设计了一种多阶段水下图像增强模型,可以同时将空间精细纹理和高级上下文信息两种特征融合。模型由三个阶段组成,前两个阶段采用编码器-解码器结构,第三阶段则采用并行注意子网,所提模型可以同时学习空间细节和上下文信息两种特征,并且引入了监督注意力模块,能够加强特征学习,还设计了一个跨阶段特征融合机制用来巩固前后子网的中间特征。最后将所提模型与其他水下增强模型在同一测试集上运行,从运行结果得出,所提模型处理后的水下图像在主观视觉效果和客观评价质量上均优于大部分对比算法,在Test-1测试集上,峰值信噪比和结构相似度分别达到了26.2962 dB和0.8267。
图像处理 水下图像增强 多阶段 空间细节 监督注意力 激光与光电子学进展
2024, 61(8): 0837003
快速而准确的水下图像超分辨率重建技术可以帮助水下航行器更好地感知水下场景,从而作出导航决策。基于此,提出一种轻量级的基于信息蒸馏机制的水下图像超分辨率重建算法(SRIDM)。该算法在普通残差网络的基础上,引入全局特征融合结构、信息蒸馏机制和空间注意力模块,进一步提高了模型的特征表达能力。通过模型消融实验,验证了每个模块的有效性并找到了最佳的模块组合和蒸馏速率。在USR-248测试集上的对比实验结果表明,通过所提算法恢复的图像不管是在主观视觉效果还是在客观评价质量上均优于其他对比算法,在放大因子为4时,其峰值信噪比和结构相似度分别达到了27.7640 dB和0.7640。另外,所提算法也是一种轻量化算法,在保持性能的同时大大降低了模型参数量和计算复杂度。
图像处理 超分辨率重建 轻量级 特征融合 信息蒸馏机制 空间注意力 激光与光电子学进展
2023, 60(12): 1210017
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。
图像处理 水下图像增强 Inception-Residual模块 编码解码结构 生成对抗网络 image processing underwater image enhancement Inception-Residual module encoding and decoding structure generative adversarial network
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。
图像处理 水下图像增强 注意力机制 生成对抗网络 编码解码结构 激光与光电子学进展
2021, 58(16): 1610006
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。
图像处理 卷积神经网路 低照度图像增强 注意力机制 HSI颜色空间 Retinex模型 激光与光电子学进展
2020, 57(20): 201022
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。
图像处理 卷积神经网络 特征融合 低照度图像增强 注意力机制 激光与光电子学进展
2020, 57(14): 141021