为提升水下图像的增强效果,提出了一种基于金字塔注意力机制和生成对抗网络(GAN)的水下图像增强算法,该算法将生成对抗网络作为基本架构,生成网络采用编码解码结构并引入特征金字塔注意力模块,多尺度金字塔特征与注意力机制的结合有利于捕获更丰富的高级特征以提升模型性能;判别网络采用类似马尔可夫判别器的结构。此外,通过构建包含全局相似性、内容感知和色彩感知的多项损失函数,使增强后的图像与参考图像的结构、内容和色彩保持一致。实验结果表明,所提算法增强的水下图像在清晰度、颜色校正和对比度上都有所提升。其中,结构相似性、水下图像质量度量和信息熵的平均值分别为0.7418、2.9457和4.6925。在主观感知和客观评价指标上,所提算法的实验结果均优于对比算法。

为了提高低照度图像的清晰度和避免颜色失真,提出了基于注意力机制和卷积神经网络(CNN)的低照度图像增强算法,以改善图像质量。首先根据Retinex模型合成训练数据,将原始图像从RGB (red-green-blue)颜色空间变换到HSI (hue-saturation-intensity)颜色空间,然后结合注意力机制和CNN构建A-Unet模型以增强亮度分量,最后将图像从HSI颜色空间变换到RGB颜色空间,得到增强图像。实验结果表明,所提算法可以有效改善图像质量,提高图像的清晰度,避免颜色失真,在合成低照度图像和真实低照度图像的实验中均能取得较好的效果,主观和客观评价指标均优于对比算法。

针对低照度条件下图像对比度不高、颜色失衡和存在噪声等问题,提出了一种基于多分支全卷积神经网络(MBACNN)的低照度图像增强模型。该模型是一个端到端的模型,包含特征提取模块(FEM)、增强模块(EM)、融合模块(FM)和噪声提取模块(NEM)。通过对合成的低照度和高清图像样本进行训练,根据验证集的损失值不断调整模型参数,以得到最优模型;然后对合成低照度图像和真实低照度图像进行测试。实验结果表明,与传统的图像增强算法相比,所提出的模型能够有效提高图像对比度、调整颜色失衡并去除噪声,主观视觉和客观图像质量评价指标都得到进一步改善。