论文部分内容阅读
水下图像退化是水下成像普遍存在的问题,主要有两方面原因:第一,水中的悬浮粒子会造成水体的通透性变差,使得水下场景的反射光在到达相机之前会被悬浮的粒子吸收和散射,从而使生成的水下图像呈现对比度低和模糊现象。第二,当光在水中传播时,不同颜色光会因水的吸收和散射效应而呈指数衰减,造成不同程度的颜色失真。这种退化的水下图像严重影响了水下相关工作的开展。为了解决水下图像颜色失真、对比度低和模糊的问题,本文主要工作如下:(1)首先,本文基于生成对抗网络(Generative Adversarial Networks,GAN)进行图像增强处理,而GAN网络的训练过程需要原始样本和“真实样本”,因此为了完成数据集的预处理,本研究首先提出了具有自适应颜色恢复的多尺度Retinex(Adaptive Multi-Scale Retinex with Color Restoration,AMSRCR)方法来构建成对的水下数据集,该方法的优点是可以针对不同水体环境的水下图像的颜色偏差进行自适应处理。(2)本文提出了一个有监督的互助生成对抗网络(Mutual Generative Adversarial Network,Mutual-GAN)模型。该网络模型主要由一个生成器和一个判别器模块组成,其中判别器模块包含一个对抗分支和一个互助分支。对抗分支主要用来判别输入图像在风格上以及结构上的真伪,互助分支为了区分图像是否属于不同类别的水下场景。(3)在Mutual-GAN的生成器中,设计了一种循环混合空洞卷积结构,该结构包括16个残差块,整个残差结构构造一个循环模式。引入循环混合空洞卷积主要是为了解决内部数据结构和空间层次信息的丢失问题,以及上采样时无法学习参数的问题,且循环模式能有效消除由空洞卷积本身引起的网格效应。(4)为了确保有效的对抗训练和生成高对比度的图像,本文构建了一个基于色彩因子、对比度因子和雾密度因子来评估图像感知质量的目标损失函数,该损失函数同时作用在生成器和判别器的互助分支。最后,通过定性和定量的实验分析发现,绿色色调和蓝色色调得到有效校正,颜色失真问题有了明显改善,同时对比度和清晰度显著提升,验证了该方法的优越性,表明本文提出的方法能够有效地改善水下图像的质量。