为解决光在水下传播过程中由吸收与散射效应导致的水下图像模糊、对比度低和颜色失真问题,提出一种基于Inception-Residual和生成对抗网络的水下图像增强算法。首先,将退化水下图像缩放至256×256×3大小,以获得用于训练模型的...为解决光在水下传播过程中由吸收与散射效应导致的水下图像模糊、对比度低和颜色失真问题,提出一种基于Inception-Residual和生成对抗网络的水下图像增强算法。首先,将退化水下图像缩放至256×256×3大小,以获得用于训练模型的数据集。接着,将Inception模块、残差思想、编码解码结构和生成对抗网络相结合,构建IRGAN(Generative Adversarial Network with Inception-Residual)模型来增强水下图像。然后,利用全局相似性、内容感知和色彩感知构造多项损失函数,约束生成网络和判别网络的对抗训练。最后,通过训练好的模型对退化水下图像进行处理以获得清晰的水下图像。实验结果表明与现有增强方法相比,所提算法增强的水下图像在PSNR、UIQM和IE指标上的平均值分别比第二名提升13.6%、4.1%和0.9%。在主观感知和客观评估中,增强后的水下图像在清晰度、对比度增强和颜色校正方面均得到改善。展开更多
文摘为解决光在水下传播过程中由吸收与散射效应导致的水下图像模糊、对比度低和颜色失真问题,提出一种基于Inception-Residual和生成对抗网络的水下图像增强算法。首先,将退化水下图像缩放至256×256×3大小,以获得用于训练模型的数据集。接着,将Inception模块、残差思想、编码解码结构和生成对抗网络相结合,构建IRGAN(Generative Adversarial Network with Inception-Residual)模型来增强水下图像。然后,利用全局相似性、内容感知和色彩感知构造多项损失函数,约束生成网络和判别网络的对抗训练。最后,通过训练好的模型对退化水下图像进行处理以获得清晰的水下图像。实验结果表明与现有增强方法相比,所提算法增强的水下图像在PSNR、UIQM和IE指标上的平均值分别比第二名提升13.6%、4.1%和0.9%。在主观感知和客观评估中,增强后的水下图像在清晰度、对比度增强和颜色校正方面均得到改善。
