《Marine Pollution Bulletin》：Coral-CRCA: A Color-Reference Chart Automation algorithm for coral bleaching visualization and severity assessment
编辑推荐：
面对珊瑚礁退化加剧但现有监测方法依赖人工、易受水下图像噪声干扰的难题，本研究提出了Coral-CRCA，一种完全自动化的多阶段算法。该研究通过图像去噪、珊瑚分割、色卡象限检测与颜色匹配，实现了像素级的白化可视化与百分比定量，在阿拉伯/波斯湾3400张专家标注图像上，白化百分比估计的平均绝对误差为19.17%，二元分类准确率达96.12%，达到了专家级性能，为珊瑚健康监测提供了高效、精准的新工具。
珊瑚礁被誉为海洋中的“热带雨林”，虽然其面积不足海洋表面积的0.2%，却养育着约30%的海洋物种，并为全球无数沿海社区提供了食物来源和生计保障。然而，这个绚丽而脆弱的生态系统正面临着严峻的生存危机。海温上升、污染等压力导致珊瑚发生大规模白化现象——即珊瑚因排出为其提供营养和色彩的共生藻而变得苍白，若压力持续，将最终导致珊瑚死亡。因此，及时、准确地监测珊瑚白化程度，对于保护珊瑚礁、制定有效的保育策略至关重要。
目前，基于水下成像的视觉监测是主要手段之一。其中，颜色参考卡（如CoralWatch卡）被广泛应用：潜水员或研究人员将印有标准色块的卡片置于珊瑚旁，通过肉眼比对珊瑚颜色与卡片上从深到浅的色块（称为“象限”），来评估其白化等级。这种方法虽直观，却高度依赖人工，耗时费力且存在主观差异，难以大规模应用。尽管计算机视觉（CV）和人工智能（AI）技术已被引入以辅助分析，但现有方案大多仍为半自动化，需要人工介入（如手动选择珊瑚区域或色卡），或者未能充分验证其在真实水下复杂环境（如存在色彩失真、图像模糊等噪声）中的鲁棒性。此外，许多方法仅给出“健康”或“白化”的图像级分类标签，缺乏对白化区域空间分布的精细可视化，也限制了其结果的直观性和可解释性。这些局限性促使研究人员思考：能否开发一套完全自主、能抵抗水下图像噪声、并能像专家一样提供像素级白化图谱和定量百分比的自动化分析流程？
为此，一项发表在《Marine Pollution Bulletin》上的研究给出了肯定的答案。来自哈利法大学自主机器人系统中心的研究团队提出了一种名为“珊瑚颜色参考卡自动化”（Coral Color-Reference Chart Automation, Coral-CRCA）的全新算法框架。这项研究的目标是复现海洋生物学家使用CoralWatch卡进行视觉评估的完整逻辑过程，并将其转化为一个端到端的、无需人工干预的自动化流水线。研究团队在阿拉伯/波斯湾海域收集并专家标注了包含多种珊瑚物种的3400张现场图像作为测试集。令人瞩目的结果是，Coral-CRCA在白化百分比估计上达到了19.17%的平均绝对误差（MAE），在白化/健康的二元分类上实现了96.12%的准确率，其表现与该数据集上的专家水平相当。
为达成上述目标，研究人员整合并优化了多个关键技术模块。首先，针对水下图像常见的颜色投射（偏蓝/绿）和模糊问题，流程伊始加入了图像去噪预处理模块，综合运用白平衡（WB）和对比度受限自适应直方图均衡化（CLAHE）进行色彩校正与增强。其次，利用当前珊瑚分割领域的先进模型CoralSCOP，从复杂背景中精准分离出珊瑚区域的掩膜（Mask）。与此同时，采用旋转感知的目标检测模型YOLOv11n-OBB来定位图像中的CoralWatch色卡及其全部24个色块象限，该模型能适应色卡在水下的任意倾斜角度。接着，对于每个检测到的色块象限，使用聚类算法（主要采用DBSCAN，辅以K-Means）从其像素中提取出主导颜色，以应对实际拍摄中可能存在的藻类、阴影等噪声干扰。最后，将分割出的珊瑚区域内的每个像素，与色卡对应颜色组（B、C、D、E组）中提取出的各象限主导颜色进行欧氏距离匹配，从而将每个珊瑚像素归类到最相似的色块等级。这一过程不仅生成了覆盖整个珊瑚表面的、像素级的白化状态彩色图谱，还能自动计算出白化珊瑚像素（对应于较浅色阶的象限）占总珊瑚像素的百分比，实现了从定性到定量的跨越。
主要研究结果如下：
1. 色卡与象限检测模型表现优异
研究专门标注了1470张图像用于训练旋转目标检测模型。最终训练的YOLOv11n-OBB模型在测试集上取得了优异的性能，其平均精度（mAP@0.5:0.95）达到了87.1%，能够鲁棒地检测出水下各种角度和部分遮挡条件下的色卡及所有象限，为后续颜色提取奠定了坚实基础。
2. 图像去噪预处理有效提升颜色保真度
研究人员比较了多种去噪算法组合（如仅用CLAHE、仅用白平衡、两者结合等）的效果。评估标准是计算经过去噪处理后，从图像中提取的色块象限颜色与其标准参考颜色（见图1）之间的CIEDE2000（ΔE00）色差。结果表明，“白平衡 + CLAHE”的组合方案能将平均色差降至最低，显著改善了由水下环境导致色彩失真对后续颜色匹配准确性的影响。
3. 聚类算法稳健提取象限主导颜色
为确定从每个象限像素中提取主导颜色的最佳方法，研究对比了K-Means、Mean-Shift和DBSCAN三种聚类算法。通过计算提取出的颜色与人工在象限“干净”区域标注的参考点颜色之间的ΔE00色差进行评价。结果表明，DBSCAN算法在存在异常点（如污渍、反光）的象限中表现最为稳健，平均色差最小。因此，流程最终采用DBSCAN作为主要聚类方法，并以K-Means作为备用方案。
4. 端到端系统达到专家级评估水平
在包含3400张专家标注图像的完整测试集上，Coral-CRCA全流程系统交出了亮眼的成绩单：在白化百分比估计任务中，其预测值与专家标注值之间的平均绝对误差（MAE）为19.17%；在将珊瑚判断为“白化”或“健康”的二元分类任务中，准确率高达96.12%。这些指标表明，该自动化系统在该数据集上的评估能力已与人类专家相当。
5. 提供像素级白化可视化与量化报告
Coral-CRCA的核心优势之一在于其输出的丰富性和可解释性。系统不仅给出一个单一的分类标签或百分比数字，还能生成一张覆盖在原图上的可视化图谱，用不同颜色清晰标示出珊瑚哪些部分健康、哪些部分已发生白化以及白化的严重程度（对应于色卡上的具体色阶）。这为海洋生物学家提供了前所未有的、精细的空间洞察力，有助于理解白化在珊瑚个体上的分布模式。
结论与意义
本研究成功开发并验证了Coral-CRCA，这是首个完全自动化、专为水下噪声环境设计、并能提供像素级白化可视化与定量百分比的珊瑚健康评估算法框架。它系统地解决了当前珊瑚白化自动监测中的几个关键瓶颈：实现了从图像输入到结果输出的端到端全自动化，摆脱了对人工干预的依赖；通过集成图像去噪模块，增强了对真实水下复杂成像条件的鲁棒性；最重要的是，它超越了简单的图像分类，提供了直观的白化空间分布图和精确的百分比量化结果，极大地提升了评估结果的生态学信息量和实践指导价值。
这项工作的意义深远。首先，它为珊瑚礁科学家和保育工作者提供了一个强大、高效、客观的工具，有望将人们从繁重、主观的人工标注中解放出来，显著提升大规模珊瑚礁健康监测的效率和一致性。其次，其提供的精细空间数据有助于更深入地研究白化发生的局部驱动因素和珊瑚的异质性响应。最后，该框架所体现的“复现专家视觉判断逻辑”的 pipeline（流水线）设计思路，以及其对噪声鲁棒性和结果可解释性的双重追求，也为其他基于视觉的生态环境监测任务提供了有价值的参考范式。随着代码的开源，Coral-CRCA有望在全球珊瑚礁研究与保护社区中得到广泛应用，为守护这些濒危的蓝色宝藏贡献重要的技术力量。
