基于改进U-Net的水下图像增强算法

针对水下退化图像存在颜色失真、模糊雾化、对比度低等问题,提出了一种新的基于改进U-Net的水下图像增强算法。设计一种新的残差注意力结构和边缘检测模块并将其引入到U-Net网络中,构建改进后的水下图像增强算法。实验结果表明,本文提出的算法在校正水下色偏和增强对比度方面均得到了很好的效果,IE值较原始图像平均提高了14.2%,UCIQE值较原始图像平均提高了24%。消融实验结果表明,本文提出的残差注意力结构、边缘检测模块和损失函数均对水下图像增强起到了积极的效果。

基于偏振成像的水下退化图像复原算法

采用当前方法对水下退化图像进行复原时,不能有效的消除噪声对水下退化图像复原过程产生的影响,复原后水下退化图像的信息熵较低,存在复原效率低和图像质量低的问题。为此提出基于偏振成像的水下退化图像复原算法。构建图像退化模型,采用高斯核函数在退化模型的基础上对水下退化图像进行去噪处理。根据去噪结果建立水下偏振成像模型,估计水体透射率和全局背景光,根据估计值实现水下退化图像的复原。实验结果表明,与当前方法相比,所提算法的复原效率更高,信息熵更高,说明上述算法处理后的图像质量更好,有效解决了当前方法存在的问题,使用价值较高。

改进BasicVSR的水下视频超分辨率重构

由于水下环境复杂多变,水流湍急、相机抖动、悬浮颗粒的遮挡以及光的吸收和传播等导致光学设备获取的水下视频出现运动模糊、颜色失真和对比度低等问题。针对这些问题提出一种改进BasicVSR的水下视频超分辨率算法以提高重构图像的细节信息,同时改善水下图像偏蓝和偏绿的现象。首先,利用卷积神经网络拟合水下图像退化模型中的参数,进而得到水下图像特征;其次,利用原始输入的低分辨率视频帧计算得到前后帧之间的光流值;最后,利用光流信息对特征图进行双向传播,最终得到重构之后的每一帧图像。实验结果表明,经文中算法处理后的水下图像更符合人眼视觉特征,并且图像质量评价指标上相比其他算法有显著提高,更好的满足水下视觉高级任务对水下视频质量的要求。

水下光学图像重建方法研究进展

水下光学图像可以提供直观丰富的海洋信息,近年来在海洋资源开发、环境保护和海洋工程等诸多领域发挥越来越重要的作用。但是受恶劣复杂的水下成像环境影响,水下光学图像普遍存在对比度低、图像模糊以及颜色失真等质量退化问题,严重制约水下智能处理系统的性能和应用。如何清晰地重建水下光学图像是国内外广泛关注的、具有挑战性的难点问题。随着深度学习技术的蓬勃发展,利用深度学习来提升水下图像质量成为当前的研究热点。鉴于目前国内在水下光学图像重建方面的研究综述较少,本文全面综述其研究进展。分析了水下图像退化机理,总结了现有水下成像模型以及水下图像重建的挑战;梳理了水下光学图像重建方法的发展历程,根据是否采用深度学习以及是否基于成像模型,将现有方法分为4大类,并按照研究发展顺序,依次介绍4类方法的基本思想,分析其优缺点;归纳了目前公开的水下图像数据集以及常用的水下图像质量评价方法,并对8种典型的水下图像重建方法进行了性能评测和对比分析;总结了该领域目前仍存在的问题,展望了后续研究方向,以便于相关研究人员了解该领域的研究现状,促进该领域的技术发展。