为提高水下激光图像的质量,改进了生成对抗网络的生成网络,使其成为一种包含跳跃结构和空洞卷积的深度卷积神经网络。利用该网络从自建数据集中学习待修复图像到目标图像的端到端映射参数,再对带有强后向散射光的水下激光图像进行修复。实验结果表明,所提方法能够快速对后向散射光区域进行填充修复,相比传统去噪和增强对比度方法联合处理的结果,所提方法的峰值信噪比平均提高了9.10 dB,特征相似度平均提高了0.11,实现了水下激光图像的去噪、对比度增强和非均匀性照明改善,较好地去除了后向散射光。

由于水体对光的吸收和散射,水下光电图像具有低信噪比、低对比度等特点,导致目标难以识别,限制了水下光电成像装备的实际应用和发展。为提高目标的探测精度和识别率,提出包含一维并行卷积和子像素卷积的深度卷积神经网络,利用其从水下光电图像训练集中学习优化图像质量的参数,实现了去噪和对比度增强。实验结果表明,相比于经典去噪方法和对比度增强方法联合处理的结果,本文方法得到的峰值信噪比和均方根对比度分别平均提高了2.93 dB和14.41,能够有效地权衡去噪、对比度增强和亮度提升等,获得适合人眼视觉感受的图像,且处理单幅图像的平均速度是经典方法的9.46倍。利用测试集对网络进行测试,其在一定范围内较好地优化了图像质量,具有一定的泛化特性。