改进的CycleGAN网络用于水下显微图像颜色校正

针对海洋水体及悬浮颗粒物吸收和散射所导致的水下显微图像的颜色信息失真问题,本文提出了一种改进的循环一致性对抗网络(Cycle-consistent Adversarial Network,CycleGAN)算法,实现对水下目标物图像的颜色校正。通过在原始水下降质图像和重构水下图像之间加入R、G、B三个通道的结构相似性(Structure Similarity Index Measure,SSIM)损失函数,度量二者图像之间的信息损失,进而实现R、G、B三个通道颜色的精准调控,不仅增强了CycleGAN网络的整体性能,也提高了生成器生成图像的质量。然后,利用水下多色自制标靶及天然矿石的显微图像组成的训练数据集对本文所提的改进网络进行训练,所得的模型可用于实际矿石样品表面的显微图像颜色校正。结果表明,本文所提的改进的CycleGAN算法较其它方法在颜色校正方面有着明显的优势。与传统的Retinex算法相比,处理后的图像峰值信噪比(Peak Signal-to-Noise Ratio,PSNR)和结构相似性指标分别提高41.85%、35.62%,而且,从主观视觉角度可发现经过校正的水下显微图像与空气中图像颜色相似度最高。综上,本文方法可以有效地对水下目标物图像进行颜色校正,并提升水下显微图像的质量,有望在海洋地质和海洋生物学方面得到应用。