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

تصاویر زیرآب علی‌رغم این که می‌توانند کاربردهای صنعتی و علمی ارزشمندی داشته باشند، اغلب کیفیت نامطلوبی دارند، به‌طوری که اکثر عملیات پردازش تصویر و بینایی ماشین روی آن‌ها همواره با چالش مواجه است. در این پژوهش، سامانه‌ای با عنوان Water-HybNet برای بهبود کیفیت تصاویر زیر آب معرفی می‌شود. 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 کانال‌های تعادل سفید، متعادل‌سازی هیستوگرام و تصحیح گاما نیز استفاده می‌شود. همچنین برای اصلاح و بهبود ورودی های شبکه، از واحدهای پردازشی کوچکی برای کاهش هاله‌ها و مصنوعات موجود در تصاویر استفاده می‌شود. طراحی معماری Water-HybNet، منطبق با کاربرد مورد هدف، و نیز بهره‌گیری از ترکیب مناسبی از کانال‌های تاثیرگذار تصویر در استخراج نقشه اطمینان، نوآوری‌های اصلی این پژوهش هستند. Water-HybNet بر روی مجموعه داده استاندارد UIEB، شامل 950 تصویر واقعی از زیر آب، آزمایش شده و با استفاده از معیارهای مرجع کامل MSE، PSNR و SSIM با دیگر روش‌های به‌روز مقایسه می‌شود. در کنار نتایج بصری که نشان دهنده بهبود قابل ملاحظه در ساختار و بافت تصاویر خروجی در مقایسه با روش‌های موجود است، در ارزیابی کمی نتایج نیز این سامانه در معیار MSE، PSNR و SSIM به ترتیب امتیازهای 756/0، 65/19 و 8284/0 را کسب می‌کند که بالاترین امتیاز کسب شده در مقایسه با سایر روش‌ها است. به‌طوری که بهبود 4 درصدی در تمامی معیار‌های مورد مقایسه نسبت به موفق‌ترین روش مبتنی بر یادگیری عمیق را دارد و بهبود 11 درصدی در معیار PSNR، بهبود 6 درصدی در معیار SSIM و بهبود 49 درصدی در معیار MSE نسبت به موفق‌ترین روش کلاسیک موجود را کسب می‌کند.