Um Probleme der Farbverfälschung, Kontrastminderung und Detailunschärfe bei Unterwasserbildern zu lösen, wird in dieser Arbeit ein Unterwasserbildverbesserungsalgorithmus basierend auf farbprioritätsgesteuertem und aufmerksamkeitsmechanismus vorgeschlagen. Es wurden bayesianische posterioren Merkmals-Extraktionsmodule und farbprioritätsgesteuerte Aufmerksamkeitsmodule entworfen, welche die farbprioritätskorrigierten Bilder und die Originalbilder verschmelzen und den Bildverbesserungsprozess mithilfe von Farbprioritätsinformationen leiten, wodurch die Belastung der Farbwiederherstellung im Netztraining verringert wird. Es wurde ein hybrides mehrskaliges Aufmerksamkeitsmodul entwickelt, um die Merkmalsdarstellungsfähigkeit wichtiger Bereiche zu verbessern. Ein doppelachsig entkoppeltes Aufmerksamkeitsmodul wurde eingeführt, das Merkmalredundanz auf der Flaschenhals-Ebene eliminiert und Überanpassung unterdrückt, wodurch die Detailwiederherstellung weiter verbessert wird. Die experimentellen Ergebnisse zeigen, dass der vorgeschlagene Algorithmus PSNR/SSIM-Werte von 24,33/0,9109, 28,40/0,8859, 29,00/0,8991 auf den gebräuchlichen Datensätzen UIEB, UFO, EUVP erreicht hat und damit bestehende Methoden übertrifft; zudem wurden die UIQM- und UCIQE-Indikatoren der durch den Algorithmus verbesserten Bilder im Vergleich zu den Originalbildern durchschnittlich um 12,81% bzw. 5,19% verbessert, was die Wirksamkeit des Algorithmus bei der Verbesserung der Bildschärfe, der strukturellen Ähnlichkeit und der visuellen Wirkung bestätigt.

Unterwasserbildverbesserung; Farbpriorität; Aufmerksamkeitsmechanismus