首页|融合深度学习与多尺度Retinex的水下图像增强方法

融合深度学习与多尺度Retinex的水下图像增强方法

扫码查看
原文链接
  • 万方数据
  • 维普
针对水下图像纹理模糊和色偏严重等问题,提出了一种融合深度学习与多尺度导向滤波Retinex的水下图像增强方法.首先,将陆上图像采用纹理和直方图匹配法进行退化,构建退化水下图像失真的数据集并训练端到端卷积神经网络(convolutional neural network,CNN)模型,利用该模型对原始水下图像进行颜色校正,得到色彩复原后的水下图像;然后,对色彩复原图像的亮度通道,采用多尺度Retinex(multi-scale Retinex,MSR)方法得到纹理增强图像;最后,融合色彩复原图像中的颜色分量和纹理增强图像得到最终水卜增强图像.本文利用仿真水卜图像数据集和真实水下图像对提出方法进行性能测试.实验结果表明,所提方法的均方根误差、峰值信噪比、CIEDE 2000和水下图像质量评价指标分别为0.302 0、17.239 2 dB、16.878 4和4.960 0,优于5种对比方法,增强后的水下图像更加真实自然.本文方法在校正水下图像颜色失真的同时,能有效提升纹理清晰度和对比度.
Combining deep learning and multi-scale Retinex for underwater images enhancement

underwater image processingconvolutional neural network(CNN)color correctionimage texture enhancement

章联军、张鹏、陈芬、童欣、苏涛、杨福豪

展开 >

宁波大学信息科学与工程学院,浙江宁波315211

重庆理工大学电气与电子工程学院,重庆400054

水下图像处理 卷积神经网络(CNN) 颜色校正 图像纹理增强

国家自然科学基金浙江省自然科学基金重庆市自然科学基金重庆市研究生科研创新项目

61771269LY20F010005cstc2021jcyjmsxmX0411CYS22642

2023

10.16136/j.joel.2023.08.0454

光电子·激光
天津理工大学 中国光学学会

光电子·激光

CSCD北大核心
影响因子：1.437
ISSN：1005-0086
年,卷(期)：2023.34(8)
  • 2