Из-за рассеяния взвешенных частиц в воде и поглощения света водой подводные изображения имеют серьезные цветовые искажения, затуманенность и размытость. В связи с проблемой существующих алгоритмов улучшения подводных изображений на основе глубокого обучения, использующих одиночные сверточные и апсемплинговые операции, что приводит к недостаточному извлечению признаков изображения, в данной работе построены модули понижающей выборки, повышающей выборки и извлечения признаков на основе многомасштабного извлечения признаков, и на их основе предложена сетевая архитектура для улучшения подводных изображений на основе каскада многомасштабных блоков извлечения признаков (MS-FEBC). Для дальнейшего улучшения способности сети к извлечению признаков в пространстве признаков высокой размерности добавлен механизм внимания CBAM. Экспериментальные результаты показывают, что по сравнению с существующими алгоритмами предложенный метод эффективно решает проблемы цветового сдвига, затуманенности и потери деталей в подводных изображениях, значительно улучшая четыре объективных показателя оценки и значительно повышая производительность задач визуального обнаружения, таких как детекция ключевых точек SIFT и краевая детекция Canny.

улучшение подводных изображений;каскадная сеть;многомасштабное извлечение признаков