Debido a la dispersión de partículas en suspensión en el agua y a la absorción de luz por parte del agua, las imágenes submarinas presentan desviaciones graves de color, neblina y desenfoque. Para abordar el problema de que los algoritmos actuales de mejora de imágenes submarinas basados en aprendizaje profundo usan convoluciones simples y muestreo ascendente y descendente, lo que conduce a una extracción insuficiente de características de la imagen, este artículo construyó módulos de muestreo descendente, muestreo ascendente y extracción de características basados en la extracción de características a múltiples escalas, y sobre esta base propuso un marco de red de mejora de imágenes submarinas basado en la concatenación en cascada de bloques de extracción de características a múltiples escalas (MS-FEBC). Para mejorar aún más la capacidad de extracción de características de la red, se añadió el mecanismo de atención CBAM en el espacio de características de alta dimensión de la red. Los resultados experimentales muestran que, en comparación con los algoritmos existentes, el algoritmo propuesto resuelve eficazmente problemas de desviación de color, neblina y pérdida de detalles en imágenes submarinas, con mejoras significativas en cuatro indicadores de evaluación objetivos y un aumento notable en el rendimiento de tareas visuales como la detección de puntos SIFT y la detección de bordes Canny.

mejora de imágenes submarinas;red en cascada;extracción de características a múltiples escalas