾	能有效地减少水下图像中的雾化效应	需要额外的参考图像或先验信息，计算量大
基于深度学习模型的方法	具有高级的特征学习能力；能够提取出更多的有用信息；具有很好的并行性能；更具有鲁棒性	需要大量的训练数据和计算资源；解释性较差，难以理解模型的内部工作机制；容易受到噪声和背景干扰的影响；对于小样本集的学习能力较差