10.16535/j.cnki.dlhyxb.2022-230
基于CycleGAN超分辨重构的水下图像增强算法
为了提高水下图像的清晰度和对比度,恢复水下图像颜色特性,提出了一种基于非监督超分辨重构的方法(SR-CycleGAN)对水下图像进行增强.该方法采用超分辨网络和退化网络学习水下图像和陆地图像之间的跨域映射函数,使用相对平均判别器,增加了内容损失函数,并将SR-CycleGAN模型与 4 种传统的水下图像增强模型和 5 种基于深度学习的模型,在同一数据集上进行增强效果比较.结果表明:本文中构建的SR-CycleGAN模型得到了最高的PSNR值(20.277)和SSIM值(0.727),与SESS-CycleGAN模型相比,PSNR和SSIM值分别提高了 5.9%、13.9%,与FEATURE FUSION-CycleGAN模型相比分别提高了13.8%、71.8%,与BM-CycleGAN模型相比分别提高了5.1%、1.1%;对7 类海洋生物进行识别,经过SR-CycleGAN模型增强后图像的识别准确率提高了 48%.研究表明,本文中提出的SR-CycleGAN模型在校正水下图像颜色失真的同时还增强了图像清晰度,在海洋生物水下图像识别中具有一定的实用性.
水下图像增强、生成对抗网络、超分辨重构、非监督
38
S937;TP391.4(水产资源)
辽宁省教育厅科学研究项目;辽宁省教育厅科学研究项目;中国医药教育协会重大科学攻关问题和医药技术难题重点课题;辽宁省教育厅高等学校基本科研项目
2023-03-23(万方平台首次上网日期,不代表论文的发表时间)
共9页
149-157