【论文阅读】A DEEP CNN METHOD FOR UNDERWATER IMAGE ENHANCEMENT的详解

论文：A DEEP CNN METHOD FOR UNDERWATER IMAGE ENHANCEMENT
作者：Yang Wang
年份：2017
期刊： IEEE International Conference on Image Processing

摘要

本文提出一个名为UIE-Net的基于CNN的水下图像增强框架，为更好地提取局部块中的固有特征，首次提出了一种像素破坏策略，可以有效提高收敛速度和准确性。该框架包含两个子网：CC-Net，HR-Net。CC-Net在不同通道内输出色彩吸收系数，用于校正水下图像的色彩失真。 HRNet输出光衰减的透射图，该图用于增强水下图像的对比度。

1 介绍

优点

1.该映射可从输入的水下图像估计色彩校正的图像和透射图，在目标场景上不需要额外标签
2.UIE-net接受了两项任务的训练：色彩校正和去雾，
3.像素破坏策略用于抑制局部块中包含的微小纹理的干扰，提高了学习过程的收敛速度和准确性。
4.合成数据集包含不同程度的颜色失真和雾度。提出的深层网络（UIE-Net）使用合成的水下图像进行训练。UIE-Net具有两个分支：色彩校正网络（CC-Net）和去雾网络（HR-Net），它们可以分别输出色彩校正的图像和透射图。

现有的水下图像增强方法

现有的水下图像增强方法可以分为两大类：
（1）基于图像的算法:直接从捕获的水下图像估计透射图，然后用于颜色校正和去雾
（2）基于模型的算法:考虑了水下光学特性，以更好地描述成像过程。
共性：利用各种假设，导致在特定场景工作的不太好。
本文提出了基于卷积神经网络（CNN）的跨场景水下图像增强的端到端框架，目标是学习从水下图像到色彩校正图像和透射图的映射，然后将其用于跨场景水下图像增强。

需要克服的挑战

（1）不同的水下场景具有不同的色彩失真和光学透射率。先前工作使用的各种假设/约束对跨场景的适应性较低。
（2）水下图像经常遭受颜色失真和模糊成像。由于色彩失真和模糊成像之间存在相互联系，因此难以提取图像特征以将水下图像映射到色彩校正的图像和透射图。
（3）假设局部变化在一个小区域内恒定的，但在图像块中包含的微小纹理对这个假设会引入干扰。直接使用很难获得好的结果。
（4）在训练水下图像增强的深度模型时，还没有大量的标记数据可供采集，这些标记数据包括水下场景的清晰和退化图像对。

2 提出的方法

2.1 水下成像模型

所捕获的水下图像主要由两部分组成：（1）物体表面反射的光的直接透射（2）水中存在的悬浮颗粒散射的光的透射。

UIE-Net的层设计包括：S-Net，CC-Net，HR-Net

2.3 像素破坏策略

UIE-Net使用了以前的假设：假设图像块中的颜色失真和雾度是恒定的。局部平滑度假设对于水下图像增强至关重要。但是，图像块中包含的空间信息（例如，细小的纹理，有色的噪点）可能对颜色校正和除雾引入干扰。首先，微小的纹理会打乱块的平滑度。其次，学习到的特征可能会受到微小纹理和噪点的影响，这会妨碍颜色校正和除雾。为了抑制这些干扰，提出像素破坏策略：破坏块中的所有像素，这可以抑制微小的纹理和颜色噪声的干扰，而不会改变颜色失真和雾度的任何特征。

3 实验

UIE-Net采用破坏策略的训练损失和测试损失比采用通用数据的少。
图像的熵越高意味着该图像中包含更多信息；PCQI越高意味着图像的对比度越好

结果