DOI:10.11991/yykj.202302013网络出版地址：https://link.cnki.net/urlid/23.1191.U.20240205.1128.004基于水下场景先验的水下图像增强方法研究陈鑫1，钱旭2，周佳加2，武杨21.海装沈阳局驻哈尔滨地区第二军事代表室，黑龙江哈尔滨1500012.哈尔滨工程大学智能科学与工程学院，黑龙江哈尔滨150001摘要：针对水体光线吸收与散射作用引起的图像模糊、低对比度和颜色失真等问题，提出一种基于水下场景先验的水下图像增强方法。首先利用水下场景的先验知识，结合水下成像物理模型和水下场景的光学特性，利用10种预定义衰减系数合成涵盖不同类型和退化水平的水下图像数据集；然后利用初始残差和密集级联，设计一类轻量级卷积神经网络（convolutionalneuralnetworks,CNN）模型增强水下图像，结合基于轻量级的网络结构和有效的训练数据，可减少增强模型的计算量并有效改善水下退化图像的视觉质量；最后采用归一化的后处理过程进一步提升图像增强的效果。仿真实验结果表明，所提方法可行有效，可应用到不同的真实水下场景，具有较强的鲁棒性与有效性。关键词：深度学习；卷积神经网络；水下场景先验；水下图像合成；水下图像增强；初始残差；归一化处理；结构相似性损失中图分类号：TP391.41文献标志码：A文章编号：1009−671X(2024)02−0056−10UnderwaterimageenhancementbasedonpriorknowledgeofunderwaterscenesCHENXin1,QIANXu2,ZHOUJiajia2,WUYang21.TheSecondMilitaryRepresentativeOfficeofShenyangBureauofHaizhuanginHarbin,Harbin150001,China2.CollegeofIntelligentSystemsScienceandEngineering,HarbinEngineeringUniversity,Harbin150001,ChinaAbstract:Inviewoftheproblemsofimageblur,lowcontrast,andcolordistortioncausedbylightabsorptionandscatteringinwater,amethodforenhancingunderwaterimagesbasedonpriorknowledgeofunderwaterscenesisproposed.First,usingthepriorknowledgeofunderwaterscenes,combinedwiththephysicalmodelofunderwaterimagingandtheopticalcharacteristicsofunderwaterscenes,tenpredefinedattenuationcoefficientsareusedtosynthesizeunderwaterimagedatasetscoveringdifferenttypesandlevelsofdegradation.Then,alightweightconvolutionalneuralnetwork(CNN)modelisdesignedtoenhanceunderwaterimagesusingtheinitialresidualsanddensecascades.Combinedwiththelightweightnetworkstructureandeffectivetrai...
