Aufgrund der Streuung schwebender Partikel im Wasser und der Lichtabsorption durch das Wasser weisen Unterwasserbilder starke Farbverfälschungen, Nebelbildung und Unschärfe auf. Um das Problem zu lösen, dass bestehende auf Deep Learning basierende Unterwasserbildverbesserungsalgorithmen einzelne Faltung und Up-/Downsampling verwenden, was zu unzureichender Merkmalsextraktion führt, wurde in dieser Arbeit ein Downsampling-Modul, ein Upsampling-Modul und ein Merkmalsextraktionsmodul basierend auf der Multiskalen-Merkmalsextraktion entwickelt. Darauf aufbauend wurde ein Unterwasserbildverbesserungsnetzwerk-Framework basierend auf der Kaskadierung von Multiskalen-Merkmalsextraktionsblöcken (MS-FEBC) vorgeschlagen. Um die Merkmalsextraktionsfähigkeit des Netzwerks weiter zu verbessern, wurde im hochdimensionalen Merkmalsraum des Netzwerks der CBAM-Attention-Mechanismus hinzugefügt. Die experimentellen Ergebnisse zeigen, dass der vorgeschlagene Algorithmus im Vergleich zu bestehenden Algorithmen die Probleme von Farbverfälschungen, Nebelbildung und Detailverlust in Unterwasserbildern effektiv löst und eine signifikante Verbesserung bei vier objektiven Bewertungsmetriken sowie eine deutliche Steigerung der Leistung bei visuellen Aufgaben wie der SIFT-Merkmalserkennung und der Canny-Kantendetektion erzielt.

Unterwasserbildverbesserung;kaskadennetzwerk;Multiskalige Merkmalsextraktion