En raison de la diffusion des particules en suspension dans l'eau et de l'absorption de la lumière par l'eau, les images sous-marines présentent de graves dominantes colorées, de la brume et du flou. Face au problème des algorithmes actuels d'amélioration d'images sous-marines basés sur l'apprentissage profond qui utilisent une seule convolution et des méthodes d'échantillonnage vers le haut et vers le bas, entraînant une extraction insuffisante des caractéristiques de l'image, cet article construit des modules de sous-échantillonnage, de sur-échantillonnage et d'extraction de caractéristiques basés sur l'extraction de caractéristiques multi-échelles, et propose sur cette base un cadre réseau d'amélioration d'images sous-marines basé sur le chaînage de blocs d'extraction de caractéristiques multi-échelles (MS-FEBC). Pour améliorer encore la capacité d'extraction des caractéristiques du réseau, un mécanisme d'attention CBAM a été ajouté dans l'espace des caractéristiques à haute dimension du réseau. Les résultats expérimentaux montrent que, par rapport aux algorithmes existants, la méthode proposée résout efficacement les problèmes de dominante couleur, de brume et de perte de détails présents dans les images sous-marines, avec une amélioration significative sur quatre indicateurs d'évaluation objectifs, et une amélioration notable des performances dans les tâches visuelles de détection de points caractéristiques SIFT et de détection de contours Canny.

amélioration d'images sous-marines;réseau en cascade;extraction de caractéristiques multi-échelles