Devido à dispersão de partículas em suspensão na água e à absorção de luz pelo meio aquático, as imagens subaquáticas apresentam sérios desvios de cor, neblina e desfoque. Para abordar o problema dos algoritmos atuais de aprimoramento de imagens subaquáticas baseados em aprendizado profundo, que utilizam convolução única e métodos de amostragem ascendente e descendente, resultando em extração insuficiente de características da imagem, este artigo construiu módulos de amostragem descendente, amostragem ascendente e extração de características baseados em extração multiescala, e com base nisso propôs uma estrutura de rede para aprimoramento de imagens subaquáticas baseada na concatenação em cascata de blocos de extração multiescala (MS-FEBC). Para melhorar ainda mais a capacidade de extração de características da rede, foi adicionada a atenção CBAM no espaço de características de alta dimensão da rede. Os resultados experimentais demonstram que, em comparação com os algoritmos existentes, o método proposto resolve efetivamente os problemas de desvio de cor, neblina e perda de detalhes nas imagens subaquáticas, com melhorias significativas em quatro indicadores objetivos de avaliação e desempenho visual claramente aprimorado nas tarefas de detecção de pontos SIFT e detecção de bordas Canny.

aprimoramento de imagens subaquáticas;rede em cascata;extração multiescala de características