
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于物理原理的GPRF-HPNet纹理感知融合技术,用于真实水下图像增强
《Scientific Reports》:GPRF-HPNet Physics-guided texture-aware fusion for real-world underwater image enhancement
【字体: 大 中 小 】 时间:2026年06月13日 来源:Scientific Reports 3.9
编辑推荐:
摘要水下图像会受到波长依赖的衰减和多次散射的影响,这往往会导致严重的颜色偏差、遮蔽效应以及对比度下降。这些缺陷会削弱特征检测、特征匹配、边缘提取和物体识别等关键视觉功能的稳定性,进而影响水下机器人的视觉导航、结构检测和环境监测等应用。为在保持局部纹理细节的同时提升整体颜色一致性,
水下图像会受到波长依赖的衰减和多次散射的影响,这往往会导致严重的颜色偏差、遮蔽效应以及对比度下降。这些缺陷会削弱特征检测、特征匹配、边缘提取和物体识别等关键视觉功能的稳定性,进而影响水下机器人的视觉导航、结构检测和环境监测等应用。为在保持局部纹理细节的同时提升整体颜色一致性,我们提出了一种基于物理原理、兼顾纹理信息的真实水下图像增强方法(GPRF-HPNet)。在预处理阶段,利用YCbCr域的衰减图来指导颜色校正,随后通过熵驱动的双直方图方法提升整体对比度。得到的中间图像再通过梯度加权的小波融合技术结合,从而保留结构信息和精细的纹理细节。接着,构建四个方向上的高频Gabor纹理图,即\(\:0^\circ\:,45^\circ\:,90^\circ\:\)和135°方向,作为明确的纹理先验信息。这些纹理图会被传递给与负责结构和颜色处理的主体分支并行运行的纹理分支。一个并行的残差融合单元会对两个分支进行联合特征提取,学习自适应权重,生成融合后的特征表示,最后通过轻量级解码器还原出增强后的图像。在Color-Check7、Test-C60和UCCS数据集上的大量实验表明,该方法在UIQM、UCIQE等六项指标上均取得了稳定的提升效果,在几何旋转估计和边缘检测等后续任务中表现更为可靠,且在不同类型的水下场景中都具有很强的泛化能力。