基于多尺度融合GAN的水下圖像增強(qiáng)方法

孫 建

（重慶工程學(xué)院，重慶 401320）

0 引言

水下光學(xué)圖像作為傳輸海洋信息的主要載體，對(duì)探索與開(kāi)發(fā)海洋起著至關(guān)重要的作用。但由于水下成像環(huán)境復(fù)雜，水體以及懸浮顆粒對(duì)光的吸收與散射作用，導(dǎo)致水下拍攝到的圖像存在顏色失真、細(xì)節(jié)模糊等問(wèn)題［1-3］，給準(zhǔn)確地提取圖像信息帶來(lái)了極大的困難.因此，為了獲得清晰、真實(shí)的水下光學(xué)圖像具有重要的意義［4-5］。

隨著生成對(duì)抗網(wǎng)絡(luò)（Generative Adversarial Network，GAN）被廣泛地應(yīng)用于水下圖像處理方面［6］，Zhu 等［7］使用循環(huán)對(duì)抗神經(jīng)網(wǎng)絡(luò)（CycleGAN）來(lái)學(xué)習(xí)各種各樣的自然圖像，提出了圖像到圖像轉(zhuǎn)換的循環(huán)變換，CycleGAN可以在沒(méi)有混濁干凈圖像對(duì)的情況下進(jìn)行訓(xùn)練，但是因數(shù)據(jù)集的分布特性可能會(huì)導(dǎo)致圖像恢復(fù)效果不理想。Xu 等［8］利用CycleGAN 建立渾濁和潔凈水下圖像之間的直接映射，同時(shí)利用暗通道優(yōu)先方法（Dark Channel Prior，DCP）估計(jì)介質(zhì)傳輸，以提高水下圖像質(zhì)量，但在非均勻光照下無(wú)法產(chǎn)生一個(gè)可信的圖像。Li 等［9］提出了水對(duì)抗神經(jīng)網(wǎng)絡(luò)（WaterGAN）在無(wú)監(jiān)督管道中從空中圖像和深度對(duì)生成真實(shí)的水下圖像，用于單目水下圖像的顏色校正，提出了一種需要參數(shù)化的漸暈?zāi)Ｐ停朔椒ㄔ趯?duì)WHL數(shù)據(jù)集的還原上仍然顯示一些漸暈。Phillip 等［10］提出了一種基于條件GAN 的監(jiān)督圖像增強(qiáng)框架并把它命名為pix2pix，并建立了一個(gè)全卷積鑒別器來(lái)處理圖像塊，但訓(xùn)練方法需要大量的成對(duì)圖片。Chen 等［11］提出了一種具有多分支鑒別器GAN-RS來(lái)提高水下圖像的質(zhì)量，但訓(xùn)練參數(shù)需要仔細(xì)設(shè)置或調(diào)整，如果使用不正確的設(shè)置進(jìn)行訓(xùn)練，生成模型可能會(huì)在輸出圖像中產(chǎn)生偽影。……