做水下图像增强和复原的朋友十有八九在论文、开源代码里撞见过UIQM和UICM这两个词。我第一次看到它们的时候脑子里有两个疑问一是这套“水下图像质量评价指标”和普通图像那套 PSNR、SSIM 到底差在哪二是UICM明明只是UIQM的一个子指标为什么大家总是单独拎出来说甚至有时候UICM的数值反而比整个UIQM还更能说明问题。如果你也带着同样的问题这篇分享应该能帮你把这些疑问一次理清。我会从“为什么水下图像需要专门的评价指标”讲起拆开UIQM的三层结构然后手把手带你手动复现一次UICM的计算流程最后把我在实际批量跑图时踩过的坑和调参心得一并交代清楚。文章适合两类人一类是用深度学习方法做水下图像增强需要客观指标来筛模型、比较效果的同学另一类是打算自己实现一套图像质量评测工具但又不想只做那种“加载预训练模型一键出结果”的调包侠的人。1. 为什么水下图像不能照搬 PSNR / SSIM先聊一个很多人没意识到的背景水下图像和普通图像的退化模式完全不是一回事。普通图像压缩、传输引入的噪声是高频干扰整体结构轮廓还在但水下图像的问题是光在水中被吸收和散射红色通道衰减最快绿色次之蓝色留存最长所以绝大多数水下照片都蒙着一层蓝绿色调对比度像隔着一层雾细节模糊。这种退化是“分通道不均匀”的而且距离越远衰减越严重。如果用传统的峰值信噪比PSNR或结构相似性SSIM来评测问题就很尴尬它们都需要一张“干净的参考图”。可水下图像增强的难点恰恰在于没有标准答案同一个地点、同一个场景不同时间拍出来的光照和湍流都不同你拿什么当参考就算人为造一张合成参考图那也是仿真环境下的自娱自乐真实水下场景根本不给这个机会。所以我更倾向于用无参考的质量评价指标也就是所谓的“盲评”。无参考指标里最常用的三兄弟是UICM、UISM和UIConM分别对应色彩测量、锐度测量和对比度测量三个合起来就是UIQM。它们的共同特点是只输入一张待评测图像输出一个数值数值越高代表感知质量越好。这样一来增强前后、不同算法之间、同一算法不同参数之间都能公平比较。下面这张表可以直观看出“有参考”和“无参考”指标的差异指标输入要求适用场景主要局限PSNR需要参考图压缩、去噪等有真值场景不符合水下无参考的实际需求SSIM需要参考图结构保真度评估对色彩偏色不敏感UCIQE仅单张图像水下统一色偏场景对局部细节变化反应偏弱UIQM / UICM仅单张图像水下增强前后对比权重设置对结果影响明显从表里能看出UIQM这类指标最大的价值就是“单张可评”这正好卡在水下图像工程实践的命门上。至于有些人说UICM经常和人的主观感受不一致我做了大批量测试后觉得问题往往不是指标本身而是忽略了对色彩通道进行预处理这个点放到后面第四部分细说。2. UIQM 指标体系拆解色彩、锐度、对比度三门课UIQM的完整称呼是 Underwater Image Quality Measure它的设计思路很像一门外语考试的分项打分听力、阅读、写作各占一定权重最后算一个总分用来描述整体能力。放在图像质量上就是分别对色彩、锐度、对比度打了三个分再按经验权重合成一个综合分。2.1 UICM 为什么最能代表“水下感”UICM是 Underwater Image Colorfulness Measure 的缩写负责的是色彩丰富度和色偏程度。水下图像最直观的退化就是颜色不对要么整体偏蓝绿要么严重偏青和岸上照片的鲜艳程度差距很大。UICM做的事情就是量化这种“颜色不对”到底有多严重。它的核心设计不是直接对 R、G、B 三个通道的像素值求平均而是先做一步很关键的处理小波分解。为什么要走小波这一步因为水下图像的色彩退化在图像频谱上属于低频分量高频噪声反而容易干扰颜色统计。用小波把图像分解成低频子带和高频子带后我们的注意力就可以集中在低频信息上相当于给颜色测量做了一个“降噪”让统计结果更稳定。拿到低频子带后UICM会构造两条颜色对立通道RG 通道用低频的 R 通道减去低频的 G 通道计算红绿之间的对抗关系BY 通道用低频的 R、G 均值再减去低频的 B 通道计算蓝与黄之间的对抗关系。这两条通道的物理意义很直观正常水下图像经过颜色校正后红色和绿色应该相对均衡蓝色也处在合理范围内所以 RG 和 BY 的数值应该接近零附近如果图像整体严重偏蓝绿RG 和 BY 的均值就会明显偏离零偏度也会变形。把两路通道各自的均值、方差、偏度做统计并线性组合就得到了UICM的分数。均值反映总体偏色方差反映色彩波动幅度偏度反映色彩分布是否对称三者各有分工。2.2 UISM 和 UIConM 在补什么短板光有色彩得分还不够。想象一张图片整体颜色非常标准但水下悬浮颗粒严重边缘模糊得像毛玻璃这种图在UICM上可能拿高分观感却很差。所以UIQM还需要锐度维度UISM它基于 Sobel 边缘检测结果结合增强型韦伯定律模型评估边缘是否清晰以及对比度维度UIConM通过对数变换和局部标准差来评估明暗差异是否足够分明。三个子指标各管一块合起来才覆盖了人类视觉对水下图像最在意的三个维度。UIQM的整体计算就是这三个分数的加权求和。实际工程中权重不是一个“神圣不可动摇”的常量论文作者在原文里给了他们实验标定的一组参考权重但不同分辨率、不同水质的图像集上最优权重会有浮动。我自己的习惯是先沿用原论文权重跑通流程再根据自己的测试集做一个小范围的网格搜索把权重微调到一个更能匹配主观评分的区间。2.3 拆开看的价值为什么“子指标”比“总分”更敏感很多人只记录最终的UIQM数值我却强烈建议把UICM、UISM、UIConM三个子指标分开记录。原因在于一个算法可能整体分数提高了但短板恰恰被长板掩盖了。比如某个增强模型对细节恢复很猛锐度大幅提升但色彩发生了过度校正这时候UISM上去了UICM反而下滑了。如果只看总分很难定位问题出在色彩还是边缘。分开记录三个分数相当于给模型体检时看到血压、血糖、血脂各自指标能更精准地发现异常项。3. 手把手复现 UICM 的计算流程这一部分我直接给出一个可以落地运行的 Python 实现。我用OpenCV做图像读取和颜色空间处理用PyWavelets做小波分解。核心流程分为四步颜色通道归一化、小波低频提取、RG/BY 通道计算、统计量线性组合。3.1 准备环境与读取图像pip install opencv-python pywavelets numpy读取图像时需要注意一点OpenCV的默认通道顺序是 BGR但我们的计算对象是 R、G、B 三个通道的语义关系所以先统一转成 RGB再归一化到 0 到 1 的浮点数。这一步虽然简单却很容易出错因为如果直接拿 BGR 的通道顺序去套 RG 通道公式红色和蓝色就反了整个UICM分数会变得没有意义。import cv2 import numpy as np import pywt def read_image_as_rgb(path): img_bgr cv2.imread(path) img_rgb cv2.cvtColor(img_bgr, cv2.COLOR_BGR2RGB).astype(np.float32) / 255.0 return img_rgb3.2 小波分解提取低频子带小波基的选择会影响结果原论文采用的是 Daubechies 9 小波也就是常说的db9。我对不同小波基做过对比db9在颜色平滑区域和边缘区域之间取得了比较好的折中如果用haar这类简单小波低频子带会残留一些块状伪影导致后续统计量抖动变大。def extract_ll_subband(channel): coeffs pywt.dwt2(channel, db9) LL, (LH, HL, HH) coeffs return LL这里要把 R、G、B 三个通道分别分解各自取低频子带。注意小波分解要求输入尺寸最好能被 2 整除遇到奇数尺寸时可以先做个边界对称填充算完再把子带裁回原大小或者直接让填充量很小不影响统计量。3.3 计算 RG 通道与 BY 通道拿到三个通道的低频子带后构造两条对抗色通道。这一步对应人眼视觉里的颜色对立机制和 Lab 色彩空间的 a 通道、b 通道逻辑类似但更贴合水下图像的偏色特征。def compute_color_channels(LL_R, LL_G, LL_B): RG LL_R - LL_G BY 0.5 * (LL_R LL_G) - LL_B return RG, BY3.4 统计量计算与线性组合接下来分别计算 RG 和 BY 的均值、方差、偏度。均值衡量通道整体偏移程度方差衡量色彩分布的离散程度偏度衡量分布的非对称性。这三类统计量各取两路通道合成一个维度。def compute_skewness(data): mean_val np.mean(data) std_val np.std(data) if std_val 0: return 0.0 n data.size # 使用总体偏度公式 skew np.mean(((data - mean_val) / std_val) ** 3) return float(skew) def compute_uicm(img_rgb): # 提取三通道低频 LL_R extract_ll_subband(img_rgb[:, :, 0]) LL_G extract_ll_subband(img_rgb[:, :, 1]) LL_B extract_ll_subband(img_rgb[:, :, 2]) RG, BY compute_color_channels(LL_R, LL_G, LL_B) mu_rg np.mean(RG) mu_by np.mean(BY) var_rg np.var(RG) var_by np.var(BY) skew_rg compute_skewness(RG) skew_by compute_skewness(BY) # 这是论文中使用的一组参考系数不同复现版本略有差异 uicm ( -0.0268 * np.sqrt(mu_rg**2 mu_by**2) 0.1586 * np.sqrt(var_rg var_by) 0.0156 * (skew_rg skew_by) ) return uicm公式里三个系数分别代表什么第一项是惩罚项RG 和 BY 两路的均值平方和开根号越大说明色彩偏移越严重分数会被拉低第二项是奖励项方差越大表示色彩变化越丰富自然图像通常有更大的色彩波动所以加分第三项是偏度项偏度代表颜色分布是否左右对称过大过小都不好论文实验表明正常图像的 RG/BY 偏度相对稳定。把三个统计量按系数加权最终得到一个无量纲的评分。我需要特别提醒UICM的绝对值大小本身没有“多少分算好”的固定标准它更适合做相对比较。同一批图增强前是 0.8增强后变成 1.6说明色彩质量明显提升了如果从 1.2 掉到 0.7那就要回头检查是不是红色通道被过度拉伸。4. 实测中常见的坑与独家调参心得复现UICM的代码不难难的是跑出来的分数能真实反映图像质量。我在不同数据集上做了不少实验下面这几个问题几乎每次都会遇到写下来给你借个力。4.1 归一化方式不一致分数差一倍最容易被忽视的坑是像素值范围。有些开源实现直接读uint8的 0 到 255 图像不除以 255导致所有统计量都放大了 255 倍再用相同系数计算出来的UICM数值会大得离谱。虽然相对比较仍然有效但当你看到别人论文里UICM是 1.0自己却算出 50 时心态会崩。我的建议是统一归一化到 0 到 1并保持所有测试图像使用相同的读取流程。4.2 黑边和无效区域干扰统计量水下图像经常带有黑色边框、拍摄设备的机械臂、悬浮颗粒遮挡这些区域的 RGB 值趋向零会让 BY 通道产生极大的负偏度导致UICM被严重拉低。处理办法是先用简单的掩膜把无效区域删除或者在做小波分解前裁剪掉图像边缘的黑边。如果只是批量评估不同算法的增强效果各算法对同一张图使用相同掩膜比较结果仍然公平但分数绝对值会受到系统偏差所以跨数据集对比时要格外小心。4.3 小波基选择的第一印象我一开始图省事全程用haar小波跑完所有实验结果发现UICM对随机噪声很敏感同一张图加一点轻微噪声分数就上下乱跳。换成db9后稳定性明显改善。这也解释了为什么原论文坚持用db9水下图像的色彩退化是平滑渐变平滑型小波基才能把这种低频信息完整保留下来。核验自己复现是否正确时可以拿同一张图分别用haar和db9跑一遍如果分数差异很大说明后续调参还有空间。4.4 单一指标容易误判联合子指标才是正解我踩过最大的一次坑是用UIQM总分筛增强模型筛出了一个总分最高、但颜色严重发灰的结果。后来拆开看子指标发现UISM和UIConM都在加分唯独UICM暴跌。原因是该模型提升了边缘和对比度却牺牲了色彩饱和度。如果只看总分它会显得很优秀但作为一张水下照片观感并不好。现在我都会把三个子指标全部打印出来像看体检报告一样分析模型改动的影响。为了让你排查问题时有据可依我这里整理了一个速查表现象可能原因建议处理办法UICM 分数异常低图像存在大面积黑边/无效区域裁剪或掩膜后重算UICM 分数抖动剧烈小波基选择不合适或输入含高频噪声改用 db9 小波并做轻量平滑RG 通道均值严重偏负红色通道被过度抑制检查增强算法是否过度校色BY 通道方差过小色彩分布过于单一观察图像是否整体偏灰、饱和度不足UICM 分数正常但整体 UIQM 下降锐度或对比度退化回归检查 UISM / UIConM 分项4.5 批量评估时建立“增强前后对照”习惯做算法比较时我建议每次保存一个 CSV包含图像名、原始UICM、增强后UICM、UISM、UIConM。这样你调参时可以纵向对比同一张图的变化曲线也能横向对比不同算法在同一条图像上的各自表现。只看汇总平均分容易把个别“翻车图”的影响平均掉保留逐张原始数据才能定位到具体的失败案例。import pandas as pd records [] for img_path in image_list: img read_image_as_rgb(img_path) uicm compute_uicm(img) records.append({image: img_path, uicm: uicm}) df pd.DataFrame(records) df.to_csv(uicm_result.csv, indexFalse)这样一个简单的脚本就能支撑起几十张到几百张图的批量评估不需要引入重型框架。5. 从 UICM 出发还能扩展什么如果你已经把UICM跑通接下来我建议尝试两件事。第一是把它迁移到视频帧序列上做连续帧的色彩质量监控这在水下机器人实时回传画面质量预警场景中非常实用。第二是把RG和BY通道的统计量直接可视化生成色彩分布直方图用来辅助分析增强算法到底校正了哪条颜色对立通道。我在实际项目里把这两步结合后调试速度和问题定位效率都提升了一个档次。我个人的一个体会是UICM不是一个只能“照着算”的公式它背后的思路更像是一种测量水下的“色彩健康度”的框架。理解了它为什么用低频子带、为什么用对抗色通道、为什么同时看均值方差偏度再去接触其他同类指标比如 UCIQE、熵加权对比度等你会很快发现很多设计是相通的。最后再分享一个小技巧当你怀疑某个数据的UICM分数异常时别急着调公式先把图像用小波分解后的 LL 子带画出来看一眼很多时候问题一眼就能看出来。