基于生成對(duì)抗網(wǎng)絡(luò)的輕量級(jí)全局-局部水下圖像增強(qiáng)算法

王金康，殷 勤，何曉暉，邵發(fā)明，盧冠林，李金鑫

（陸軍工程大學(xué) 野戰(zhàn)工程學(xué)院，江蘇 南京 210007）

0 引 言

由于復(fù)雜的水下環(huán)境，水下圖像處理技術(shù)一直是具有挑戰(zhàn)性的任務(wù)。水下拍攝的圖像會(huì)因光在水中的散射、懸浮物等原因?qū)е聢D像質(zhì)量退化，出現(xiàn)色偏、低對(duì)比度、細(xì)節(jié)丟失和噪聲等問(wèn)題。這些問(wèn)題極大地影響了水下圖像的后續(xù)處理，包括水下圖像的目標(biāo)檢測(cè)、語(yǔ)義分割等[1]。因此，在預(yù)處理階段對(duì)水下圖像進(jìn)行增強(qiáng)處理是非常有必要的?，F(xiàn)有的圖像增強(qiáng)方法直接應(yīng)用于水下圖像也不能達(dá)到理想的增強(qiáng)效果。不加選擇地對(duì)圖像進(jìn)行全局增強(qiáng)會(huì)導(dǎo)致計(jì)算量過(guò)大，浪費(fèi)計(jì)算資源，而簡(jiǎn)單的圖像局部增強(qiáng)會(huì)導(dǎo)致全局圖像效果不佳，甚至出現(xiàn)局部舍棄整體的情況。因此，研究一種兼顧全局和局部的圖像增強(qiáng)算法非常重要。

隨著CNN 方法在水下圖像領(lǐng)域的深入，卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展帶給學(xué)者啟發(fā)。文獻(xiàn)[2]提出UWCNN 模型，輕量化網(wǎng)絡(luò)結(jié)構(gòu)，將模型推廣到水下視頻增強(qiáng)領(lǐng)域，該方法取得了良好的泛化效果，但仍然無(wú)法解決水下圖像的后向散射問(wèn)題。文獻(xiàn)[3]基于全卷積網(wǎng)絡(luò)，提出了改善水下不均勻光照影響的NUICNet 網(wǎng)絡(luò)，將原始圖像分為理想圖像和光照層的疊加，改善效果明顯。文獻(xiàn)[4]創(chuàng)造性地設(shè)計(jì)了雙層殘差注意網(wǎng)絡(luò)RTFAN，采用通道注意力和非局部注意力進(jìn)行特征融合，去噪效果突出，但是會(huì)在一定程度上引入偽影。文獻(xiàn)[5]基于注意力機(jī)制提出UDA-Net 網(wǎng)絡(luò)，融合不同信息來(lái)提取通道，進(jìn)而自適應(yīng)地關(guān)注水下圖像中劣化斑塊的特征區(qū)域并進(jìn)行改善，這大大減小了計(jì)算復(fù)雜度。

近年來(lái)，生成對(duì)抗網(wǎng)絡(luò)的運(yùn)用成為圖像增強(qiáng)研究的熱點(diǎn)。文獻(xiàn)[6]基于生成對(duì)抗網(wǎng)絡(luò)提出一種水下圖像增強(qiáng)算法，但其合成的水下圖像模擬的環(huán)境較單一，不能覆蓋非均勻光照、渾濁水體等退化問(wèn)題。文獻(xiàn)[7]在生成對(duì)抗網(wǎng)絡(luò)的基礎(chǔ)上融合全卷積，提出了FUnIE-GAN 網(wǎng)絡(luò)，并設(shè)計(jì)了一個(gè)新的損失函數(shù)來(lái)評(píng)估圖像主觀質(zhì)量。文獻(xiàn)[8]提出了UGAN，將圖像增強(qiáng)問(wèn)題轉(zhuǎn)化為原圖像到生成圖像的轉(zhuǎn)換問(wèn)題，增強(qiáng)效果比較好，但是用于實(shí)驗(yàn)的數(shù)據(jù)集太小，網(wǎng)絡(luò)通用性遭到質(zhì)疑。文獻(xiàn)[9]提出弱監(jiān)督顏色遷移模型，使用結(jié)構(gòu)損失代替對(duì)抗損失，保證在圖像內(nèi)容不變的情況下實(shí)現(xiàn)顏色校正。文獻(xiàn)[10]提出一種新的模型，通過(guò)解碼不同領(lǐng)域水類(lèi)型的干擾來(lái)對(duì)抗學(xué)習(xí)圖像的內(nèi)容特征，很好地處理了增強(qiáng)過(guò)程中水的多樣性。文獻(xiàn)[11]設(shè)計(jì)了Local-Cycle GAN，創(chuàng)造性地提出局部判別器，對(duì)圖像增強(qiáng)效果有很大的提升，但這種方法容易產(chǎn)生奇異的紋理。文獻(xiàn)[12]基于CA-GAN 提出了一種新的水下圖像增強(qiáng)算法，引入注意力機(jī)制的同時(shí)，設(shè)計(jì)了多對(duì)一的映射函數(shù)，取得了不錯(cuò)的增強(qiáng)效果。文獻(xiàn)[13]制作不同色偏的水下圖像數(shù)據(jù)集，并提出Cast-GAN 網(wǎng)絡(luò)，改進(jìn)損失函數(shù)，水下圖像色偏現(xiàn)象得到很好的改善?？偟膩?lái)說(shuō)，基于生成對(duì)抗網(wǎng)絡(luò)的水下圖像增強(qiáng)效果更好，因此也越來(lái)越成為圖像增強(qiáng)的主流研究方向。

1 算法設(shè)計(jì)

為了有效提高水下圖像的質(zhì)量，本文提出一種基于生成對(duì)抗網(wǎng)絡(luò)的融入注意力機(jī)制的水下圖像增強(qiáng)算法，結(jié)構(gòu)示意圖如圖1 所示。首先，原始水下圖像通過(guò)Grad-CAM 方法得到激活的熱力圖像作為注意力圖像，與原始圖像共同輸入到生成器得到生成圖像；然后，分別對(duì)生成圖像和真實(shí)圖像進(jìn)行判別，全局判別器負(fù)責(zé)對(duì)整個(gè)圖像進(jìn)行判別，而局部判別器對(duì)經(jīng)過(guò)注意力機(jī)制裁剪后的目標(biāo)區(qū)域進(jìn)行有重點(diǎn)的判別，2 個(gè)判別器共同作用，決定生成圖像是否有效。判別為真的生成圖像直接輸出，判別為假的生成圖像則重新返回網(wǎng)絡(luò)進(jìn)行進(jìn)一步的增強(qiáng)處理。

圖1 輕量級(jí)全局-局部水下圖像增強(qiáng)算法結(jié)構(gòu)圖

1.1 生成器

為了對(duì)原始水下圖像在視覺(jué)上進(jìn)行初步的可視化解釋?zhuān)瑤椭W(wǎng)絡(luò)學(xué)到更多不同信息之間隱蔽、復(fù)雜的映射關(guān)系，在圖像輸入到生成器之前使用Grad-CAM 方法得到每個(gè)目標(biāo)類(lèi)別所對(duì)應(yīng)的特征圖所占的權(quán)重，將得到的權(quán)重與對(duì)應(yīng)的特征圖進(jìn)行加權(quán)求和，能得到一個(gè)激活的熱力圖，將其與原始圖像一起輸入到生成器中。生成器結(jié)構(gòu)采用對(duì)稱(chēng)編解碼器結(jié)構(gòu)，并在U-NET[14]上添加跳躍連接以提取不同層次的特征，這樣的設(shè)計(jì)使得多尺度信息得以很好的保留和運(yùn)用，對(duì)語(yǔ)義分割[15]、圖像修復(fù)[16]等性能提升較大。

生成器的設(shè)計(jì)基于U-NET 結(jié)構(gòu)，其示意圖如圖2所示。網(wǎng)絡(luò)的輸入設(shè)置為256×256×3，先通過(guò)4 次卷積操作實(shí)現(xiàn)圖像下采樣，再通過(guò)Inception-Resnet 模塊克服深層網(wǎng)絡(luò)的梯度消失問(wèn)題，這有助于找到濾波器大小的最優(yōu)組合，之后進(jìn)行連續(xù)的4 次反卷積操作完成特征圖的上采樣。卷積操作過(guò)程中嵌入可變形卷積網(wǎng)絡(luò)，對(duì)目標(biāo)尺度大小進(jìn)行自適應(yīng)，提高網(wǎng)絡(luò)的泛化能力。此外，將原始水下圖像與注意力圖像同時(shí)下采樣，提高模型處理速度的同時(shí)對(duì)水下圖像的增強(qiáng)效果也有較大的提升。

圖2 基于U-NET 結(jié)構(gòu)的生成器改進(jìn)

1.2 全局-局部判別器

全局判別器（見(jiàn)圖3a））判斷整張生成圖像的真假，對(duì)水下圖像實(shí)現(xiàn)整體的增強(qiáng)。而當(dāng)生成圖像的局部區(qū)域需要特定增強(qiáng)的時(shí)候，全局判別器不能發(fā)揮明顯作用。因此，設(shè)計(jì)了全局-局部判別器結(jié)構(gòu)[17]，在原先判別器的基礎(chǔ)上增添了一個(gè)局部判別器（見(jiàn)圖3b））。在局部判別器之前，為了對(duì)生成圖像的特定局部區(qū)域進(jìn)行自適應(yīng)增強(qiáng)，引入CBAM[18]，它結(jié)合了空間注意力和通道注意力實(shí)現(xiàn)對(duì)局部區(qū)域的聚焦，然后裁剪生成圖像和真實(shí)圖像的局部區(qū)域，之后輸入局部判別器來(lái)判斷真假。

圖3 全局判別器與局部判別器結(jié)構(gòu)

LCBA 模塊的結(jié)構(gòu)如圖4 所示。通過(guò)結(jié)合空間和通道注意并行學(xué)習(xí)特征圖面向目標(biāo)的注意權(quán)值，并根據(jù)注意權(quán)值對(duì)輸入圖像進(jìn)行局部裁剪。全局-局部判別器的設(shè)計(jì)在保證圖像整體增強(qiáng)效果的同時(shí)，對(duì)局部區(qū)域進(jìn)行特定增強(qiáng)，圖像增強(qiáng)效果更加明顯。

圖4 基于雙重注意力的局部裁剪

全局判別器采用了5 個(gè)卷積層，局部判別器采用了4 個(gè)卷積層，其結(jié)構(gòu)均類(lèi)似于馬爾科夫判別器[19]結(jié)構(gòu)。全局判別器以生成圖像和真實(shí)圖像作為輸入，而局部判別器以生成圖像塊和真實(shí)圖像塊作為輸入，對(duì)應(yīng)位置的像素差異小的值判定為1，差異大的值為0，以此區(qū)分局部圖像的真假。

1.3 損失函數(shù)設(shè)計(jì)

本文通過(guò)優(yōu)化損失函數(shù)使輸出圖像更貼近真實(shí)圖像，具體分為生成器損失、判別器損失、MS-SSIM 損失和L1損失。

在對(duì)抗損失里運(yùn)用相對(duì)判別器[20]。其中，全局判別器和局部判別器的損失函數(shù)可以分別表示為：

式中：xr、xf分別代表真實(shí)圖像分布和生成圖像分布；Pr、Pf分別代表真實(shí)圖像和生成圖像的概率分布；Prp、Pfp分別代表真實(shí)圖像塊和生成圖像塊的概率分布；E為期望值；σ代表Sigmoid 函數(shù)；Dra(xr,xf)代表真實(shí)圖像比生成圖像更真實(shí)的概率；Dra(xf,xr)代表生成圖像比真實(shí)圖像更不真實(shí)的概率。

本文采用MS-SSIM loss 來(lái)改善圖像的視覺(jué)質(zhì)量，較好地保持高頻信息。對(duì)于中心像素為p的圖形塊來(lái)說(shuō)，SSIM loss 可以表示為：

式中：x為原始水下圖像塊；y為生成圖像塊；μx是x的平均值；σx是x的標(biāo)準(zhǔn)差；μy是y的均值；σy是y的標(biāo)準(zhǔn)差；σxy是x、y的協(xié)方差；令C1=0.02，C2=0.03。

然而σG的大小制約著圖像增強(qiáng)效果的提升，為解決這個(gè)問(wèn)題，采用MS-SSIM 定義如下：

對(duì)于全局判別器，其全局結(jié)構(gòu)相似性損失為：

對(duì)于局部判別器，其局部結(jié)構(gòu)相似性損失為：

生成圖像常常存在潛在的異常像素值，而L1loss 絕對(duì)誤差損失受異常值的影響較小，同時(shí)，MS-SSIM 對(duì)圖像亮度和色彩的變化不敏感，而L1則在色彩變化方面存在優(yōu)勢(shì)，因此它們互相補(bǔ)充，獲得更好的增強(qiáng)效果。

全局L1loss 可表示為：

式中：Ig為無(wú)失真圖像；E為分布函數(shù)的期望值。

局部L1loss 可表示為：

將上述損失函數(shù)按照一定的權(quán)重線性組合，得到總的損失函數(shù)如下：

根據(jù)訓(xùn)練數(shù)據(jù)和實(shí)驗(yàn)結(jié)果，設(shè)置權(quán)重λ1～λ6的值分別為0.5、0.3、0.6、0.4、0.6、0.4，δ設(shè)定為0.5，此時(shí)水下圖像增強(qiáng)效果最好。

2 實(shí)驗(yàn)分析

2.1 數(shù)據(jù)集制作

訓(xùn)練水下圖像增強(qiáng)網(wǎng)絡(luò)需要大量的水下樣本，同時(shí)圖像樣本要滿足水下場(chǎng)景多樣、退化特點(diǎn)多樣、圖像內(nèi)容多樣的要求，所以將RUIE[21]、habcam UID[22]、SQUID[23]、UIEBD[24]4 個(gè)公開(kāi)的數(shù)據(jù)集合并為一個(gè)覆蓋多種水下場(chǎng)景、多種退化特點(diǎn)、多種內(nèi)容范圍的多分辨率水下圖像數(shù)據(jù)集，命名為CUOID（Comprehensive Underwater Original Image Database）。將CUOID 中的圖像質(zhì)量退化特點(diǎn)劃分為四類(lèi)，分別為色偏、對(duì)比度下降、細(xì)節(jié)模糊和斑點(diǎn)噪聲，其中有的水下圖像同時(shí)包含幾種退化特點(diǎn)。圖像質(zhì)量退化特點(diǎn)的統(tǒng)計(jì)數(shù)據(jù)如圖5 所示。

圖5 不同退化特點(diǎn)的真實(shí)水下圖像的占比分布

2.2 實(shí)驗(yàn)結(jié)果分析

為了直觀地表現(xiàn)提出算法的增強(qiáng)效果，將本文算法與引言提到的8 種經(jīng)典水下圖像增強(qiáng)算法在數(shù)據(jù)集CUOID 上做對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如圖6～圖9 所示。

圖6 存在色偏的水下圖像增強(qiáng)效果對(duì)比

圖7 對(duì)比度降低的水下圖像增強(qiáng)效果對(duì)比

圖8 細(xì)節(jié)模糊的水下圖像增強(qiáng)效果對(duì)比

圖9 存在斑點(diǎn)噪聲的水下圖像增強(qiáng)效果對(duì)比

由于水中光線的吸收和散射，水下圖像會(huì)呈現(xiàn)色偏現(xiàn)象。圖6 展示了在解決色偏問(wèn)題上各種算法的增強(qiáng)結(jié)果。UWCNN、RTFAN、NUICNet 算法處理后的圖像增強(qiáng)效果不明顯，色偏未明顯消除，NUICNet 處理后的圖像甚至還出現(xiàn)了過(guò)飽和、圖像亮度衰減等問(wèn)題。FUnIEGAN、UDA-Net、CA-GAN 算法局部視覺(jué)效果不夠自然，對(duì)比度低。Local-Cycle GAN 算法處理后的圖像整體偏暗。Cast-GAN 算法處理后的圖像色偏基本去除，與前幾種算法相比增強(qiáng)效果最好，但是就圖像整體來(lái)看對(duì)比度較低。

本文算法修正了圖像色偏，整體亮度提升，視覺(jué)效果更為清晰自然。從視覺(jué)效果來(lái)看，以CNN 為基礎(chǔ)網(wǎng)絡(luò)算法的增強(qiáng)效果不如以GAN 網(wǎng)絡(luò)為基礎(chǔ)的圖像增強(qiáng)算法，提出的算法圖像增強(qiáng)效果最好。

圖7 展示了在解決水下圖像對(duì)比度不強(qiáng)問(wèn)題上各種算法的增強(qiáng)結(jié)果。UWCNN 處理后的圖像對(duì)比度沒(méi)有太大改觀，RTFAN、NUICNet、FUnIE-GAN 算法處理后的圖像并沒(méi)有很好地去除遠(yuǎn)景色偏，UDA-Net、Local-Cycle GAN 算法處理后的圖像整體偏暗，且Local-Cycle GAN 出現(xiàn)局部過(guò)飽和的現(xiàn)象。相比上述算法而言，CAGAN、Cast-GAN 算法處理后的圖像效果不錯(cuò)，但是也存在遠(yuǎn)景對(duì)比度沒(méi)有得到改善的問(wèn)題。本文算法有效地增強(qiáng)了全局和局部的對(duì)比度，圖像飽和度顯著提升。

圖8 展示了在解決水下圖像細(xì)節(jié)模糊問(wèn)題上本文算法與UDA-Net、CA-GAN、Local-Cycle GAN、Cast-GAN四種以GAN 網(wǎng)絡(luò)為基礎(chǔ)模型的算法的增強(qiáng)效果比較。實(shí)驗(yàn)結(jié)果表明，其他4 種算法對(duì)細(xì)節(jié)增強(qiáng)沒(méi)有很好的體現(xiàn)，所以展示細(xì)節(jié)增強(qiáng)時(shí)只對(duì)比UDA-Net、CA-GAN、Local-Cycle GAN、Cast-GAN 這4 種算法。從圖8 可以看出，UDA-Net 和CA-GAN 處理后的圖像細(xì)節(jié)有所增強(qiáng)，但是效果不大，Cast-GAN 算法處理后的圖像雕塑人頭面部細(xì)節(jié)增強(qiáng)效果不錯(cuò)，但是水草細(xì)節(jié)沒(méi)有得到明顯改善，Cast-GAN 只注意到了中心目標(biāo)的細(xì)節(jié)問(wèn)題，沒(méi)有整體做出相應(yīng)的改善。Local-Cycle GAN 算法處理后的圖像整體偏暗，且依然存在色偏問(wèn)題。相比上述算法而言，本文算法有側(cè)重地增強(qiáng)了前景目標(biāo)的細(xì)節(jié)，從視覺(jué)效果來(lái)看，提出的算法在雕塑人頭和水草的細(xì)節(jié)處理上增強(qiáng)效果最明顯。

圖9 展示了在解決水下圖像存在斑點(diǎn)噪音問(wèn)題上，本文算法與UDA-Net、CA-GAN、Local-Cycle GAN、Cast-GAN 四種以GAN 網(wǎng)絡(luò)為基礎(chǔ)模型算法的增強(qiáng)效果比較。從視覺(jué)效果來(lái)看，UDA-Net 去噪效果不錯(cuò)但是色偏問(wèn)題沒(méi)解決，CA-GAN、Cast-GAN 算法處理后的圖像色彩飽和度不高，且去噪效果并不好。Local-Cycle GAN算法處理后的圖像色彩飽和度有所提升，但整體亮度偏暗。相比上述算法而言，本文算法去噪效果強(qiáng)，而且對(duì)比度提升較大，增強(qiáng)效果明顯。

本節(jié)的客觀評(píng)價(jià)指標(biāo)使用UCIQE、UIQM、PCQI、PSNR、SSIM 五個(gè)常用的圖像質(zhì)量評(píng)價(jià)指標(biāo)。其中，UCIQE 和UIQM 是目前較為公認(rèn)的2 種綜合性水下圖像質(zhì)量評(píng)價(jià)指標(biāo)，UCIQE 的值大表示圖像色度均勻、亮度適中、飽和度平衡；較大的UIQM 值表示圖像的清晰度和對(duì)比度更好；PCQI 值越大，表示圖像對(duì)比度越高；PSNR 是最普遍的評(píng)價(jià)圖像質(zhì)量的指標(biāo)，其值越大，圖像質(zhì)量越好；SSIM 值越大，表示增強(qiáng)后的圖像越接近真實(shí)圖像，增強(qiáng)效果越好。

表1 展示了不同方法在CUOID 數(shù)據(jù)集上測(cè)試的客觀指標(biāo)對(duì)比。其中，所有指標(biāo)值均為測(cè)試的平均值，黑色加粗表示最優(yōu)結(jié)果。

從表1 中可以看出，本文方法在CUOID 數(shù)據(jù)集上測(cè)試后的指標(biāo)只有UCIQE 位列第二，UIQM、PCQI、PSNR、SSIM 等指標(biāo)都高于其他算法。這說(shuō)明本文算法在圖像對(duì)比度、亮度、色度、飽和度的平衡效果最好，同時(shí)，圖像綜合增強(qiáng)效果最好，這與主觀評(píng)價(jià)基本一致。

表1 不同方法對(duì)水下圖像的增強(qiáng)效果客觀指標(biāo)對(duì)比

2.3 消融實(shí)驗(yàn)

本節(jié)中，在CUOID 數(shù)據(jù)集上驗(yàn)證了本文方法中每個(gè)模塊對(duì)算法性能的影響。

表2 顯示了在生成對(duì)抗網(wǎng)絡(luò)框架上不同模塊的消融實(shí)驗(yàn)結(jié)果。

表2 消融實(shí)驗(yàn)結(jié)果

從實(shí)驗(yàn)結(jié)果來(lái)看，添加了三個(gè)模塊的生成對(duì)抗網(wǎng)絡(luò)客觀評(píng)價(jià)指標(biāo)均達(dá)到最高，這表明三個(gè)模塊缺一不可，綜合起來(lái)對(duì)水下圖像的增強(qiáng)效果最好。

2.4 應(yīng)用測(cè)試

為了進(jìn)一步證明本文方法對(duì)水下圖像增強(qiáng)的有效性，利用顯著性檢測(cè)來(lái)驗(yàn)證本文方法可以幫助更好地識(shí)別圖像中最顯著的區(qū)域，如圖10 所示。與原始圖像相比，經(jīng)過(guò)本文方法增強(qiáng)過(guò)的水下圖像能夠被檢測(cè)出更多的顯著區(qū)域。這表明本文方法可以有效恢復(fù)水下圖像的局部特征和自然質(zhì)量。

圖10 顯著性檢測(cè)結(jié)果對(duì)比

利用關(guān)鍵點(diǎn)匹配測(cè)試驗(yàn)證結(jié)果如圖11 所示?？梢杂^察到，經(jīng)過(guò)本文方法增強(qiáng)過(guò)的水下圖像能夠顯著增加匹配的關(guān)鍵點(diǎn)數(shù)量，高效且準(zhǔn)確地匹配出兩個(gè)不同視角的圖像中的同一個(gè)物體。

圖11 關(guān)鍵點(diǎn)匹配結(jié)果對(duì)比

3 結(jié) 語(yǔ)

本文研究設(shè)計(jì)了一種融入注意力機(jī)制的生成對(duì)抗網(wǎng)絡(luò)水下圖像增強(qiáng)算法。相比于當(dāng)前流行的圖像增強(qiáng)算法，理論方面，引入注意力機(jī)制，聚焦目標(biāo)區(qū)域，避免了大量的矩陣運(yùn)算，對(duì)原始圖像進(jìn)行目標(biāo)區(qū)域的局部增強(qiáng)，極大地提高了圖像增強(qiáng)效率；其次，將可變形卷積、改進(jìn)的Inception-Resnet 模塊融合到生成對(duì)抗網(wǎng)絡(luò)中，更好地提升了圖像亮度和對(duì)比度，校正圖像顏色；最后，LCBA 模塊將通道信息和空間信息有效聚合，自適應(yīng)裁剪出目標(biāo)區(qū)域，局部判別器對(duì)其進(jìn)行局部判別，結(jié)合全局判別器對(duì)圖像進(jìn)行綜合判別。

實(shí)驗(yàn)方面，創(chuàng)建一個(gè)新的、綜合的水下圖像數(shù)據(jù)集，并將本文方法與當(dāng)前8 種主流的水下圖像增強(qiáng)方法進(jìn)行實(shí)驗(yàn)效果對(duì)比，分別在主觀和客觀方面評(píng)價(jià)實(shí)驗(yàn)效果。實(shí)驗(yàn)結(jié)果表明，本文方法對(duì)比當(dāng)前8 種主流的水下圖像增強(qiáng)方法不管是主觀評(píng)價(jià)還是客觀指標(biāo)均有提升。除此之外，進(jìn)行了消融實(shí)驗(yàn)以及應(yīng)用測(cè)試，以證明提出的水下圖像增強(qiáng)方法能夠快速有效地提高水下圖像的可視性。未來(lái)的工作將結(jié)合圖神經(jīng)網(wǎng)絡(luò)，深入剖析算法增強(qiáng)機(jī)理，對(duì)增強(qiáng)后的圖像進(jìn)行目標(biāo)檢測(cè)方向的改進(jìn)。