基于混合超分辨率卷积神经网络与多尺度Retinex去雾技术的先进水下图像质量增强
计算机视觉与模式识别
2024-10-21 v1 人工智能
摘要
本研究论文讨论了由于光散射、吸收和雾状颗粒导致的水下图像退化问题，这些问题会导致低分辨率和较差的可见度。我们提出了一种先进的混合策略，将多尺度Retinex（MSR）去雾方法与超分辨率卷积神经网络（SRCNN）相结合来解决这些问题。Retinex算法模拟人类视觉感知以减少不均匀光照和雾化，而SRCNN组件则提高水下照片的空间分辨率。通过结合这些方法，我们能够增强水下图像的清晰度、对比度和色彩还原，为在困难水下条件下改善图像质量提供了一种可靠的方法。研究在真实世界水下数据集上进行了大量实验，以进一步说明所提出方法的有效性。在锐度、可见度和特征保留方面，使用结构相似性指数（SSIM）和峰值信噪比（PSNR）等指标的定量评估表明，该方法相较于传统技术有显著进步。在实时水下应用（如海洋勘探、水下机器人和自主水下航行器）中，清晰的、高分辨率成像对操作成功至关重要，深度学习与传统图像处理技术的结合提供了一个计算高效且结果优越的框架。
引用
@article{arxiv.2410.14285,
title = {Advanced Underwater Image Quality Enhancement via Hybrid Super-Resolution Convolutional Neural Networks and Multi-Scale Retinex-Based Defogging Techniques},
author = {Yugandhar Reddy Gogireddy and Jithendra Reddy Gogireddy},
journal= {arXiv preprint arXiv:2410.14285},
year = {2024}
}