基于深度卷積神經(jīng)網(wǎng)絡(luò)的水下偏色圖像增強(qiáng)方法

傅 博, 王瑞子, 王麗妍, 張湘怡

(遼寧師范大學(xué) 計(jì)算機(jī)與信息技術(shù)學(xué)院, 遼寧 大連 116081)

0 引 言

水下圖像是海洋生物多樣性觀測(cè)和海洋環(huán)境監(jiān)測(cè)的重要信息載體. 但由于水下成像環(huán)境較復(fù)雜, 水下成像系統(tǒng)潛入到海底深處后會(huì)因光照、 介質(zhì)、 波長、 震蕩等原因?qū)е聢D像退化, 產(chǎn)生諸如水下圖像顏色偏藍(lán)、 偏綠、 清晰度下降、 細(xì)節(jié)信息丟失等問題, 如圖1所示. 由圖1可見, 這種退化不僅影響觀測(cè)的視覺感受, 且嚴(yán)重影響識(shí)別、 跟蹤、 顏色分析等高層計(jì)算機(jī)視覺任務(wù). 因此, 通過水下圖像處理算法, 能較好地改善水下圖像質(zhì)量, 對(duì)海洋生物的分類識(shí)別乃至海洋生物多樣性觀測(cè)具有重要價(jià)值.

圖1 干凈水下圖像(A)與真實(shí)水下退化圖像(B)Fig.1 Clean underwater images (A) and real underwater degraded images (B)

水下圖像處理技術(shù)分為傳統(tǒng)的圖像優(yōu)化算法和基于卷積神經(jīng)網(wǎng)絡(luò)的圖像優(yōu)化算法兩類. 傳統(tǒng)的圖像優(yōu)化算法又可分為水下圖像復(fù)原和水下圖像增強(qiáng)兩部分, 其中水下圖像復(fù)原算法主要側(cè)重于水下圖像的細(xì)節(jié)修復(fù), 而水下圖像增強(qiáng)更側(cè)重于水下圖像整體色彩的調(diào)整. Schechner等[1]基于消除水下圖像的偏振干擾, 通過在相機(jī)攝像頭上安裝可調(diào)試的偏振器, 獲得了同一場景下不同偏角的多角度水下圖像, 結(jié)合多張圖像以及計(jì)算出的偏振度, 便可估計(jì)場景深度, 從而達(dá)到圖片復(fù)原效果. Li等[2]提出了除霧和顏色校正水下圖像復(fù)原的方法, 先用一種簡單算法對(duì)圖像進(jìn)行預(yù)處理, 再通過調(diào)整飽和度強(qiáng)度、 拉伸直方圖等方式增強(qiáng)水下圖像, 提高圖像對(duì)比度. He等[3]提出了一種暗通道先驗(yàn)(DCP)去霧圖像增強(qiáng)方法, 可用于水下圖像修復(fù). 張凱等[4]提出了一種基于多尺度Retinex的算法, 以此提升圖片的全局效果, 并使圖像色彩展現(xiàn)更豐富. Zhang等[5]提出了一種擴(kuò)展Retinex框架, 利用雙邊和三邊濾波器對(duì)水下圖像不同顏色的通道進(jìn)行處理, 并達(dá)到圖像復(fù)原效果. 馮輝等[6]提出了一種基于直方圖均衡化的水下圖像增強(qiáng)算法, 通過較窄的單峰式直方圖變?yōu)榫夥植嫉闹狈綀D, 使圖像對(duì)比度增強(qiáng), 從而達(dá)到圖像優(yōu)化的效果. Ancuti等[7]提出了一種基于融合原理的水下圖像增強(qiáng)算法, 利用多尺度融合技術(shù), 避免了圖像在輸出時(shí)產(chǎn)生的光影, 并且解決了水下圖像不清晰、 對(duì)比度較差、 色彩差異等問題. Garcia等[8]提出了一種用同態(tài)濾波解決水下霧化、 顏色偏藍(lán)綠等問題, 將像素灰度變換與頻率過濾相結(jié)合, 改善圖像動(dòng)態(tài)范圍, 提高圖像對(duì)比度, 增強(qiáng)圖像質(zhì)量. Chiang等[9]提出了利用補(bǔ)償光在水中的衰退系數(shù)達(dá)到水下圖像增強(qiáng)的效果, 通過對(duì)人工照明與非人工照明區(qū)域進(jìn)行補(bǔ)償, 以該方式對(duì)圖像進(jìn)行優(yōu)化. Galdran等[10]提出了一種利用紅通道方式恢復(fù)水下圖像的算法, 利用該算法可恢復(fù)與短波相關(guān)的顏色, 從而恢復(fù)丟失的信息, 提升圖像對(duì)比度. 盡管傳統(tǒng)算法在一定程度上可減少圖像模糊程度、 增強(qiáng)邊緣、 去除藍(lán)綠, 但傳統(tǒng)算法普遍存在顏色主體信息不突出、 清晰度較差、 色彩模糊等問題, 因此還需進(jìn)一步完善.

近年來, 隨著人工智能技術(shù)的發(fā)展, 深度學(xué)習(xí)在計(jì)算機(jī)視覺、 圖像處理與分析等相關(guān)領(lǐng)域取得了很多成果. 基于深度學(xué)習(xí)圖像修復(fù)與增強(qiáng)的研究早期側(cè)重于自然圖像. 例如, Dong等[11]提出了一種圖像超分辨率重建(SRCNN)算法, 該算法使用卷積神經(jīng)網(wǎng)絡(luò)擬合低分辨率圖像和高分辨率圖像的映射, 是一種端到端的方法, 保證了圖像重建達(dá)到較好的效果, 目前該算法在醫(yī)學(xué)成像領(lǐng)域具有重要價(jià)值. Zhang等[12]提出了一種深度殘差網(wǎng)絡(luò)(RCAN)算法, 通過跳躍鏈接的殘差塊構(gòu)造高頻信息的學(xué)習(xí)網(wǎng)絡(luò), 該網(wǎng)絡(luò)在圖像增強(qiáng)領(lǐng)域取得了很好的精度和效果. Zhang等[13]提出了一種簡捷快速的神經(jīng)網(wǎng)絡(luò)去噪器, 該模型利用變量分裂技術(shù), 去噪先驗(yàn)可作為基于模型優(yōu)化方法的一個(gè)模塊解決其他模糊或噪聲等問題, 該算法可在低視覺應(yīng)用中提供良好的性能. 之后, Zhang等[14]又進(jìn)一步提出了一個(gè)深度殘差網(wǎng)絡(luò)的高斯去噪算法, 能對(duì)未知的高斯噪聲去噪, 可解決高斯、 超分、 JPEG圖像的塊效應(yīng)問題. Liu等[15]提出了一種非局部遞歸網(wǎng)絡(luò)的圖像恢復(fù)算法, 通過在神經(jīng)網(wǎng)絡(luò)中引入非局部方法, 進(jìn)行端到端的訓(xùn)練去捕捉一個(gè)特征與其鄰近的特征相關(guān)性, 在一定程度上擴(kuò)展了網(wǎng)絡(luò)的寬度, 進(jìn)而改善了效果. 徐巖等[16]提出了一種基于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的水下圖像優(yōu)化算法, 首先根據(jù)水下成像模型生成模擬水下圖像, 其次建立生成的水下圖像與真實(shí)水下圖像之間的映射關(guān)系, 最后神經(jīng)網(wǎng)絡(luò)通過這種映射關(guān)系提取圖像特征, 以減少噪聲、 增強(qiáng)清晰度, 從而對(duì)水下圖像進(jìn)行恢復(fù), 但由于該網(wǎng)絡(luò)較小且只有單一的映射學(xué)習(xí)方式, 所以該算法增強(qiáng)能力較弱. Li等[17]提出了一種端到端的學(xué)習(xí)方式, 通過大量的訓(xùn)練圖像數(shù)據(jù)集與一些水下的深度數(shù)據(jù)作為一種端到端的輸入, 可粗略學(xué)習(xí)到水下場景深度估計(jì), 以此恢復(fù)圖像特征, 增強(qiáng)視覺效果. Liu等[18]提出了一種基于深度殘差網(wǎng)絡(luò)框架的水下圖像增強(qiáng)算法, 通過引入超分辨率重建模型的方式提高水下圖像質(zhì)量, 但該方法提取特征能力較差, 導(dǎo)致上采樣時(shí)信息不能準(zhǔn)確還原, 所以圖像增強(qiáng)能力有限. Li等[19]提出了WaterNet, 使用大規(guī)模真實(shí)的水下圖像與其相對(duì)應(yīng)的真實(shí)圖像構(gòu)建水下增強(qiáng)基準(zhǔn)建立水下圖像增強(qiáng)網(wǎng)絡(luò), 該算法有較好的水下圖像增強(qiáng)效果. Islam等[20]提出了FUnIE-GAN網(wǎng)絡(luò), 通過對(duì)目標(biāo)函數(shù)多方式的調(diào)整, 基于圖像內(nèi)容、 顏色、 紋理細(xì)節(jié)等方面恢復(fù)水下圖像的真實(shí)顏色, 但由于該模型網(wǎng)絡(luò)較淺, 使網(wǎng)絡(luò)不能完全學(xué)習(xí)到圖像全部特征而導(dǎo)致泛化能力較弱, 所以該算法具有局限性.

盡管基于深度學(xué)習(xí)圖像修復(fù)與增強(qiáng)在自然圖像領(lǐng)域已取得顯著效果, 但由于水下環(huán)境的特殊性, 自然圖像的增強(qiáng)算法并不完全適用于水下圖像. 基于此, 本文提出一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的水下偏色圖像增強(qiáng)方法.

1 傳統(tǒng)神經(jīng)網(wǎng)絡(luò)水下圖像優(yōu)化算法

水下圖像增強(qiáng)算法的核心任務(wù)是對(duì)水下圖像去模糊、 去藍(lán)綠偏色, 并實(shí)現(xiàn)輸出圖與清晰圖之間端到端的映射, 使兩張圖像之間差異達(dá)到最小化, 用公式表示為

(1)

其中J(x)表示清晰圖像,Y表示網(wǎng)絡(luò)輸出圖像.算法的目標(biāo)是尋找一種使函數(shù)最小化的映射.

1.1 水下圖像成像模型

光在深海環(huán)境中傳播時(shí), 會(huì)受水體的吸收和散射作用. 水下成像主要由相機(jī)接收到光線衰減后的直接分量、 前向散射分量、 后向散射分量三部分組成, 如圖2所示. 水下相機(jī)接收到的衰減后直接分量是指場景反射光在傳播過程中經(jīng)過衰減后到達(dá)相機(jī)的部分； 前向散射分量是指光經(jīng)場景表面反射后在傳播過程中發(fā)生小角度散射的部分； 后向散射分量是指背景光經(jīng)懸浮粒子散射后到達(dá)相機(jī)的部分. 考慮到上述成像因素, 水下圖像成像模型可表示為

圖2 水下成像模型Fig.2 Underwater image formation model

I(x)=J(x)t(x)+A(1-t(x)),

(2)

其中x表示水下圖像中第x個(gè)像素,J(x)表示水下的清晰圖像,A表示大氣光散射函數(shù),I(x)表示真實(shí)被退化后的水下圖像,t(x)表示透射率.透射率與場景深度之間有固定的函數(shù)關(guān)系, 其相關(guān)性可定義為

t(x)=e-βd(x),

(3)

其中d(x)表示場景深度,β表示衰減系數(shù).

1.2 基于深度學(xué)習(xí)的水下圖像增強(qiáng)算法

隨著基于深度學(xué)習(xí)圖像處理技術(shù)的不斷發(fā)展, 傳統(tǒng)端到端的任務(wù)已不能進(jìn)一步挖掘各領(lǐng)域任務(wù)中數(shù)據(jù)的獨(dú)特性, 因此如何利用具體的領(lǐng)域知識(shí)與模型構(gòu)建深度學(xué)習(xí)任務(wù)變得更重要.

圖3為基于卷積神經(jīng)網(wǎng)絡(luò)的經(jīng)典水下圖像增強(qiáng)模型結(jié)構(gòu).由圖3可見, 傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)水下增強(qiáng)網(wǎng)絡(luò)模型主要由特征提取模塊、 特征映射模塊和圖像重建模塊組成.

圖3 神經(jīng)網(wǎng)絡(luò)算法模型Fig.3 Neural network algorithm model

特征提取模塊包含一個(gè)卷積核為7×7的卷積層, 共64個(gè)卷積核.網(wǎng)絡(luò)通過卷積操作提取特征, 公式為

Y=W*I(x),

(4)

其中Y表示生成的水下圖像,W表示卷積核(由n×f×f個(gè)參數(shù)組成),n表示卷積核數(shù)量,f表示卷積核大小,I(x)表示輸入的水下圖像.

特征映射模塊包含兩個(gè)卷積層.每個(gè)卷積層由5×5大小的卷積核組成, 特征提取卷積層經(jīng)過映射后到達(dá)特征映射模塊第一個(gè)卷積層, 實(shí)現(xiàn)了從高維度到低維度的映射, 再經(jīng)過一個(gè)卷積層增加模型的非線性.

圖像重建模塊主要通過重建后得到的結(jié)果圖與清晰圖像之間的迭代, 不斷調(diào)整參數(shù).網(wǎng)絡(luò)采用均方誤差(mean squared error, MSE)作為損失函數(shù), 表示為

(5)

其中J(xi)為第i組的清晰圖像值,Yi為網(wǎng)絡(luò)中第i組的輸出值,m為訓(xùn)練的數(shù)據(jù)集大小.

上述傳統(tǒng)基于卷積神經(jīng)網(wǎng)絡(luò)的方法雖然在一定程度上解決了傳統(tǒng)水下圖像算法的偏色、 清晰度低、 模糊、 色彩單一等問題, 但由于網(wǎng)絡(luò)較淺、 提取特征不全面, 導(dǎo)致網(wǎng)絡(luò)泛化性較差, 且網(wǎng)絡(luò)只有一種端到端的映射學(xué)習(xí)方式, 使網(wǎng)絡(luò)不能深度提取特征信息, 導(dǎo)致圖像增強(qiáng)效果不顯著.

2 本文算法

一般水下圖像學(xué)習(xí)通常采用三通道方法.該方法雖然可在一定程度上學(xué)習(xí)到水下圖像特征, 但由于水下環(huán)境復(fù)雜, 生成的水下圖像嚴(yán)重偏色, 使一般的學(xué)習(xí)方法學(xué)到圖像特征的難度較大, 導(dǎo)致學(xué)習(xí)效果較差.因此, 本文提出一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的水下偏色圖像增強(qiáng)算法的模型結(jié)構(gòu), 用于挖掘更多的特征信息及網(wǎng)絡(luò)輸出與標(biāo)準(zhǔn)圖像的關(guān)系.該算法首先在U-net模型的基礎(chǔ)上進(jìn)一步加深網(wǎng)絡(luò), 從而提取到更深層次的特征信息, 用跳躍連接方式進(jìn)行圖像優(yōu)化； 其次, 網(wǎng)絡(luò)采用學(xué)習(xí)輸入圖像I(x)與輸出圖像Y之間殘余偏色圖的方法增強(qiáng)圖像, 該方法可提高網(wǎng)絡(luò)的泛化性.將這種學(xué)習(xí)策略應(yīng)用到網(wǎng)絡(luò)中, 不僅可更深入、 更全面地提取信息, 還可減少過擬合問題, 使網(wǎng)絡(luò)訓(xùn)練更簡捷有效.圖4為干凈水下圖像與偏色水下圖像的細(xì)節(jié)對(duì)比.由圖4可見, 整體的水下圖像偏色嚴(yán)重, 清晰度退化.

圖4 干凈水下圖像(A)與偏色水下圖像(B)細(xì)節(jié)對(duì)比Fig.4 Detail contrast between clean underwater images (A) and color cast underwater images (B)

2.1 網(wǎng)絡(luò)結(jié)構(gòu)

傳統(tǒng)的U-net模型由下采樣、 上采樣和跳躍連接三部分組成. 首先, 輸入一張圖片, 通過卷積和下采樣降低圖片尺寸, 提取淺層特征； 其次, 通過卷積和上采樣獲得深層次特征； 最后, 將編碼器和解碼器獲得的圖像特征相結(jié)合后輸入優(yōu)化圖像. 本文在U-net模型基礎(chǔ)上提出一個(gè)準(zhǔn)確性更高的模型, 由5對(duì)編碼器和解碼器組成, 模型結(jié)構(gòu)如圖5所示.

圖5 基于深度卷積神經(jīng)網(wǎng)絡(luò)的水下偏色圖像增強(qiáng)方法模型結(jié)構(gòu)Fig.5 Model structure of enhancement method of underwater color cast image based on deep convolutional neural network

假設(shè)給定一個(gè)256×256×3大小的水下圖像I(x), 輸出圖像Y, 首先將圖像輸入到網(wǎng)絡(luò)中, 該網(wǎng)絡(luò)由5個(gè)編碼器和5個(gè)解碼器組成, 即(e1,d5),(e2,d4),(e3,d3),(e4,d2),(e5,d1), 每個(gè)編碼器的輸出會(huì)跳躍連接到對(duì)應(yīng)的解碼器, 每個(gè)卷積層都有一個(gè)3×3的2D卷積, 該網(wǎng)絡(luò)是一個(gè)未使用全連接層的全卷積網(wǎng)絡(luò). 此外, 本文算法不直接從輸入I(x)到輸出Y中學(xué)習(xí)映射, 而是通過輸入圖像I(x)與輸出圖像Y之間學(xué)習(xí)殘余偏色圖的能力增強(qiáng)圖像, 用公式表示為

d=Y-I(x),

(6)

其中d表示殘余偏色圖像,Y表示輸出圖像,I(x)表示輸入的水下圖像.由于殘余偏色圖像更稀疏地表達(dá)了退化圖像與原圖的差異, 因此網(wǎng)絡(luò)可更好地學(xué)習(xí)偏色殘余圖像與標(biāo)準(zhǔn)圖像的相關(guān)性.將這種學(xué)習(xí)策略應(yīng)用到卷積層中, 會(huì)使訓(xùn)練更有效.

網(wǎng)絡(luò)中還用到了Leak-ReLU激活函數(shù)、 BN層, 同時(shí)用反卷積代替?zhèn)鹘y(tǒng)的上采樣方法, 可實(shí)現(xiàn)還原圖片大小的同時(shí)還原信息.

2.2 損失函數(shù)

本文的目標(biāo)是訓(xùn)練模型學(xué)習(xí)輸入和輸出的殘余能力增強(qiáng)圖像.為進(jìn)一步提高圖像中主要成分和邊緣細(xì)節(jié)的清晰度, 本文使用均方誤差計(jì)算損失函數(shù), 將水下圖像輸入到已訓(xùn)練好的網(wǎng)絡(luò)中, 其損失函數(shù)為

(7)

其中m表示樣本的數(shù)量,Yi表示模型中生成的第i組值,J(xi)表示第i組清晰圖像的值.

此外, 本文還將結(jié)構(gòu)相似性(structural similarity, SSIM)加入損失函數(shù)中, 其計(jì)算表達(dá)式為

(8)

其中:Y表示生成的水下圖像;J(x)表示干凈的水下圖像;μY和μJ(x)分別表示水下生成圖像的平均值和干凈水下圖像的平均值；σ2Y和σ2J(x)分別表示生成圖像和干凈圖像的方差;σYJ(x)表示協(xié)方差;C1,C2表示用于維持穩(wěn)定的常數(shù),

C1=(K1L)2,C2=(K2L)2,

(9)

式中L為像素的范圍,K1=0.01,K2=0.03.當(dāng)生成水下圖像與干凈水下圖像非常相似時(shí), SSIM的值趨近于1. 所以SSIM的損失函數(shù)LSSIM可表示為

(10)

整體的損失函數(shù)可表示為

L=LMSE+LSSIM,

(11)

其中m表示樣本數(shù)量,LMSE表示MSE的損失函數(shù),LSSIM表示SSIM的損失函數(shù),L表示MSE與SSIM損失函數(shù)之和.通過上述定義的網(wǎng)絡(luò)結(jié)構(gòu)與損失函數(shù), 對(duì)整個(gè)網(wǎng)絡(luò)進(jìn)行迭代訓(xùn)練, 直到達(dá)到損失函數(shù)值小于閾值或者達(dá)到最大迭代閾值為止.獲得的網(wǎng)絡(luò)模型描述了偏色圖像與標(biāo)準(zhǔn)圖像的映射關(guān)系.

3 實(shí) 驗(yàn)

實(shí)驗(yàn)運(yùn)行于Linux操作系統(tǒng), 基于Tensorflow深度學(xué)習(xí)框架[21]實(shí)現(xiàn), 在配置環(huán)境為 1個(gè)NVIDIA Tesla K80的條件下訓(xùn)練5 224張成對(duì)數(shù)據(jù)集, 并測(cè)試528張驗(yàn)證集. 該網(wǎng)絡(luò)采用Adam優(yōu)化器, 參數(shù)β1=0.9,β2=0.999, 模型的學(xué)習(xí)率為0.001, 步數(shù)為300×50, 批處理器大小為16, 訓(xùn)練過程中只保留最優(yōu)模型.

為驗(yàn)證本文算法的有效性, 分別與UGAN[22],UWCNN[23],FastGan[24]算法進(jìn)行性能對(duì)比, 其中UGAN算法包括Pix2Pix算法和Resnt算法. 為保證實(shí)驗(yàn)的公平性, 所有算法均用原網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù), 并使用與本文相同的訓(xùn)練集與測(cè)試集.

3.1 實(shí)驗(yàn)結(jié)果分析

表1為不同算法的峰值信噪比(peak signal to noise ratio, PSNR)和SSIM值對(duì)比.

表1 不同算法的PSNR和SSIM值對(duì)比

由表1可見, 本文模型的PSNR評(píng)價(jià)指標(biāo)高于其他模型, SSIM評(píng)價(jià)指標(biāo)也具有很大優(yōu)勢(shì), 生成的圖像與原圖差距最小. 該結(jié)果表明, 本文算法在處理顏色校正、 增強(qiáng)對(duì)比度、 優(yōu)化圖像細(xì)節(jié)、 提高圖像質(zhì)量等方面均優(yōu)于其他4種對(duì)比算法.

在相同數(shù)據(jù)集下, 本文算法與其他算法處理圖像細(xì)節(jié)的比較結(jié)果如圖6所示. 由圖6可見, Pix2Pix和Resnet算法處進(jìn)圖像細(xì)節(jié)較清晰, 但沒有針對(duì)主體信息進(jìn)行增強(qiáng)； UWCNN算法對(duì)圖像顏色修正效果不明顯； FastGan算法未對(duì)生成圖像進(jìn)行約束, 使增強(qiáng)的圖像細(xì)節(jié)信息丟失并有噪聲. 本文算法引入了結(jié)構(gòu)相似性損失, 對(duì)輸入圖像和增強(qiáng)圖像之間的特征結(jié)構(gòu)信息進(jìn)行約束, 使生成的圖像保持主體信息完整性, 并且可有效去除偏色, 提高對(duì)比度. 因此, 本文模型生成的圖像最接近真實(shí)圖像的視覺效果.

圖6 各類算法處理圖像的細(xì)節(jié)對(duì)比Fig.6 Detail contrast of image processing of various algorithms

圖7(A)，(B)分別為不同算法的PSNR值和SSIM值對(duì)比. 由圖7可見, 本文算法與其他算法相比有明顯優(yōu)勢(shì), 對(duì)去除海洋生物圖像的藍(lán)綠色, 增強(qiáng)圖像的對(duì)比度效果更好.

a. Pix2Pix算法; b. Resent算法; c. UWCNN算法; d. FastGan算法; e. 本文算法.圖7 不同算法的評(píng)價(jià)指標(biāo)對(duì)比結(jié)果Fig.7 Contrast results of evaluation indicators of different algorithms

3.2 算法的收斂性分析

下面對(duì)本文算法的收斂性用數(shù)據(jù)結(jié)果的數(shù)據(jù)指標(biāo)曲線圖進(jìn)行測(cè)量與分析. 圖8(A)為本文算法的損失函數(shù)下降曲線, 其中藍(lán)色線表示本文算法在訓(xùn)練過程中的趨勢(shì), 紅色線表示在驗(yàn)證過程中的趨勢(shì). 由圖8(A)可見, 當(dāng)網(wǎng)絡(luò)訓(xùn)練超過100輪時(shí), 本文網(wǎng)絡(luò)輸出已接近目標(biāo)精度. 圖8(B)為本文算法輸出結(jié)果的峰值信噪比變化曲線. 由圖8(B)可見, 隨著算法損失函數(shù)的不斷下降, 輸出結(jié)果的效果不斷改善, 峰值信噪比不斷增加, 在第100輪時(shí)達(dá)到最高并趨于平穩(wěn). 通過算法的收斂性和有效性指標(biāo)分析可見, 本文算法可在有限時(shí)間內(nèi)收斂, 且收斂后可得到較高的修復(fù)結(jié)果.

圖8 本文算法的收斂性分析Fig.8 Convergence analysis of proposed algorithm

綜上所述, 本文針對(duì)水下圖像偏色失真的問題, 提出了一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的水下偏色圖像增強(qiáng)算法, 有效解決了水下圖像的偏色、 模糊等問題. 該算法首先在U-Net模型的基礎(chǔ)上構(gòu)建一種卷積神經(jīng)網(wǎng)絡(luò), 訓(xùn)練網(wǎng)絡(luò)學(xué)習(xí)圖像輸入與圖像輸出的色彩差異； 其次, 用損失函數(shù)提高輸入與輸出圖像的相似度, 在視覺上提高了水下圖像質(zhì)量. 對(duì)比實(shí)驗(yàn)結(jié)果表明, 對(duì)解決水下圖像偏色失真等問題, 本文算法優(yōu)于其他算法.