Die bestehenden auf Deep Learning basierenden Algorithmen verwenden eine Kodierungs- und Decodierungsmethode zur Verbesserung von Unterwasserbildern in hochdimensionalen Merkmalen, wobei die degradationsbedingten Unterschiede der Kanäle von Unterwasserbildern nicht berücksichtigt werden, was zu allgemein schlechten Verbesserungsergebnissen führt. Um dieses Problem zu lösen, wurde ein kanaladaptiertes Unterwasserbildverbesserungsalgorithmus auf Pixelebene vorgeschlagen, der die R-, G- und B-Kanäle des Unterwasserbildes auf Pixelebene verbessert. Dieser Algorithmus ist in 4 Phasen unterteilt, und der vollständige Verbesserungsprozess wird durch die extrahierte Kanalmerkmale in den 4 Phasen abgeschlossen. Zunächst werden durch lokale und globale Semantik des Verbesserungsnetzwerks die Kanalabschwächungen optimiert, um die Farbkanäle des Kontexts zu reparieren; zweitens werden durch den Aufmerksamkeitsmechanismus räumliche und Kanalmerkmale aggregiert und irrelevante sprunghafte Farbortungsinformationen unterdrückt; dann wird durch Optimierung des Aufmerksamkeitsmechanismus das adaptive Feature angepasst; schließlich wurde zur Verbesserung der Farbschiefenkorrekturfähigkeit des Algorithmus ein Farbkorrekturmodul vorgeschlagen, das in der vierten Phase zur weiteren Anpassung des Farbtons des Bildes verwendet wird. Im Vergleich zu anderen Algorithmen auf den UIEB- und EUVP-Datensätzen verbessert der Algorithmus in diesem Artikel den PSNR-Wert um 14,35 %, SSIM um 5,8 %, UIQM um 3,2 % und UCIQE um 13,7 % und erzielt subjektiv die besten Effekte.

Unterwasserbildverbesserung; Kanalverbesserung; Pixelebene Verbesserung; Deep Learning