摘要: 由于水下环境的浮游生物悬浮杂质及不同光谱吸收率等干扰因素,水下图像往往会出现图像模糊、颜色失真和光照不均等退化问题。本文提出联合水下物理成像规律与数据驱动深度学习方法的水下图像重建模型。利用深度神经网络推断物理成像模型中的可学习参数,通过调制卷积和物理先验知识分别生成基于数据驱动的复原特征图和基于物理先验的复原特征图,引入混合注意力机制的深层特征级融合,重建最终的复原图像。实验结果表明该方法可以在减少噪声、提高对比度的同时,恢复图像的细节,提高水下图像的可视化质量和目标检测精度,增强水下学习模型的鲁棒性和泛化能力。
- 关键词:
- 深度学习 /
- 水下图像恢复 /
- 神经网络 /
- 信息分离 /
- 编码器 /
- 解码器 /
- 特征提取 /
- 图像融合
随着社会的发展,人类对海洋资源的探索更加深入,我们越来越需要清晰的水下图像来进行水下生物,水下操作系统的研究。然而,获取的水下图像往往降质十分严重,其中最主要的因素是水对于不同波长的光吸收率不同,红色光波长最长吸收最为严重,而蓝色光波长最短吸收最少,因此水下图像总是呈现出蓝绿色调,同时伴随着色偏和色彩不鲜明等问题。同时由于水中光线传播距离短,受到水分子、悬浮颗粒、藻类、微生物等的散射和吸收作用,光线的强度、频率和颜色均发生变化,从而导致水下图像总是模糊,充满了噪点。水下图像复原的方法可以被粗略的分为传统方法和基于深度学习的方法。早期人们尝试去通过调整像素值来提高视觉质量,例如动态像素的延展[1]、像素点的自适应分配[2]以及图像融合[3]。尽管