摘要
水下光学成像系统在海洋探索领域发挥着重要的作用，它具有成像速度快、分辨率高等优点。但是，水下光学图像的质量受到水下复杂环境和水介质光学特性的影响，通常具有颜色失真、细节模糊、对比度低等问题。低质量的水下图像一方面降低了水下探测的效率，另一方面对后续高级计算机视觉任务产生不良影响。水下图像增强技术是提高水下图像可视性和应用性的核心技术之一，也是目前极具挑战性的计算机视觉任务。 近年来，基于深度学习的水下图像增强方法表现出明显优势，其中，传统端到端模型采用统一的网络结构处理水下图像的颜色失真、对比度低等问题，这不利于对模型进行局部调优和问题针对性优化，从而导致整体效率的下降。针对这一问题，本文提出一种基于通道分离感知和特征注意力的水下图像增强方法，具体工作内容如下： (1)针对水下图像颜色失真的问题，考虑到水下图像不同颜色通道的衰减程度不同，本文提出一种衰减图引导的通道分离感知模块。该模块在特征提取过程中采用通道分离的策略，并引入衰减图信息，使其能够更加精确感知光衰减量，进而提高水下图像的颜色校正效果。 (2)针对水下图像对比度低、细节模糊的问题，本文提出一种基于特征注意力机制的自动编码器网络模块。该模块中通过级联和跳跃连接结合的方式将6个特征注意力模块组合成模型的核心部分，其中，每个特征注意力模块由通道注意力模块和像素注意力模块级联而成。注意力机制的使用可以让网络关注重要的局部信息，从而提升水下图像的对比度和细节信息。 (3)针对传统感知损失约束信息不足这一局限性，本文基于感知损失与对比学习的思想，构建一种对比感知损失。该损失利用原始图像与参考图像构建正负样本对，将增强图像看作锚点，使用VGG-19预训练模型提取正负样本及锚点图像的高级特征，令特征空间内的锚点图像逼近正样本，同时远离负样本。 为验证模型在真实水下场景的有效性，本文采用两个真实水下数据集进行实验。主要包括与现有各类水下图像增强方法进行对比实验，并在对比实验结果的基础上进行主客观分析，实验结果表明本文方法增强结果的视觉质量优于其他主流增强方法，具有更丰富的细节信息和更自然的色彩表现。此外，大量消融实验论证了本文方法各模块的有效性及其作用。
NETL