Water-HybNet: یک شبکه عصبی عمیق ترکیبی برای بهبود کیفیت تصاویر زیر آب

تصاویر زیرآب علی رغم این که می توانند کاربردهای صنعتی و علمی ارزشمندی داشته باشند، اغلب کیفیت نامطلوبی دارند، به طوری که اکثر عملیات پردازش تصویر و بینایی ماشین روی آن ها همواره با چالش مواجه است. در این پژوهش، سامانه ای با عنوان Water-HybNet برای بهبود کیفیت تصاویر زیر آب معرفی می شود. برای این سامانه یک شبکه عصبی عمیق ترکیبی، جهت یادگیری استخراج یک نقشه اطمینان کارآمد در فرایند بهبود کیفیت تصاویر، طراحی شده است. به منظور تولید یک نقشه اطمینان مطلوب، علاوه بر تصویر خام ورودی، از کانال های تعادل سفید، متعادل سازی هیستوگرام و تصحیح گاما نیز استفاده می شود. همچنین برای اصلاح و بهبود ورودی های شبکه، از واحدهای پردازشی کوچکی برای کاهش هاله ها و مصنوعات موجود در تصاویر استفاده می شود. طراحی معماری Water-HybNet، منطبق با کاربرد مورد هدف، و نیز بهره گیری از ترکیب مناسبی از کانال های تاثیرگذار تصویر در استخراج نقشه اطمینان، نوآوری های اصلی این پژوهش هستند. Water-HybNet بر روی مجموعه داده استاندارد UIEB، شامل ۹۵۰ تصویر واقعی از زیر آب، آزمایش شده و با استفاده از معیارهای مرجع کامل MSE، PSNR و SSIM با دیگر روش های به روز مقایسه می شود. در کنار نتایج بصری که نشان دهنده بهبود قابل ملاحظه در ساختار و بافت تصاویر خروجی در مقایسه با روش های موجود است، در ارزیابی کمی نتایج نیز این سامانه در معیار MSE، PSNR و SSIM به ترتیب امتیازهای ۷۵۶/۰، ۶۵/۱۹ و ۸۲۸۴/۰ را کسب می کند که بالاترین امتیاز کسب شده در مقایسه با سایر روش ها است. به طوری که بهبود ۴ درصدی در تمامی معیار های مورد مقایسه نسبت به موفق ترین روش مبتنی بر یادگیری عمیق را دارد و بهبود ۱۱ درصدی در معیار PSNR، بهبود ۶ درصدی در معیار SSIM و بهبود ۴۹ درصدی در معیار MSE نسبت به موفق ترین روش کلاسیک موجود را کسب می کند.

کلیدواژه ها:

شبکههای عصبی عمیق ، افزایش ، ۱ تصاویر زیرآب ، کیفیت تصویر ، شبکه عصبی هم آمیختی یادگیری عمیق