Poprawa jakości obrazów podwodnych poprzez połączenie metody Deep‑Retinex i sieci GAN

Ulepszanie obrazów podwodnych ma kluczowe znaczenie dla różnych zastosowań, takich jak rozwój zasobów morskich, fotografia podwodna, nadzór i obrazowanie naukowe. Jednak środowisko podwodne stwarza wyzwania, takie jak zniekształcenie kolorów, niski kontrast i słaba widoczność, z którymi tradycyjne techniki przetwarzania obrazów z trudnością sobie radzą skutecznie. W odpowiedzi na to wyzwanie w niniejszym artykule zaproponowano innowacyjne podejście o nazwie Deep Retinex GAN, które łączy wstępne przetwarzanie Deep Retinex i generatywne sieci przeciwstawne (GAN) w celu udoskonalenia obrazów podwodnych. Początkowo obrazy podwodne są przetwarzane przy użyciu Deep Retinex w celu rozdzielenia ich na składniki refleksyjne i iluminacyjne, co zmniejsza zniekształcenia kolorów i poprawia kontrast. Następnie obrazy o zwiększonej refleksyjności są wykorzystywane jako dane wejściowe warunkowe dla modelu GAN, umożliwiając mu naukę mapowania do domeny docelowej o lepszym oświetleniu, teksturze i ostrości. Oceny eksperymentalne przeprowadzone zarówno na syntetycznych, jak i rzeczywistych zbiorach danych obrazów podwodnych wykazują przewagę proponowanej metody w porównaniu z istniejącymi technikami, osiągając PSNR na poziomie 34,741 dB, SSIM na poziomie 0,978 i CF(ΔE) na poziomie 8,2, a także zauważalną redukcję artefaktów. Oceny jakościowe dodatkowo podkreślają zdolność tej metody do uzyskiwania przyjemnych dla oka i realistycznych wyników. Proponowane podejście wykazuje duży potencjał w szerokim zakresie zastosowań podwodnych, w tym fotografii, nadzoru, eksploracji i badań naukowych, poprzez znaczne poprawienie jakości i interpretowalności obrazów podwodnych w różnych dziedzinach.