衛(wèi)依雪，周冬明，王長城，李 淼

(云南大學(xué) 信息學(xué)院，云南 昆明 650504)

0 引言

隨著時(shí)代的發(fā)展以及科學(xué)技術(shù)的不斷進(jìn)步，人類對(duì)于水下生物、水下建筑以及水下火山等水下物體不斷地進(jìn)行著了解和拓展，但是由于水體本身衰減較大且水體中的水分子和各種微生物等對(duì)光具有一定的吸收和反射作用，從而造成獲取到的水下圖像存在亮度低、對(duì)比度低、輪廓模糊、顏色混亂等問題，低質(zhì)量的水下圖像給研究人員對(duì)水下環(huán)境的分析帶來巨大的困難。所以，用何種方式增強(qiáng)水下圖像的細(xì)節(jié)，恢復(fù)水下圖像中的信息，引起了廣泛的研究[1]。

由于無法獲得成對(duì)的水下模糊圖像和清晰圖像，水下圖像[2]的相關(guān)技術(shù)應(yīng)用一直受到限制，而目前的圖像處理技術(shù)對(duì)于水下圖像的增強(qiáng)還存在著一定的難度，因此，本文引入了采用多尺度密集殘差網(wǎng)絡(luò)對(duì)水下圖像增強(qiáng)[3]問題進(jìn)行研究。多尺度結(jié)構(gòu)可以提取更多的圖像細(xì)節(jié)特征，使圖像細(xì)節(jié)更加清晰；而密集殘差網(wǎng)絡(luò)不僅能夠使網(wǎng)絡(luò)結(jié)構(gòu)快速有效，還能解決網(wǎng)絡(luò)結(jié)構(gòu)冗余問題，可以更好地增強(qiáng)圖像，恢復(fù)圖像細(xì)節(jié)；還在密集殘差網(wǎng)絡(luò)之間添加了SK注意力機(jī)制，使網(wǎng)絡(luò)可以根據(jù)不同尺度的圖像特征自適應(yīng)不同大小的感受野從而產(chǎn)生更好的增強(qiáng)效果。

1 相關(guān)工作

現(xiàn)有的水下圖像增強(qiáng)主要有基于物理模型和基于數(shù)據(jù)驅(qū)動(dòng)的方法。

1.1 基于物理模型

基于物理模型的方法[4]針對(duì)水下圖像退化過程構(gòu)建數(shù)學(xué)模型，通過該模型反演圖像退化過程，獲得理想狀態(tài)下未經(jīng)退化的圖像。Liu等[5]提出了一種物理有效且不依賴于輸入圖像場(chǎng)景深度估計(jì)的方法，在沒有任何預(yù)配置的情況下也可以恢復(fù)模糊的圖像。He等[6]提出了一種基于暗通道先驗(yàn)算法(DCP)用于圖像去霧，大多數(shù)人認(rèn)為大氣衰減和水下光衰減有很多相似的特性，所以暗通道先驗(yàn)算法也被用于水下圖像增強(qiáng)。Peng等[7]提出了一種基于光吸收的水下場(chǎng)景的深度估計(jì)方法[8]，其不通過顏色通道就可以估計(jì)水下場(chǎng)景深度，被用于恢復(fù)和增強(qiáng)水下圖像。Huang等[8]提出了一種基于水下快速有效的場(chǎng)景深度估計(jì)模型(RGHS)，通過基于學(xué)習(xí)的監(jiān)督線性回歸訓(xùn)練模型系數(shù)，估計(jì)RGB圖像的背景光和投射圖的深度，從而恢復(fù)真實(shí)的水下場(chǎng)景映射圖。Wei等[9]提出了一種基于水下光衰減的快速有效的場(chǎng)景深度估計(jì)模型(ULAP)，即場(chǎng)景深度隨著G、B通道的最大值與R通道之間的差值的增加而增加。Sun等[10]提出了基于暗通道和水下成像模型的水下圖像增強(qiáng)算法，其借助水下成像模型，對(duì)暗通道先驗(yàn)算法進(jìn)行了改進(jìn)，提出了添加傳輸校正和顏色補(bǔ)償?shù)难芯糠椒?。盡管以上方法都能有效地增強(qiáng)水下圖像，但仍存在著對(duì)比度低、噪聲大和細(xì)節(jié)模糊等問題，這些問題降低了它們的實(shí)際適用性。

1.2 基于數(shù)據(jù)驅(qū)動(dòng)

基于數(shù)據(jù)驅(qū)動(dòng)的方法已經(jīng)成為當(dāng)前水下圖像增強(qiáng)研究的主要方法。Navin等[11]使用融合技術(shù)增強(qiáng)水下圖像，利用了白平衡技術(shù)，通過加權(quán)融合得到輸出圖像，使得增強(qiáng)后的水下圖像或視頻降低了噪聲，更好地展現(xiàn)出了暗區(qū)，增強(qiáng)了對(duì)比度，但在邊緣細(xì)節(jié)描述方面還有待提高。Ghani等[12]也采用了融合技術(shù)，其從2個(gè)并行的過程對(duì)水下圖像進(jìn)行處理，第一個(gè)過程是依據(jù)瑞利分布在平均值處將圖像拉伸成2個(gè)不同強(qiáng)度的圖像;第二個(gè)過程是將顏色校正技術(shù)應(yīng)用于輸入圖像，最后將2個(gè)過程的結(jié)果進(jìn)行融合，最終的輸入圖像顏色有了很大的改善,提高了物體的可視性，但是噪聲較多。Li等[13]提出了一個(gè)水下圖像增強(qiáng)網(wǎng)絡(luò)(Water-Net)，它是一個(gè)門控融合網(wǎng)絡(luò)，將輸入與預(yù)測(cè)的置信度圖融合以實(shí)現(xiàn)增強(qiáng)的結(jié)果，首先通過特征轉(zhuǎn)換單元(FTU)精煉輸入圖像，然后預(yù)測(cè)置信度圖，最后通過融合改進(jìn)的輸入和相應(yīng)的置信度圖來獲得增強(qiáng)的結(jié)果，但是由于算法參數(shù)的設(shè)置問題，導(dǎo)致Water-Net并不能適應(yīng)于不同的水下環(huán)境。Li等[14]還提出了一種基于場(chǎng)景先驗(yàn)的水下圖像增強(qiáng)卷積神經(jīng)網(wǎng)絡(luò)模型，稱為UWCNN。UWCNN模型不是估計(jì)水下成像模型的參數(shù)，而是直接重建清晰的水下圖像，這得益于水下場(chǎng)景先驗(yàn)，可用于合成水下圖像訓(xùn)練數(shù)據(jù)。Li等[15]結(jié)合了生成對(duì)抗網(wǎng)絡(luò)提出了一種基于融合對(duì)抗的水下圖像增強(qiáng)算法，結(jié)合了對(duì)抗損失以關(guān)注真實(shí)圖像的紋理特征。Islam等[16]提出了一種基于全卷積條件生成對(duì)抗網(wǎng)絡(luò)的水下圖像增強(qiáng)模型(FUnlE-GAN)，制定了一種新的損失函數(shù)用于評(píng)估圖像的感知質(zhì)量。后來，F(xiàn)abbri等[17]又提出了一種基于生成對(duì)抗網(wǎng)絡(luò)提高水下視覺場(chǎng)景質(zhì)量的方法(UGAN)，使用GAN作為生成模型，將水下圖像增強(qiáng)問題變?yōu)槌蓪?duì)圖像到圖像的轉(zhuǎn)換問題，使輸出圖像更具視覺吸引力，但是由于UGAN使用的是歐幾里得距離損失，因此很容易產(chǎn)生模糊的實(shí)驗(yàn)結(jié)果。Li等[18]開發(fā)出了一個(gè)注意力網(wǎng)絡(luò)(UDA-Net)，可以在學(xué)習(xí)訓(xùn)練期間融合不同類型的信息，然后根據(jù)該信息組合設(shè)計(jì)了一種協(xié)同匯集機(jī)制來提取通道，該模型可以自適應(yīng)地關(guān)注一個(gè)水下圖像中劣化斑塊的特征區(qū)域，并改善這些區(qū)域?？偟膩碚f，基于深度學(xué)習(xí)的方法已經(jīng)很大程度上提高了水下圖像的視覺質(zhì)量，但是由于卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)很依賴于網(wǎng)絡(luò)的深度，而網(wǎng)絡(luò)層數(shù)的增加會(huì)造成梯度下降，導(dǎo)致實(shí)驗(yàn)結(jié)果過擬合化。

基于以上研究，本文提出了一種新的多尺度改進(jìn)密集殘差網(wǎng)絡(luò)的水下圖像增強(qiáng)方法，在增強(qiáng)圖像亮度和對(duì)比度的同時(shí)，減少了圖像中噪聲的影響，也可適應(yīng)于不同的水域場(chǎng)景，且在顏色校正方面有著一定的參考價(jià)值。無論是從主觀效果還是客觀指標(biāo)，都表明所提出的算法取得了較為優(yōu)異的成果。

2 主要方法

2.1 多尺度改進(jìn)的密集殘差網(wǎng)絡(luò)結(jié)構(gòu)

本文設(shè)計(jì)了一種新的多尺度改進(jìn)的密集殘差網(wǎng)絡(luò)模型來解決水下圖像增強(qiáng)問題。該模型采用端到端的結(jié)構(gòu)，其中整體采用一個(gè)U型網(wǎng)絡(luò)結(jié)構(gòu)[19]以防止圖像的細(xì)節(jié)信息丟失，局部采取密集殘差模塊提取水下圖像特征，從而校正水下圖像的顏色，使圖像更清楚，質(zhì)量更高。其整體框架如圖1所示。

圖1 算法總體框架圖Fig.1 The general framework of the algorithm

多尺度特征提取[20]可以提取更全面的全局和局部特征信息。多尺度特征提取使網(wǎng)絡(luò)能更好地自適應(yīng)不同大小的輸入以及不同水域拍攝出的水下圖像。

本文在每個(gè)密集殘差網(wǎng)絡(luò)[21]之間加入了SK注意力機(jī)制，其可以根據(jù)不同大小的感受野對(duì)于不同尺度的目標(biāo)產(chǎn)生不同的效果，其具體內(nèi)容如圖2所示。

圖2 SK注意力機(jī)制總體框架圖Fig.2 The general framework of SK attention mechanism

SK-net[22]對(duì)于不同圖像使用的卷積核權(quán)重不同，即一種針對(duì)不同尺度的圖像動(dòng)態(tài)生成卷積核的網(wǎng)絡(luò)。其主要由Split、Fuse、Select三部分組成。

Split部分是對(duì)輸入使用不同大小卷積核進(jìn)行多次卷積操作，本文采用的是3×3和5×5大小的卷積核。

Fuse部分是計(jì)算每個(gè)卷積核權(quán)重的部分，將兩部分的特征圖按元素求和，其計(jì)算公式為：

(1)

U通過全局平均池化(GAP)生成通道統(tǒng)計(jì)信息，得到的Sc維度為C×1，再經(jīng)過全連接生成緊湊的特征z(維度為d×1)，其計(jì)算公式如下：

(2)

z=f(s)=δ(B(Ws))，

(3)

d=max(C/r,L)，

(4)

式中，δ為ReLU激活函數(shù)；B為BN層；z的維度為卷積核的個(gè)數(shù)；W維度為d×C；d代表全連接后的特征維度；L在文中的值為32[22]；r為壓縮因子。

Select部分是通過softmax計(jì)算每個(gè)卷積核的權(quán)重，然后將權(quán)重應(yīng)用到特征圖上，再將2個(gè)新的特征圖進(jìn)行連接融合得到最終的輸出圖像。

2.2 損失函數(shù)

由于常用的誤差度量已經(jīng)不能體現(xiàn)圖像在各個(gè)方面的優(yōu)化程度，本文通過優(yōu)化損失函數(shù)解決這一問題，使輸出圖像更貼近真實(shí)圖像。本文使用4個(gè)損失函數(shù)，分別是結(jié)構(gòu)性相似損失(Lossssim)、均方誤差(Lossmse)、梯度損失(Lossgrad)和感知損失(Lossvgg)[23]。其計(jì)算公式如下：

Loss=α(Lossssim+Lossmse+Lossgrad)+βLossvgg。

(5)

結(jié)構(gòu)性相似性損失函數(shù)Lossssim指的是整體視覺效果，用來衡量真實(shí)圖像和使用本文算法增強(qiáng)后的圖像之間的差異性，旨在改善輸出圖像的視覺質(zhì)量：

(6)

均方誤差是目標(biāo)變量和預(yù)測(cè)值的差值平方和的均值。均方誤差損失函數(shù)會(huì)放大最大誤差和最小誤差之間的差距，而且均方誤差損失函數(shù)對(duì)異常點(diǎn)非常敏感：

(7)

在訓(xùn)練網(wǎng)絡(luò)時(shí)，如果只使用均方誤差損失函數(shù)，很容易陷入到局部最優(yōu)解中，所以，還引入了梯度損失，具體為：

(8)

由于光線的紅色分量在水下衰減最嚴(yán)重，造成水下圖像的顏色偏綠或偏藍(lán)，所以對(duì)于損失函數(shù)的構(gòu)建，本文除了用結(jié)構(gòu)性相似損失、均方誤差損失和梯度損失函數(shù)以外，還引進(jìn)了感知損失Lossvgg來校正圖像的顏色分布，使得增強(qiáng)后的圖像細(xì)節(jié)更清晰，其計(jì)算公式為：

(9)

式中，E,G分別表示增強(qiáng)圖像和真實(shí)圖像；W,H,C分別表示VGG網(wǎng)絡(luò)三通道對(duì)應(yīng)特征圖的維度；φ表示VGG網(wǎng)絡(luò)的特征圖。

3 實(shí)驗(yàn)評(píng)價(jià)

本文進(jìn)行了大量的實(shí)驗(yàn)，對(duì)所提出的算法進(jìn)行評(píng)價(jià)和驗(yàn)證，并與現(xiàn)有方法進(jìn)行比較。所有實(shí)驗(yàn)是在Windows10，Intel i7 9700KF 3.6 GHz，16 GB RAM，Nvidia 2070s GPU平臺(tái)上運(yùn)行，且使用的開源框架是Tensorflow1.15。利用了Li等[14]在UWCNN論文中合成的一個(gè)水下圖像退化數(shù)據(jù)集Type，其涵蓋了不同的水域類型和退化程度；以及Islam等[16]在FUnlE-GAN論文中建立的一個(gè)EUVP大規(guī)模數(shù)據(jù)集，其包括感知質(zhì)量較差和良好的成對(duì)圖像樣本集合，從中隨機(jī)選擇了3 700個(gè)成對(duì)的訓(xùn)練圖像和23個(gè)成對(duì)的測(cè)試圖像用于對(duì)所提出方法進(jìn)行訓(xùn)練和實(shí)驗(yàn)。設(shè)置學(xué)習(xí)率參數(shù)為0.000 1的Adam優(yōu)化算法對(duì)模型進(jìn)行優(yōu)化。網(wǎng)絡(luò)訓(xùn)練次數(shù)為1 000次，損失函數(shù)的權(quán)重參數(shù)設(shè)置為α=1,β=2。

為保證公平性，所有模型的訓(xùn)練次數(shù)相同。將所提算法與現(xiàn)階段較先進(jìn)的IBLA[7]、RGHS[8]、ULAP[9]、UWCNN[14]、FUNLE[16]和UGAN[17]六種方法進(jìn)行不同指標(biāo)間的測(cè)試和比較。接下來，將從主觀效果和客觀評(píng)價(jià)指標(biāo)兩方面進(jìn)行分析。

3.1 主觀評(píng)價(jià)

從Type測(cè)試數(shù)據(jù)集中挑選了“Corridor”“Bookcase”和“Conference room”三張圖片，其實(shí)驗(yàn)對(duì)比結(jié)果如圖3所示。

圖3 Type數(shù)據(jù)集實(shí)驗(yàn)結(jié)果對(duì)比Fig.3 Comparison of experimental results of Type dataset

由圖3可以看出，UGAN方法增強(qiáng)后的圖像整體還是偏藍(lán)色，增強(qiáng)效果一般。ULAP方法對(duì)比度增強(qiáng)過度，人眼感官效果較差。RGHS、UWCNN和FUNLE方法增強(qiáng)后的圖片部分區(qū)域呈現(xiàn)紅色，是由于對(duì)水下圖像過度增強(qiáng)造成的。本文對(duì)圖像的部分區(qū)域進(jìn)行細(xì)節(jié)放大對(duì)比，細(xì)節(jié)對(duì)比結(jié)果如圖4所示。

圖4 Type數(shù)據(jù)集實(shí)驗(yàn)結(jié)果細(xì)節(jié)對(duì)比Fig.4 Comparison of Type dataset experimental result details

通過細(xì)節(jié)對(duì)比，很明顯可以看出RGHS、UWCNN和FUNLE增強(qiáng)后的圖像部分區(qū)域與“Label”圖顏色差距過大，而UGAN增強(qiáng)后的圖像OURS的細(xì)節(jié)圖在顏色恢復(fù)上都接近“Label”圖，但ULAP整體效果一般。

通過EUVP數(shù)據(jù)集的比較結(jié)果如圖5所示。

圖5 EUVP數(shù)據(jù)集實(shí)驗(yàn)結(jié)果對(duì)比Fig.5 Comparison of experimental results of EUVP dataset

“Fish”“Coral”“Cay”和“Mollusc”四張圖片的IBLA、RGHS和UGAN方法只是將圖片進(jìn)行了亮度增強(qiáng)，去水能力有待提高，圖像顏色仍然偏綠。UWCNN方法與“Input”圖相差無異，增強(qiáng)效果不理想，ULAP比其他方法的實(shí)驗(yàn)結(jié)果要模糊且亮度較低，色彩不夠豐富鮮艷。而ULAP和FUNLE去水能力得到一定的改善，但圖片顏色過于混亂，不符合人眼的視覺效果。相較于其他方法，本文提出的方法不僅去水能力更勝一籌，而且色彩保留方面也相較于其他算法有所提升，邊緣細(xì)節(jié)部分的處理也非常理想。

3.2 客觀評(píng)價(jià)

本文的客觀圖像評(píng)價(jià)指標(biāo)使用的是均方誤差MSE、信噪比SNR、峰值信噪比PSNR[24]、結(jié)構(gòu)相似性SSIM[25]、視覺信息保真度VIF[26]、信息保真度準(zhǔn)則IFC[27]和噪聲質(zhì)量評(píng)價(jià)NQM七個(gè)有參考的圖像質(zhì)量評(píng)價(jià)指標(biāo)，其中VIF、IFC指標(biāo)和人眼感知結(jié)果最為接近，其次為NQM。還有自然圖像質(zhì)量評(píng)價(jià)NIQE[28]和亮度順序誤差LOE[29]兩個(gè)無參考的圖像質(zhì)量評(píng)價(jià)指標(biāo)。MSE、SNR、PSNR、SSIM、VIF、IFC和NQM的值越大，表明增強(qiáng)后的圖像越接近真實(shí)圖像，細(xì)節(jié)信息保留的越多，效果越好。NIQE和LOE的值越小，表示待測(cè)圖像的失真越小，圖像質(zhì)量越高。

下面對(duì)本文在Type、EUVP數(shù)據(jù)集上測(cè)試的實(shí)驗(yàn)結(jié)果進(jìn)行了客觀指標(biāo)的對(duì)比，表1為Type數(shù)據(jù)集中所有測(cè)試圖像不同方法的客觀指標(biāo)平均值的對(duì)比結(jié)果。其中黑色加粗表示最優(yōu)結(jié)果，下劃線表示次優(yōu)結(jié)果。

通過分析表1可以得出，本文所提出算法增強(qiáng)后的圖像所有指標(biāo)都遠(yuǎn)遠(yuǎn)高于其他算法。UWCNN算法在PSNR、SSIM、SNR、MSE和LOE這5個(gè)指標(biāo)中僅次于本文算法。通過圖4和圖5的細(xì)節(jié)對(duì)比發(fā)現(xiàn)，由于有些測(cè)試圖的Label圖本身顏色偏暗，而RGHS和ULAP算法增強(qiáng)出來的圖像很亮最后導(dǎo)致VIF指標(biāo)偏高，但其增強(qiáng)后的結(jié)果與真實(shí)圖像嚴(yán)重不符。雖然每個(gè)算法都有自己較為顯著的方面，但也有自己不足的地方，而本文算法整體效果都有所提高。

表1 Type數(shù)據(jù)集的圖像評(píng)價(jià)指標(biāo)對(duì)比Tab.1 Comparison of image evaluation indexes of Type dataset

表2為EUVP數(shù)據(jù)集中所有測(cè)試圖像不同方法的客觀指標(biāo)平均值的對(duì)比結(jié)果。通過表2可以看出，本文算法增強(qiáng)后的圖像在所有指標(biāo)中都是最優(yōu)的。RGHS方法的PSNR、SSIM、SNR和MSE僅次于本文方法，而VIF、IFC和NQM指標(biāo)FUNLE方法略勝一籌是因?yàn)镕UNLE方法增強(qiáng)后得到的圖像顏色較為鮮艷，對(duì)比度更高。但由圖6的圖像細(xì)節(jié)對(duì)比發(fā)現(xiàn)，F(xiàn)UNLE方法存在細(xì)節(jié)不夠清晰等問題。

表2 EUVP數(shù)據(jù)集的圖像評(píng)價(jià)指標(biāo)對(duì)比Tab.2 Comparison of image evaluation indexes of EUVP dataset

圖6 Fish圖像細(xì)節(jié)對(duì)比Fig.6 Comparison of fish image details

4 消融研究

對(duì)本文所提出的網(wǎng)絡(luò)模型的損失函數(shù)和SK注意力機(jī)制進(jìn)行了消融研究。

首先，針對(duì)感知損失函數(shù)VGG的參數(shù)進(jìn)行了消融，由于篇幅限制，本文只選擇了Type數(shù)據(jù)集中的4張圖片進(jìn)行消融對(duì)比。通過圖片對(duì)比分析得出，VGG=1.0時(shí)效果最差，圖像的部分區(qū)域很模糊，噪聲也較大；VGG為1.5和1.8時(shí)，效果有所提升，但有光照的地方光斑較為嚴(yán)重，且有偽影的存在；VGG為2.2和2.5時(shí)，由于訓(xùn)練過度，圖像開始偏紅；VGG=2.0時(shí)，光斑問題相較于其他參數(shù)有所緩和，顏色也最接近“Label”圖，所以本文最終確定VGG的參數(shù)為2.0，其實(shí)驗(yàn)結(jié)果如圖7所示。

圖7 VGG損失函數(shù)參數(shù)的實(shí)驗(yàn)對(duì)比結(jié)果Fig.7 The comparison results of VGG loss function parameter experiments

由于單張圖片的客觀評(píng)價(jià)指標(biāo)間的數(shù)值相差不大，本文將4張圖片的指標(biāo)參數(shù)進(jìn)行加權(quán)平均。通過表3可以分析得出，VGG=2.0時(shí)本文算法增強(qiáng)出的圖像效果最好，對(duì)于所有不同場(chǎng)景的水下圖像更具包容性。

表3 VGG損失函數(shù)參數(shù)的評(píng)價(jià)指標(biāo)對(duì)比Tab.3 The comparison of evaluation indexes of VGG loss function parameter

對(duì)SK注意力機(jī)制進(jìn)行了消融實(shí)驗(yàn)，Type數(shù)據(jù)集的實(shí)驗(yàn)結(jié)果如圖8(a)所示，EUVP數(shù)據(jù)集的實(shí)驗(yàn)結(jié)果如圖8(b)所示。

(a) Type數(shù)據(jù)集

單獨(dú)研究沒有添加SK注意力機(jī)制的圖像，可以發(fā)現(xiàn)整體效果還是較為理想的。但通過對(duì)比可以看出，添加SK注意力機(jī)制后的實(shí)驗(yàn)結(jié)果更加接近真實(shí)圖像，顏色也更加鮮艷，細(xì)節(jié)部分更清晰。

本文將2個(gè)數(shù)據(jù)集的實(shí)驗(yàn)結(jié)果分別進(jìn)行加權(quán)平均得到的指標(biāo)對(duì)比如表4所示。通過表4可以更直觀地看出，去掉SK注意力機(jī)制后，客觀指標(biāo)明顯下降。

表4 SK注意力機(jī)制消融實(shí)驗(yàn)的評(píng)價(jià)指標(biāo)對(duì)比Tab.4 The comparison of evaluation indexes of SK attention mechanism ablation experiments

因此，可以證明本文所提出網(wǎng)絡(luò)結(jié)構(gòu)框架的有效性且每個(gè)部分都是不可或缺的。

5 結(jié)束語

針對(duì)水下圖像增強(qiáng)問題，本文提出了一種新的多尺度改進(jìn)的密集殘差網(wǎng)絡(luò)方法。采用多尺度特征提取對(duì)水下圖像進(jìn)行預(yù)處理，然后經(jīng)過改進(jìn)的密集殘差網(wǎng)絡(luò)進(jìn)行圖像增強(qiáng)，最后整體通過U型網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行融合。大量的實(shí)驗(yàn)證明，多尺度結(jié)構(gòu)可以使網(wǎng)絡(luò)框架應(yīng)用更加廣泛，適應(yīng)于不同的水域環(huán)境。且改進(jìn)的密集殘差網(wǎng)絡(luò)可以很好地增強(qiáng)圖像的對(duì)比度，改善圖像色彩，強(qiáng)化圖像信息，使得增強(qiáng)后的圖像更加符合人眼視覺系統(tǒng)特性。通過實(shí)驗(yàn)的驗(yàn)證，本文算法遠(yuǎn)遠(yuǎn)優(yōu)于現(xiàn)有的大多數(shù)水下圖像增強(qiáng)算法。此外，為了促進(jìn)對(duì)水下圖像領(lǐng)域研究的進(jìn)步，接下來將考慮研究水下圖像數(shù)據(jù)集，從而給予更多研究者參考與實(shí)驗(yàn)。