基于多尺度塊級(jí)聯(lián)的水下圖像增強(qiáng)算法

郝駿宇，楊鴻波，侯 霞，張 洋

（北京信息科技大學(xué) 自動(dòng)化學(xué)院，北京 100089）

1 引言

水下機(jī)器人在海洋石油鉆探、海底隧道、管道搭建和水產(chǎn)養(yǎng)殖等水下作業(yè)任務(wù)中，需要穩(wěn)定清晰的水下圖像予以輔助分析。由于紅、綠、藍(lán)3種光的衰減率不同，紅色光在水下衰減最為嚴(yán)重，圖像表現(xiàn)出嚴(yán)重的藍(lán)綠色偏。此外，水下懸浮的微粒會(huì)使光產(chǎn)生散射作用，這會(huì)導(dǎo)致水下圖像出現(xiàn)低對(duì)比度、模糊和有霧的現(xiàn)象［1-4］。

針對(duì)上述水下圖像的特點(diǎn)，改善水下圖像質(zhì)量的方法一般分為兩大類。一類是水下圖像增強(qiáng)（Underwater Image Enhancement，UIE）算法。基于深度學(xué)習(xí)的UIE 算法側(cè)重于調(diào)整圖像對(duì)比度、清晰度和色彩以提高人體視覺(jué)感知質(zhì)量，而不依賴于水下成像模型。2017 年，Perez 等人提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)［5］的水下圖像增強(qiáng)方法，第一次將深度學(xué)習(xí)方法應(yīng)用于水下圖像增強(qiáng)領(lǐng)域。該方法采用簡(jiǎn)單的卷積層堆疊構(gòu)成整個(gè)增強(qiáng)網(wǎng)絡(luò)，難以有效解決色偏問(wèn)題，且對(duì)比度較低［6］。2019 年，Nan Wang 等人提出的UWGAN 采用3 次下降的UNET 網(wǎng)絡(luò)來(lái)進(jìn)行水下圖像的增強(qiáng)，但是無(wú)法去除局部霧化的情況，且增強(qiáng)后的圖像存在亮部曝光過(guò)度的問(wèn)題［7］。2021 年，Jiang 等人的兩步域水下圖像增強(qiáng)算法，首先用CycleGAN 生成擁有地面風(fēng)格但有一定霧化情況的中間域圖像，接著用去霧算法對(duì)其進(jìn)一步增強(qiáng)到目標(biāo)域。此算法經(jīng)過(guò)兩個(gè)階段的增強(qiáng)，生成圖像具有模糊現(xiàn)象［8］。2021 年，李微對(duì)UWGAN 進(jìn)行了改進(jìn)，首先用改進(jìn)JM 退化模型建立GAN 網(wǎng)絡(luò)，接著在UNET 網(wǎng)絡(luò)中加入一個(gè)注意力機(jī)制，從而提高網(wǎng)絡(luò)的魯棒性［9］。2021年，Deep-WaveNet使用UIEB 的成對(duì)數(shù)據(jù)集，通過(guò)在其3 層波浪式結(jié)構(gòu)中加入CBAM 注意力模塊構(gòu)建了一個(gè)增強(qiáng)網(wǎng)絡(luò)。該方法采用卷積和注意力機(jī)制融合的方法進(jìn)行增強(qiáng)，但單一的卷積核尺寸和上下采樣結(jié)構(gòu)使得網(wǎng)絡(luò)無(wú)法泛化到其他風(fēng)格的圖像［10］。2022 年，Qi 等人提出了以語(yǔ)義分割引導(dǎo)的卷積神經(jīng)網(wǎng)絡(luò)增強(qiáng)方法，通過(guò)嵌入不同的特征提取塊進(jìn)行圖像增強(qiáng)。該方法同樣因?yàn)槭褂脝我坏木矸e核尺寸和上采樣和下采樣結(jié)構(gòu)，從而難以解決水下圖像局部霧化的情況［11］。另一類是水下圖像恢復(fù)（Underwater Image Restoration，UIR）算法。基于深度學(xué)習(xí)的UIR 算法［12-15］主要是根據(jù)水下圖像建立退化模型，將水下圖像根據(jù)建立的退化公式恢復(fù)到未退化狀態(tài)。這類算法只能估計(jì)一種水下風(fēng)格的參數(shù)，無(wú)法對(duì)其他風(fēng)格的圖像進(jìn)行恢復(fù)，通用性較差，水下機(jī)器人等設(shè)備在不同風(fēng)格的水下環(huán)境中無(wú)法直接使用。

綜上所述，目前基于深度學(xué)習(xí)的UIE 網(wǎng)絡(luò)一般采用單一的卷積尺寸和上下采樣方式，導(dǎo)致增強(qiáng)后的圖像存在色偏、霧化和細(xì)節(jié)丟失等質(zhì)量較低的問(wèn)題。針對(duì)這一問(wèn)題，本文借鑒大氣圖像降噪的SOTA 算法［16-18］中通過(guò)構(gòu)建特征提取塊進(jìn)行級(jí)聯(lián)的思想，構(gòu)建了基于3 個(gè)多尺度特征提取模塊，并據(jù)此提出了完整的UIE 網(wǎng)絡(luò)水下圖像增強(qiáng)框架，從而實(shí)現(xiàn)了水下圖像端到端的增強(qiáng)任務(wù)。為進(jìn)一步增加網(wǎng)絡(luò)的特征提取能力，在網(wǎng)絡(luò)高維特征空間中添加了CBAM 注意力機(jī)制［19］。實(shí)驗(yàn)結(jié)果表明，本文算法可以有效解決水下圖像的色偏、霧化和細(xì)節(jié)丟失的問(wèn)題，在對(duì)增強(qiáng)結(jié)果的主觀分析和客觀指標(biāo)評(píng)價(jià)中均優(yōu)于其他算法。

2 本文方法

針對(duì)現(xiàn)有基于深度學(xué)習(xí)的算法特征提取較為單一的問(wèn)題，本文借鑒特征提取塊級(jí)聯(lián)的思想，在編解碼網(wǎng)絡(luò)的基礎(chǔ)上構(gòu)建出3 個(gè)功能模塊，并以級(jí)聯(lián)的方式構(gòu)建出整個(gè)增強(qiáng)網(wǎng)絡(luò)。

2.1 整體框架

網(wǎng)絡(luò)整體框架如圖1所示，包括4種主要組件，分別是下采樣模塊（Downsampling Module，DM）、上采樣模塊（Upsampling Module，UM）、特征提取模塊（Feature Extraction Module，F(xiàn)EM）和CBAM模塊。網(wǎng)絡(luò)以尺寸為256×256 的水下RGB 圖像作為輸入，使用兩個(gè)DM 模塊、兩個(gè)UM 模塊、一個(gè)CBAM 注意力模塊和4 個(gè)FEM 模塊構(gòu)建整個(gè)編解碼網(wǎng)絡(luò)。此外，為降低圖像信息損失進(jìn)行了兩次跳躍鏈接，第一次將輸出特征F1 和輸出特征U1進(jìn)行通道合并后輸入FEM3 模塊，第二次將輸入圖像和輸出特征U2 進(jìn)行通道合并后輸入FEM4模塊進(jìn)行特征提取。在訓(xùn)練時(shí)，輸出圖像與清晰的參考圖像計(jì)算損失。在訓(xùn)練完成后，可以端到端地對(duì)水下圖像進(jìn)行增強(qiáng)。

圖1 算法整體框架圖Fig.1 Overall framework of the algorithm

2.2 DM 模塊

在視覺(jué)任務(wù)中，為提高特征感受野和降低網(wǎng)絡(luò)參數(shù)量，需要對(duì)圖像進(jìn)行下采樣。卷積下采樣在訓(xùn)練過(guò)程中的參數(shù)需要學(xué)習(xí)，生成的縮略圖能提取更加符合網(wǎng)絡(luò)任務(wù)的特征，最大值池化下采樣注重圖像紋理特征的提取。均值池化下采樣偏向于保留圖像的全局特征，所以不同的下采樣方式對(duì)特征提取的側(cè)重點(diǎn)不同，如果能使用不同的下采樣方式對(duì)特征進(jìn)行下采樣，就可以得到更豐富的特征信息。

為解決圖像下采樣過(guò)程中特征提取不充分和信息損失較大的問(wèn)題，我們采用融合3 種不同方式的方法構(gòu)建了DM 模塊對(duì)圖像進(jìn)行下采樣。如圖2 所示，DM 模塊首先分別采取步長(zhǎng)為2×2的卷積、最大值池化和均值池化3 種方式對(duì)圖像進(jìn)行下采樣；其次對(duì)最大池化特征和均值池化特征進(jìn)行通道合并，并經(jīng)過(guò)一層批量歸一化層（Batch Normalization，BN）；然后合并卷積下采樣和上一步的輸出特征；接著經(jīng)過(guò)一層3×3 的卷積層；最后經(jīng)過(guò)一層LeakRelu 激活層進(jìn)行非線性激活。

圖2 DM 模塊結(jié)構(gòu)圖Fig.2 DM module structure diagram

2.3 UM 模塊

如圖3 所示，UM 模塊和DM 模塊原理相同。為獲取多層次的圖像特征，我們采用轉(zhuǎn)置卷積和線性插值兩種不同的上采樣方式對(duì)特征進(jìn)行上采樣。輸入特征首先分別經(jīng)過(guò)轉(zhuǎn)置卷積和線性插值對(duì)特征進(jìn)行上采樣，其次對(duì)線性插值后的特征進(jìn)行批量歸一化，接著對(duì)轉(zhuǎn)置卷積通道和線性插值通道進(jìn)行通道合并，最后經(jīng)過(guò)一層3×3 的卷積神經(jīng)網(wǎng)絡(luò)，并經(jīng)過(guò)一層LeakRelu 輸出特征。

圖3 UM 模塊結(jié)構(gòu)圖Fig.3 UM module structure diagram

2.4 FEM 模塊

不同大小的卷積核可以提取不同細(xì)粒度的圖像特征，在圖像增強(qiáng)領(lǐng)域，往往會(huì)因?yàn)閳D像特征提取不充分而導(dǎo)致圖像細(xì)節(jié)丟失嚴(yán)重。如圖4 所示，F(xiàn)EM 模塊首先使用3×3、5×5 和7×7 的卷積層分別對(duì)輸入特征進(jìn)行特征提取，并經(jīng)過(guò)LeakRelu進(jìn)行非線性激活；其次對(duì)3 個(gè)尺度提取的特征進(jìn)行通道合并；接著經(jīng)過(guò)一層卷積核為3×3 的卷積把通道降維到和輸入特征一樣，經(jīng)過(guò)一層LeakRelu激活層；接著把輸入特征和上一步的多尺度提取完的特征進(jìn)行通道合并；最后再經(jīng)過(guò)一層3×3 的卷積層，并經(jīng)過(guò)BN 層和LeakRelu 層輸出特征。

圖4 FEM 模塊結(jié)構(gòu)圖Fig.4 FEM module structure diagram

2.5 CBAM 注意力機(jī)制

為進(jìn)一步提高網(wǎng)絡(luò)特征提取能力，本文在圖像高維特征空間中引入CBAM 注意力機(jī)制。如圖5 所示，CBAM 注意力機(jī)制從通道（Channel）和空間（Spatial）兩個(gè)維度對(duì)輸入特征進(jìn)行注意力集中。通道注意力模塊通過(guò)對(duì)輸入特征的每個(gè)通道進(jìn)行特征篩選，輸出每個(gè)通道的注意力圖?？臻g注意力模塊通過(guò)對(duì)輸入特征進(jìn)行空間特征融合得到空間注意力圖，然后將獲得的注意力圖與輸入特征相乘以進(jìn)行自適應(yīng)特征集中。

圖5 CBAM 注意力機(jī)制結(jié)構(gòu)圖Fig.5 Structural diagram of CBAM attention mechanism

2.6 損失函數(shù)

目前，大部分基于深度學(xué)習(xí)的任務(wù)都是基于經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化（Empirical Risk Minization，ERM）進(jìn)行有監(jiān)督訓(xùn)練，損失函數(shù)對(duì)任務(wù)的最終結(jié)果至關(guān)重要。所以在基于深度學(xué)習(xí)的水下圖像增強(qiáng)研究中，損失函數(shù)對(duì)圖像增強(qiáng)結(jié)果的影響也非常重要。經(jīng)過(guò)大量實(shí)驗(yàn)分析，我們使用公式（1）～（3）中的LALL作為損失函數(shù)。

其中：L1為平均絕對(duì)誤差（Mean Absolute Error，MAE），簡(jiǎn)稱L1損失。E(x)為輸出圖像，T(x)為參考圖像，N為圖像三通道像素總數(shù)。LSSIM為結(jié)構(gòu)相似性（Structural Similarity Index，SSIM）損失，簡(jiǎn)稱SSIM 損失，SSIM(x，y)表示圖像亮度、對(duì)比度和結(jié)構(gòu)組成的結(jié)構(gòu)相似度數(shù)值。

3 實(shí)驗(yàn)結(jié)果

3.1 實(shí)驗(yàn)設(shè)置

本實(shí)驗(yàn)采用UIEB［20］公開(kāi)數(shù)據(jù)集，此數(shù)據(jù)集共有890 張?jiān)妓聢D像以及相對(duì)應(yīng)的清晰參考圖像。此數(shù)據(jù)集包含豐富的水下場(chǎng)景，涵蓋大部分水下退化風(fēng)格，有利于驗(yàn)證本文結(jié)果的有效性。在模型訓(xùn)練中，我們將batchsize 設(shè)置為8，一共100 個(gè)epoch，圖像輸入和輸出大小均為256×256，學(xué)習(xí)率設(shè)置為0.000 1，最優(yōu)化下降方法使用Adam算法。

3.2 結(jié)果分析

本文使用UIEB 公開(kāi)數(shù)據(jù)集進(jìn)行對(duì)比實(shí)驗(yàn)。為充分展示圖像增強(qiáng)效果，我們對(duì)增強(qiáng)后的圖像從主觀分析、客觀指標(biāo)分析和應(yīng)用分析3 個(gè)角度進(jìn)行實(shí)驗(yàn)分析。

3.2.1 主觀分析

UIEB 數(shù)據(jù)集為混合風(fēng)格的水下圖像數(shù)據(jù)集，包含海洋生物、水下設(shè)備、水下建筑和海底風(fēng)貌等風(fēng)格迥異的水下圖像。為驗(yàn)證所提算法框架的直觀增強(qiáng)效果，我們將本文方法與UDCP［21］、Deep-WaveNet［10］、CycleGAN［22］、CLAHE［23］、IBLA［24］和ICM［25］算法進(jìn)行比較。

圖6（a）～圖6（e）為5 組不同場(chǎng)景的原始水下圖像及增強(qiáng)結(jié)果，圖6（f）為圖6（d）中方框的局部放大圖。通過(guò)主觀分析可以看出，UDCP 算法對(duì)水下圖像具有一定程度的去霧效果，但難以解決水下圖像的色偏問(wèn)題。在UDCP 算法的增強(qiáng)結(jié)果中，圖6（a）～圖6（d）的增強(qiáng)結(jié)果有明顯的紅色色偏現(xiàn)象，由圖6（f）可以看出偏暗的區(qū)域細(xì)節(jié)信息丟失嚴(yán)重，但存在嚴(yán)重的紅色色偏現(xiàn)象。Deep-WaveNet 算法對(duì)水下圖像的去霧和糾正色偏均有一定的效果，但整體效果低于本文算法。在其增強(qiáng)結(jié)果中，圖6（a）和圖6（c）的背景色存在增強(qiáng)過(guò)度的現(xiàn)象，圖6（b）、圖6（d）和圖6（e）的亮度較低，由局部放大圖6（f）可以看出細(xì)節(jié)損失較大，霧化程度較高。CycleGAN 算法的增強(qiáng)結(jié)果存在模糊失真的現(xiàn)象。在其增強(qiáng)結(jié)果中，圖6（a）有嚴(yán)重的偽影，圖6（b）～圖6（d）的霧化程度較高，由圖6（f）可以看出細(xì)節(jié)信息丟失嚴(yán)重。CLAHE 算法去霧能力較差，由其增強(qiáng)結(jié)果可以看出，圖6（a）、圖6（b）和圖6（e）存在明顯的霧化現(xiàn)象，由局部放大圖6（f）也可以看出存在一定程度的模糊現(xiàn)象。IBLA 算法存在嚴(yán)重的色偏和亮度失衡現(xiàn)象，由其增強(qiáng)結(jié)果可以看出，圖6（a）和圖6（b）增強(qiáng)程度較小，圖6（c）～圖6（f）整體偏暗且均存在色偏問(wèn)題，由圖6（f）可以看出偏暗的區(qū)域細(xì)節(jié)信息丟失嚴(yán)重。ICM 算法去霧能力較差，由其增強(qiáng)結(jié)果可以看出，圖6（a）～圖6（e）均存在大量的霧化現(xiàn)象，由圖6（f）觀察可知圖像存在細(xì)節(jié)丟失現(xiàn)象。本文算法具有良好的去霧和糾正色偏能力，由增強(qiáng)結(jié)果可以看出，圖6（a）～圖6（d）的去霧效果最佳，且顏色最為均衡，沒(méi)有色偏現(xiàn)象，圖6（e）的前景對(duì)比度最高，顏色較為自然，由圖6（f）可以看出，本文算法能最大程度地保留了圖像的細(xì)節(jié)信息。

圖6 （a）～（e）不同場(chǎng)景的實(shí)驗(yàn)效果對(duì)比圖；（f）圖6（d）中方框的局部放大圖。Fig.6 （a）～（e） Comparison of experimental results of different scenes；（f） Partical enlarged drawing of Fig.6（d）.

綜上所述，現(xiàn)有的水下圖像增強(qiáng)算法在去霧、糾正色偏和細(xì)節(jié)信息保留方面存在一定程度的缺點(diǎn)。相比之下，本文提出的算法最大程度地修正了水下圖像的色偏和霧化現(xiàn)象，結(jié)果圖具有真實(shí)的顏色特點(diǎn)，并且較好地保留了圖像細(xì)節(jié)信息，具有良好的視覺(jué)效果。

3.2.2 客觀指標(biāo)分析

本文采用峰值信噪比（ Peak Signal To Noise Ratio，PSNR）［26］、結(jié)構(gòu)相似度（Structural Similarity Index Measure，SSIM）［26］、視覺(jué)信息保真度（Visual Information Fidelity，VIF）［27］和水下圖像質(zhì)量估計(jì)（Underwater Image Quality Measure，UIQM）［28］4 種客觀評(píng)價(jià)指標(biāo)對(duì)增強(qiáng)結(jié)果的質(zhì)量進(jìn)行量化分析。

PSNR 指標(biāo)為圖像最大可能功率和影響它的表示精度的破壞性噪聲功率的比值，PSNR 值越大說(shuō)明圖像噪聲越小，保留有更多有價(jià)值的圖像信息。SSIM 指標(biāo)可以量化圖像的亮度、對(duì)比度和結(jié)構(gòu)保留度等方面的圖像質(zhì)量，SSIM 值越大說(shuō)明增強(qiáng)后的圖像亮度、對(duì)比度和結(jié)構(gòu)保留度越好。VIF 指標(biāo)通過(guò)量化增強(qiáng)后的圖像和標(biāo)注圖像之間共享的香農(nóng)信息，從而定量表示圖像的質(zhì)量，VIF 值越高表示圖像質(zhì)量越高。UIQM 指標(biāo)是一種基于人類視覺(jué)成像系統(tǒng)的無(wú)參考水下圖像質(zhì)量評(píng)價(jià)指標(biāo)，UIQM 值越高說(shuō)明圖像的色彩平衡度、清晰度和對(duì)比度越高。以上4 種評(píng)價(jià)指標(biāo)的值越大，表示圖像的整體質(zhì)量越高。

由表1可以看出，本文所提算法在PSNR、SSIM、VIF 和UIQM 指標(biāo)上均遠(yuǎn)高于其余算法。與其他客觀指標(biāo)最高的算法相比，本文算法的PSNR指標(biāo)提高了6.9%，說(shuō)明本文算法去霧（噪聲）能力好于其他算法。本文算法的SSIM 指標(biāo)提高了8.0%，說(shuō)明本文算法增強(qiáng)后的圖像在亮度、對(duì)比度和結(jié)構(gòu)保留度等方面優(yōu)于其他算法。本文算法的VIF 指標(biāo)提高了8.5%，說(shuō)明本文算法增強(qiáng)后的圖像整體質(zhì)量高于其他算法。本文算法的UIQM 指標(biāo)提高了7.7%，說(shuō)明本文算法增強(qiáng)后的圖像在色彩平衡度、清晰度和對(duì)比度優(yōu)于其他算法，可以最有效地糾正水下圖像的色偏現(xiàn)象。結(jié)合主觀評(píng)價(jià)結(jié)果，本文算法的增強(qiáng)效果最為顯著，在去霧、糾正色偏和細(xì)節(jié)保留等方面具有最佳增強(qiáng)效果。綜合主客觀分析可以得知，本文算法增強(qiáng)后的圖像質(zhì)量最高。

表1 不同算法的客觀評(píng)價(jià)對(duì)比Tab.1 Comparison of objective evaluation of different algorithms

3.2.3 應(yīng)用分析

在水下機(jī)器人等水下設(shè)備中，圖像增強(qiáng)算法一般為其他視覺(jué)任務(wù)的前置算法，可以為后續(xù)的圖像處理提供高質(zhì)量的圖像輸入。

為進(jìn)一步驗(yàn)證本文算法和其他算法對(duì)其他視覺(jué)任務(wù)性能的提升效果，我們使用SIFT 特征點(diǎn)檢測(cè)和Canny 邊緣檢測(cè)算法對(duì)增強(qiáng)效果進(jìn)行對(duì)比分析。SIFT 特征點(diǎn)檢測(cè)是視覺(jué)處理中獲取圖像特征的一種常用方法，圖像特征越多代表圖像內(nèi)容信息越豐富。Canny 邊緣檢測(cè)是為了尋找圖像像素變化最劇烈的區(qū)域，檢測(cè)結(jié)果可以直觀地反映圖像所包含的結(jié)構(gòu)信息，越多的邊緣信息代表越豐富的細(xì)節(jié)信息。

如圖7 所示，其中（a）組圖像為原始水下圖像及各種算法的增強(qiáng)結(jié)果，（b）組圖像為SIFT 特征點(diǎn)檢測(cè)結(jié)果圖，（c）組圖像為Canny 邊緣檢測(cè)示意圖。通過(guò)觀察圖7（b）發(fā)現(xiàn)，本文算法增強(qiáng)后的圖像在SIFT 特征點(diǎn)檢測(cè)中可以檢測(cè)到更多的特征點(diǎn)。在圓圈內(nèi)，本文算法可以檢測(cè)到3 個(gè)特征點(diǎn)，UDCP 和CycleGAN 算法可以檢測(cè)到2 個(gè)特征點(diǎn)，CLAHE 算法和IBLA 算法可以檢測(cè)出1 個(gè)特征點(diǎn)，原圖和DeepWaveNet 算法檢測(cè)出的特征點(diǎn)數(shù)為0。通過(guò)觀察圖7（c）發(fā)現(xiàn)，本文算法增強(qiáng)后的圖像在Canny 邊緣檢測(cè)中可以檢測(cè)到豐富的輪廓，在圓圈內(nèi)，本文算法可以檢測(cè)到最多的輪廓信息，UDCP 算法、Deep-WaveNet 算法和CLAHE 算法可以檢測(cè)到少量輪廓，其他算法檢測(cè)不到輪廓。

圖7 SIFT 特征點(diǎn)檢測(cè)與Canny 邊緣檢測(cè)效果對(duì)比圖。（a）原始水下圖像及各種算法的增強(qiáng)結(jié)果；（b） SIFT 特征點(diǎn)檢測(cè)結(jié)果；（c） Canny 邊緣檢測(cè)示意圖。Fig.7 Comparison of SIFT feature point detection and Canny edge detection effect.（a） Original underwater images and enhancement results of various algorithms；（b） SIFT feature point detection results；（c） Schematic diagrams of Canny edge detection.

為進(jìn)一步對(duì)上述觀察結(jié)果進(jìn)行量化，我們對(duì)特征點(diǎn)數(shù)和邊緣檢測(cè)結(jié)果圖的輪廓數(shù)進(jìn)行統(tǒng)計(jì)。如表2 所示，本文算法檢測(cè)出的特征點(diǎn)數(shù)和邊緣檢測(cè)圖輪廓數(shù)遠(yuǎn)高于原始圖像和其他算法，其中特征點(diǎn)數(shù)和其他算法相比提高了8.44%，邊緣檢測(cè)圖輪廓數(shù)和其他算法相比提高了11.43%。

表2 不同算法的對(duì)比Tab.2 Comparison of objective evaluation of different algorithms

由此分析可知，本文提出的算法可以檢測(cè)出更多的特征點(diǎn)和圖像邊緣信息。與其他算法相比，本文算法增強(qiáng)后的圖像可以最大程度地提高其他視覺(jué)任務(wù)性能，即圖像質(zhì)量高于其他算法。

3.3 消融實(shí)驗(yàn)

為驗(yàn)證本文所提框架中每個(gè)模塊的有效性，我們對(duì)DM 模塊、UM 模塊、FEM 模塊和CBAM 注意力機(jī)制分別進(jìn)行了消融實(shí)驗(yàn)。在DM 模塊只保留最大池化下采樣方式進(jìn)行對(duì)比，在UM 模塊只保留轉(zhuǎn)置卷積上采樣方法進(jìn)行對(duì)比，在FEM 特征提取模塊的并行卷積部分只保留3×3 的卷積通道。此外，我們也對(duì)CBAM 注意力機(jī)制模塊進(jìn)行了消融實(shí)驗(yàn)。

消融結(jié)果如表3 所示，在PSNR 指標(biāo)中，DM模塊提升了27%，UM 模塊提升了11.4%，F(xiàn)EM模塊提升了33.0%，CBAM 模塊提升了7.6%，表明所有模塊均有去霧效果，其中FEM 模塊的去霧效果最為顯著；在SSIM 指標(biāo)中，DM 模塊提升了13.8%，UM 模塊提升了10.6%，F(xiàn)EM 模塊提升了26.6%，CBAM 模塊提升了8.51%，表明所有模塊對(duì)圖像亮度、對(duì)比度和結(jié)構(gòu)保留度均有明顯的質(zhì)量提升效果，其中FEM 模塊提升效果最顯著；在VIF 指標(biāo)中，DM 模塊提升了20.2%，UM 模塊提升了18.0%，F(xiàn)EM 模塊提升了20.2%，CBAM 模塊提升了7.87%，表明所有模塊對(duì)圖像整體質(zhì)量的提升均有明顯作用，其中DM 模塊和FEM 模塊的提升作用最顯著；在UIQM 指標(biāo)中，DM 模塊提升了17.86%，UM 模塊提升了11.90%，F(xiàn)EM 模塊提升了22.6%，CBAM 模塊提升了1.19%，表明所有模塊對(duì)圖像的色彩平衡度、清晰度和對(duì)比度均有提升，可以有效糾正圖像的色偏問(wèn)題，其中FEM 模塊的提升作用最顯著。

表3 消融實(shí)驗(yàn)的指標(biāo)對(duì)比Tab.3 Comparison of objective evaluation of ablation experiments

綜上所述，對(duì)4 個(gè)評(píng)價(jià)指標(biāo)的對(duì)比結(jié)果表明本文算法中的4 個(gè)模塊都可以有效提升圖像質(zhì)量，對(duì)整體網(wǎng)絡(luò)的去霧和糾正色偏能力均有較大的貢獻(xiàn)。

4 結(jié)論

針對(duì)現(xiàn)有算法處理后的圖像存在色偏、對(duì)比度低、細(xì)節(jié)丟失嚴(yán)重和局部霧化等難以解決的問(wèn)題，本文采用多尺度特征提取的方式構(gòu)建了基于多尺度特征融合思想的DM 模塊、UM 模塊和FEM 模塊，并在此基礎(chǔ)上提出了一個(gè)水下圖像增強(qiáng)框架。為進(jìn)一步提高神經(jīng)網(wǎng)絡(luò)的魯棒性和對(duì)圖像的特征提取能力，我們?cè)诰W(wǎng)絡(luò)高維特征空間中添加了CBAM 注意力機(jī)制。結(jié)果表明，本文算法有效校正了水下圖像的色偏和霧化問(wèn)題。主觀分析、客觀指標(biāo)分析和應(yīng)用分析結(jié)果均說(shuō)明本文算法優(yōu)于其他算法。