为提高水下激光图像的质量,改进了生成对抗网络的生成网络,使其成为一种包含跳跃结构和空洞卷积的深度卷积神经网络。利用该网络从自建数据集中学习待修复图像到目标图像的端到端映射参数,再对带有强后向散射光的水下激光图像进行修复。实验结果表明,所提方法能够快速对后向散射光区域进行填充修复,相比传统去噪和增强对比度方法联合处理的结果,所提方法的峰值信噪比平均提高了9.10 dB,特征相似度平均提高了0.11,实现了水下激光图像的去噪、对比度增强和非均匀性照明改善,较好地去除了后向散射光。

距离选通式水下激光成像技术是一种能够有效抑制水介质的后向散射效应的探测技术，在海洋研究、深海探测和水下作业领域中拥有广阔的应用前景。然而在水下激光图像中出现的散斑噪声和灰度不均匀现象使得实现目标的准确分割较为困难。通过分析散斑噪声形成的机理，提出了一种水下激光图像的有效分割方法。该方法根据像素的噪声响应和灰度分布特性自适应确定各神经元的关键参数，并对噪声位置的神经元的行为进行抑制，基于最大二维Renyi熵准则采用梯度下降法确定了神经元的动态阈值，通过实验结果的比较分析说明该方法明显优于NormalizedCut、模糊C均值、均值漂移和分水岭分割方法，而运行时间约为常规脉冲耦合神经网络的五分之一。

水是一种特殊的介质,在激光水下图像中总存在因水的后向散射引起的散斑噪声.充分利用形态学的不同结构元多方向形态滤波的多分辨率特性,以及形态学运算固有的能将大量的复杂图像处理运算转换为基本的逻辑与移位运算的组合来完成的特点,提出了一种多方向的形态滤波算法.不仅有效地抑制了因海水后向散射引起的散斑噪声,同时保留了激光水下目标图像的几何结构细节特征.实验表明这是一种有效的滤除水下激光图像散斑噪声的快速滤波算法.