深水下的图像增强
- 前言
- 介绍
-
- 贡献
- UWCNN介绍
-
- 网络架构
-
- 残差Residuals
- 块 Blocks
- 网络层
- 密集串联
- 网络深度
- 减少边界伪影
- 网络损失Loss
- 后处理
前言
水下场景中,与波长相关的光吸收和散射会降低图像的可见度,导致对比度低和色偏失真。为了解决这个问题,我们提出了一种基于卷积神经网络的图像增强模型,UWCNN,它使用合成水下图像数据库进行有效训练。我们的模型利用自动端到端和数据驱动的训练机制直接重建清晰的潜在水下图像。 符合水下成像模型和水下场景的光学特性,我们首先合成十种不同的海洋图像数据库。 然后,我们针对每种水下图像形成类型分别训练多个 UWCNN 模型。此外,我们还进行了消融研究,以证明网络中每个组件的效果。
介绍
当光在水下场景中传播时,相机接收到的光主要由三种类型的光组成:直射光、前向散射光和后向散射光。
(1) 直射光会受到衰减,导致水下图像的信息丢失。
(2) 前向散射光对图像特征模糊的影响可以忽略不计。
(3) 反向散射光降低了水下图像的对比度并抑制了精细的细节和图案
由于红绿蓝三种光随着深度的衰减速率不同,大多数水下图像都以蓝色或绿色色调为主。
现有的水下图像清晰度方法可以分为三大类:图像增强方法、图像恢复方法和补充信息特定方法。但是现存方法都多多少少有些问题。
相比之下,我们提出了一种新的水下图像合成方法,然后设计提供强大的数据驱动解决方案来解决这些问题。 我们提出了一种深度卷积神经网络,该网络被证明对于海洋成像应用的不同水类型具有卓越的鲁棒性、准确性和灵活性。我们的方法可以准确地恢复底层颜色分布并揭示被抑制的细节。
贡献
(1)引入了一种新型的卷积神经网络模型,通过过联合优化 MSE 和 SSIM 损失来重建清晰的潜在水下图像,同时保留原始结构和纹理。
(2)我们采用了一种新的水下图像合成方法,该方法能够模拟一组不同的退化水下图像以进行数据增强。 据我们所知,这是第一个可以模拟不同水下类型和退化程度的水下图像合成方法。
(3)我们的方法是完全数据驱动的端到端模型。
UWCNN介绍
网络架构
它是一个