Um die Probleme starker Farbverzerrungen und niedrigen Kontrasts bei Unterwasserbildern zu lösen, die durch Lichtabsorption und Streuung verursacht werden, schlägt dieser Artikel eine Methode zur Verbesserung von Unterwasserbildern vor, die ein leichtgewichtiges Merkmalsfusion-Netzwerk mit einer Multifarbkorrektur kombiniert. Zunächst wird ein Merkmalsfusion-Netzwerk mit Encoder-Decoder-Struktur verwendet, das konvolutionale Schichten durch selbst-konstruierte Blöcke ersetzt, um die Farbverzerrung bei Unterwasserbildern zu korrigieren. Das verbesserte Merkmalsfusion-Modul im Netzwerk reduziert die Zerstörung der räumlichen Bildstruktur durch vollverbundene Schichten, schützt räumliche Merkmale und verringert die Anzahl der Parameter im Modul. Gleichzeitig extrahiert das verbesserte Aufmerksamkeitsmodul parallel Pooling-Berechnungen, um Texturdetails aus den Merkmalskarten zu gewinnen und Hintergrundinformationen zu schützen. Anschließend wird ein Mehrfarbenmodell-Korrekturmodul verwendet, das anhand der Beziehungen zwischen Pixeln korrigiert, die Farbverzerrung weiter reduziert und Kontrast sowie Helligkeit verbessert. Experimentelle Ergebnisse zeigen, dass im Vergleich zu den neuesten Bildverbesserungsmethoden auf Referenzbilddatensätzen die durchschnittlichen Werte der Bewertungsmetriken NRMSE, PSNR und SSIM unseres Verfahrens um 9,3 %, 3,7 % bzw. 2,3 % gegenüber dem zweitplatzierten Verfahren verbessert wurden. Auf Datensätzen ohne Referenzbilder wurden die durchschnittlichen Bewertungswerte für UCIQE, IE und NIQE unseres Verfahrens um 6,0 %, 2,9 % bzw. 4,5 % gegenüber dem zweitplatzierten Verfahren verbessert. Insgesamt kann unsere Methode unter Berücksichtigung subjektiver Wahrnehmung und objektiver Bewertung Farbabweichungen in Unterwasserbildern korrigieren, den Kontrast und die Helligkeit verbessern und die Bildqualität erhöhen.

Bildverarbeitung;Neuronale Netzwerke;Aufmerksamkeitsmechanismus;Farbmodelle;Encoder-Decoder-Struktur