基于Retinex的水下图像增强通过自适应色彩校正和层次U形变压器

科学领域:

• 计算机视觉 计算机视觉
• 图像处理 图像处理
• 人工智能的人工智能

背景情况:

• 由于光衰减和散射,水下图像的质量下降.
• 现有的基于Retinex的方法缺乏适应性,可能导致颜色扭曲.
• 目前的水下图像增强 (UIE) 通常无法考虑波长依赖的光吸收.

研究的目的:

• 开发一个适应性和有效的UIE模型.
• 解决传统UIE方法的局限性,包括色彩扭曲和缺乏适应性.
• 提高水下图像的可见性和质量.

主要方法:

• 提出了一种适应性色彩平衡方法,考虑波长依赖的衰减.
• 采用深度神经网络进行数据驱动的Retinex分解.
• 利用层次化的U形变压器网络来增强对比度和减少模糊.

主要成果:

• 拟议的UIE模型在六个基准数据集中证明了有效性.
• 适应色彩校正改善了色彩平衡,没有扭曲.
• 基于深度学习的Retinex分解提高了图像质量和细节.

结论:

• 新的UIE模型有效地提高了水下图像质量和可见性.
• 整合自适应色彩校正和数据驱动的Retinex分解提供了显著的改进.
• 拟议的方法为各种水下成像挑战提供了强大的解决方案.