双注意力机制与改进U-Net的水下图像增强_王海涛.pdf

电 子 测 量 技 术E L E C T R ON I CME A S UR EME N TT E CHNO L OG Y第4 6卷 第1期2 0 2 3年1月 D O I:1 0.1 9 6 5 1/j.c n k i.e m t.2 2 1 0 2 9 1双注意力机制与改进U-N e t的水下图像增强*王海涛1 林 森1 陶志勇2(1.沈阳理工大学信息科学与工程学院 沈阳1 1 0 1 5 9;2.辽宁工程技术大学电子与信息工程学院 葫芦岛1 2 5 1 0 5)摘 要:针对现有的水下增强算法存在色彩失真和去雾效果不好等问题,本文提出基于双注意力机制与改进U-N e t的水下图像增强算法。首先采用颜色校正模块对红、绿、蓝三通道进行处理,减少色偏的影响;然后将通道注意力、空间注意力与U-N e t网络相融合,对颜色校正后的图像进行去雾、去噪等处理,保留图像纹理细节的同时,实现对比度的增强;最后采用金字塔融合模块将不同分辨率的图像特征进行融合,获得视觉上清晰的图像。实验结果表明,基于U I E B D和U F O-1 2 0测试集,U C I Q E、N I Q E、S UR F以及信息熵的平均值分别为0.6 0 81、4.4 4 03、3 1.5和7.6 4 95,所提算法在主观视觉质量和客观评价指标上都优于其他经典及新颖算法,增强后水下图像去雾效果良好且在颜色校正方面也具有明显优势,显著提高了水下图像的视觉质量。关键词:图像处理;注意力机制;U-N e t;金字塔融合中图分类号:T P 3 9 1 文献标识码:A 国家标准学科分类代码:5 2 0.6 0 4 0U n d e r w a t e r i m a g e e n h a n c e m e n tb a s e do nd u a l a t t e n t i o nm e c h a n i s ma n d i m p r o v e dU-N e tW a n gH a i t a o1 L i nS e n1 T a oZ h i y o n g2(1.S c h o o l o f I n f o r m a t i o nS c i e n c ea n dE n g i n e e r i n g,S h e n y a n gL i g o n gU n i v e r s i t y,S h e n y a n g1 1 0 1 5 9,C h i n a;2.S c h o o l o fE l e c t r o n i ca n dI n f o r m a t i o nE n g i n e e r i n g,L i a o n i n gT e c h n i c a lU n i v e r s i t y,H u l u d a o1 2 5 1 0 5,C h i n a)A b s t r a c t:T h ee x i s t i n gu n d e r w a t e re n h a n c e m e n ta l g o r i t h m sh a v es o m ep r o b l e m ss u c ha sc o l o rd i s t o r t i o na n db a dd e f o g g i n ge f f e c t.T h e r e f o r e,t h i sp a p e rp r o p o s e sa nu n d e r w a t e r i m a g ee n h a n c e m e n ta l g o r i t h mb a s e do nd u a l a t t e n t i o nm e c h a n i s ma n di m p r o v e d U-N e t.F i r s t l y,t h ec o l o rc o r r e c t i o n m o d u l ei su s e dt op r o c e s st h er e d,g r e e na n db l u ec h a n n e l s t or e d u c e t h e i n f l u e n c eo f c o l o rd e v i a t i o n.T h e n,t h ec h a n n e l a t t e n t i o na n ds p a t i a l a t t e n t i o na r e f u s e dw i t ht h eU-N e tn e t w o r k,a n dt h ei m a g e sa f t e rc o l o rc o r r e c t i o na r ed e f o g g e da n dd e n o i s e dt or e t a i nt h et e x t u r ed e t a i l so ft h ei m a g e sa n de n h a n c e t h ec o n t r a s t.F i n a l l y,t h ep y r a m i df u s i o nm o d u l e i su s e dt of u s et h e i m a g ef e a t u r e sw i t hd i f f e r e n tr e s o l u t i o n s t oo b t a i na c l e a r v i s u a l i m a g e.T h ee x p e r i m e n t a l r e s u l t s s h o wt h a tb a s e do nU I E B Da n dU F O-1 2 0t e s t s e t s,t h ea v e r a g ev a l u e so fU C I Q E,N I Q E,S UR Fa n di n f o r m a t i o ne n t r o p ya r e0.6 0 81,4.4 4 03,3 1.5a n d7.6 4 95,r e s p e c t i v e l y.T h ep r o p o s e da l g o r i t h mi ss u p e r i o r t oo t h e r c l a s s i c a l a n dn o v e l a l g o r i t h m s i ns u b j e c t i v ev i s u a l q u a l i t ya n do b j e c t i v ee v a l u a t i o n i n d e x e s.T h ee n h a n c e du n d e r w a t e r i m a g eh a sg o o dd e f o g g i n ge f f e c t a n do b v i o u s a d v a n t a g e s i nc o l o rc o r r e c t i o n,w h i c hs i g n i f i c a n t l y i m p r o v e s t h ev i s u a l q u a l i t yo fu n d e r w a t e r i m a g e s.K e y w o r d s:i m a g ep r o c e s s i n g;a t t e n t i o nm e c h a n i s m;U-N e t;p y r a m i d i n t e g r a t i o n 收稿日期:2 0 2 2-0 6-1 2*基金项目:国家重点研发计划项目(2 0 1 8 Y F B 1 4 0 3 3 0 3)资助0 引 言 水下图像作为水下信息的重要载体,对于水下环境探测与感知具有不可替代的重要作用。然而由于光的吸收和漂浮颗粒的散射和扩散,目前获得的水下图像往往存在对比度低、颜色失真和清晰度差等现象,给水下生物研究、水下目标检测和海底探测等应用带来巨大的挑战。因此水下图像增强(u n d e r w a t e r i m a g ee n h a n c e m e n t,U I E)可以通过提高水下图像对比度和减少由散射和衰减引起的退化来提高水下视觉任务的可靠性。现有的传统U I E算法主要分为基于模型的算法和无模型算法。无模型算法通过提高清晰度和对比度来改善水下图像的质量,主要表现为调整给定图像的像素值,且无需显示建模图像的形成过程。调整主要在空间域执行,包括181 第4 6卷电 子 测 量 技 术直方图均衡化1、灰色世界算法2、对比度受限自适应直方图均衡化3、具有颜色恢复的视网膜增强算法4、自动白平衡5和颜色恒定性6。空间域算法可以在一定程度上改善视觉质量,但可能会加剧噪声,引入伪影,并导致颜色失真。在目前的工作中,A n c u t i等7提出了一种U I E算法,使用多尺度融合策略将对比度增强图像和颜色校正图像混合。然而,这类算法忽略了色彩失真和雾霾效应之间的相互影响,泛化性能较差。基于模型的算法引入水下场景的先验知识或估计物理模型参数(背景光或透射图)以获得清晰的图像。C h i等8估计衰减过程的模型参数,以获得清晰的图像。Y a n g等9提出水下暗通道先验(u n d e r w a t e rd a r kc h a n n e l p r i o r,U D C P),以处理水中红光的严重衰减。L i等1 0提出了一种基于最小信息损失原理和直方图分布的水下图像增强算法,然后再估计传输图。P e n g等1 1提出了一种基于图像模糊度和光吸收的深度估计算法,该算法用于水下成像模型,以增强水下图像。尽管上述算法取得了相对较好的效果,但图像质量取决于特定的场景和照明条件,甚至与温度和浊度有关,鲁棒性较差。近年来,越来越多的深度学习方法被应用于图像处理,如图像着色、颜色/对比度调整、去雾等。与其他容易获得地面真值的低层视觉问题不同,获得大量成对的退化水下图像和相应的地面真值具有挑战性,因此,大多数基于学习的U I E算法通常使用合成数据集进行训练。L i等1 2融合白平衡、伽马校正和直方图均衡化预处理的图像,以增强图像。D u d h a n e等1 3通过对每个颜色通道的特征赋予不同的权重,提出了一种基于C NN的增强算法,获得清晰的图像。目前发表的大多数基于深度学习的算法忽略了颜色和雾状模糊之间的相关性,很少有人考虑设计独特的网络结构来处理颜色校正,更多地依赖数据集或损失函数来解决。因此,本文 提 出 双 注 意 力 机 制 与 改 进U-N e t网 络(d u a la t t e n t i o n m e c h a n i s m a n d i m p r o v e d U-N e t n e t w o r k,D AM I UN),来细化颜色校正和去雾子任务,解决上述问题并获得更好的结果。1 本文算法 本文基于C NN设计了一个双注意力机制与改进U-N e t的水下增强网络,该网络不依赖于水下成像模型,可通过训练大量数据实现从退化图像到无失真图像直接端到端的水下图像清晰化。所提出的模型分为3部分,即颜色校正模块、改进U-N e t模块和金字塔融合模块,如图1所示。此外,通过线性组合多个损失函数使得图像具有更加良好的视觉感观。图1 本文算法框架注:I_r g b表示颜色校正模块的输出。1.1 颜色校正模块 在水下,光的衰减取决于光的波长,会导致不同程度的颜色失真,其中红光吸收最强,蓝绿光吸收最弱。为了减轻色偏的影响,首先将退化图像分解成R,G,B三通道,然后利用6层卷积的密集连接卷积网络(d e n s ec o n n e c t e dc o n v o l u t i o n a l n e t w o r k s,D e n s e N e t s)分别对R,G,B三通道进行颜色校正,D e n s e N e t s输入输出的特征映射维度都是1。最后,将处理之后的R,G,B三通道在维度上叠加,获得颜色校正之后的特征图像。1.2 改进U-N e t模块 对颜色校正之后的图像在不同分辨率下进行细节恢复。改进U-N e t模块分为编码器和解码器两部分,编码器对3个不同分辨率的图像进行编码,输入的分辨率分别为2 5 62 5 6,1 2 81 2 8,6 4 6 4,维度都是6 4。解码器对不同分辨率进行恢复,在解码器中,从下到上,将下层的特征相加到上层特征,与编码器形成一个U型结构,使不同分辨的特征学习更充分。在卷积层与反卷积层之后添加通道注意力模块,有效提取图像的纹理、细节和轮廓特征,属于图像的全局特征。同一层的编码解码器,使用跳跃连接将对应的编码特征和解码特征进行融合,有利于特征信息的恢复,中间层使用了空间注意力模块,空间结构特征描述了图像的主要内容,属于图像的局部特征,有效提取图像的全局特征和局部特征对水下图像增强尤为重要。1)通道注意力为了有效地提取图像的纹理、细节和轮廓特征,通道注意(c h a n n e la t t e n t i o n,C A)模块为每个通道分配一个权281王海涛 等:双注意力机制与改进U-N e t的水下图像增强第1期重值,并调整不同通道之间的特征,从而保证图像特征的完整性,有助于提升水下图像对比度。C A模块的目标是以全局方式执行特征重新校准,其中计算每个通道的摘要统计信息z,然后用于选择性地强调信息性特征映射,以及抑制无用的特征映射,C A模块的结构如图2所示。将U=u1,u2,uc表示为C A模块的输入,C A模块由大小为HW的通道特征映射组成,则z的第c个元素由以下公式计算:zc=1HWHi=1Wj=1uc(i,j)(1)为了对不同类型的特征图给予不同的关注,采用了一种带有S i g m o i d激活的门控机制来汇总统计信息,该过程如下所示:=W2C A*W1C A*z+b1C A()+b2C A()(2)其中,和分别代表S i g m o i d和R e L U函数,*表示卷积运算。WnC A和bnC A是第n个卷积层中的权重和偏差。通过上述过程,C A模块能够根据输入的信道统计信息自适应地调制信道特征,并帮助网络提高信道特征的可分辨性。图2 通道注意力2)空间注意力输入和特征图中包含的信息在空间位置上也不同,因此,为了恢复图像的主要内容,使网络对不同的局部区域具有辨别能力,将更多地关注更重要、更难增强的区域。为了利用输入的特征通道相互依赖性,空间注意(s p a t i a la t t e n t i o n,S A)模块使用两层神经网络和一个S i g m o i d函数来生成空间注意掩膜,如图3所示,输入特征被空间调制的过程可以表述为:=W2S A*W1S A*U+b1S A()+b2S A()(3)其中,和分别代表S i g m o i d和R e L U函数,*表示卷积运算。WnS A和bnS A是第n个卷积层中的权重和偏差。图3 空间注意力同时S A模块以本地方式自适应调制特征,可以与全局信道调制相互作用,以帮助网络增强代表性。1.3 金字塔融合模块 将编码解码输出的不同分辨率的图像特征进行融合,获得视觉上清晰的图像。首先对不同分辨率的输入利用平均池化层进行去噪。然后进行上采样,使分辨率恢复到2 5 62 5 6,并将其像素相加。最后,引入一个卷积层,生成一个三维图像特征,为了使恢复的图像色彩更加鲜艳,把色彩校正的输出与生成的三维图像进行叠加,获得视觉上色彩鲜明的水下清晰图像。1.4 损失函数 本文采用混合损失函数来训练网络,即S m o o t hL1损失函数1 4和感知损失函数1 5的线性组合。1)S m o o t hL1损失S m o o t hL1损失结合了L1和L2的优点,即相比于L1损失函数,可以收敛得更快;相比于L2损失函数,对离群点、异常值不敏感,梯度变化相对更小。因此S m o o t hL1损失具有稳定的梯度,使网络结构更具有鲁棒性。S m o o t hL1=0.5x2,|x|1|x|-0.5,x1(4)其中,x表示Ic-Ig,Ic表示相应的清晰图像(标签图像),Ig表示深度学习模型的输出图像。2)感知损失感知损失函数由已完成训练的C NN网络中的特征图参数定义,该函数参与训练后得到的图像细节更加逼真,感知损失定义为:LV G G=1Wi,jHi,jWi,jw=1Hi,jh=1(i,j(Ig)-i,j(Ic)2(5)其中,i,j为预训练V G G-1 9网络中第i个池化层前的第j个卷积层输出的特征图,Wi,j和Hi,j表示特征图的大小,本文i取值为4,j取值为3,即选用V G G4,3卷积层特征图来定义损失。3)整体损失通过二者线性组合得到的整体损失函数可有效提升网络鲁棒性,该函数定义为:L=S m o o t hL1+*LV G G(6)其中,权重是一个超参数,用于调整两个损失之间的比例1 6。为了避免感知损失函数过高影响网络模型对结果的输出,根据训练数据和实验结果,选取权重取值为0.0 5。2 实验结果2.1 数据集和训练 1)数 据 集:选 用 水 下 生 成 对 抗 网 络(u n d e r w a t e rg e n e r a t i v e a d v e r s a r i a l n e t w o r k s,UG AN)1 7训练获得60 0 0组图 像 对 作为 本 文 训 练集,水 下图 像 增 强 基准 数 据 集(u n d e r w a t e r i m a g e e n h a n c e m e n t b e n c h m a r k d a t a s e t,U I E B D)1 2和U F O-1 2 01 8数据集作为测试集。2)训练细节:D AM I UN算法训练与测试图像大小皆381 第4 6卷电 子 测 量 技 术为2 5 6 2 5 6,优化器为A d a m1 9,批量大小设为4,网络实现基于P y t o r c h框架,使用R T X 2 0 8 0 T iG P U。3)比较算法:为了验证本文算法有效性,在实验分析中对比多个经典和新颖算法。图像增强方面选用F u s i o n算法7,图像复原方面选用U D C P算法9,深度学习领域选用 水 下 图 像 增 强 卷 积 神 经 网 络(u n d e r w a t e ri m a g ee n h a n c e m e n tc o n v o l u t i o n a ln e u r a ln e t w o r k,UWC NN)2 0算法,W a t e r-N e t算法1 2、ML F c G AN算法2 1以及通过端到端直 接 学 习 估 计 透 射 率 与 有 雾 图 像 的D e h a z e N e t2 2算法。2.2 主观评价 首先通过色卡颜色恢复实验检测D AM I UN算法在颜色校正方面的有效性,通过对退化图像进行处理,可有效验证算法的颜色恢复效果,图4为颜色恢复实验结果。图4 颜色恢复实验 由图4观察可得,F u s i o n算法色卡图像中黄色与绿色块颜色相近,不易区分,色卡整体颜色加深。UD C P算法图像出现了明显的色彩失真,算法鲁棒性低。UWC NN算法和D e h a z e N e t算法色卡图像偏向蓝色,颜色校正效果较差。W a t e r-N e t色卡图像虽然恢复效果较好,但整体偏红色。ML F c GAN色卡图像恢复比较自然,但相同色系区分度较低,无法达到良好的视觉效果。本文算法色卡图像颜色鲜明,具有良好的视觉效果。在测试集中挑选具有代表性的水下图像,进一步验证水下图像的颜色校正和清晰度恢复,将各算法应用于复杂水下图像中,退化图像受到不同程度的色彩失真、低照度与浑浊度影响,处理结果分别如图5 7所示。图5 水下失真图像实验结果 由于水下环境对可见光存在着选择性吸收,水下图像往往出现蓝绿色偏,因此本文使用4组图像对各算法在去除蓝绿背景方面进行比对分析。由图5观察可得,针对蓝色 背 景,F u s i o n、U D C P、UWC NN、ML F c GAN和D e h a z e N e t算法均无法有效去除蓝色色偏,且W a t e r-N e t算法在主要对象(如雕像)区域可能出现红色偏重的颜色失真;针对绿色背景,U D C P和D e h a z e N e t算法无法有效去除绿色色偏,F u s i o n和ML F c G AN算法出现黄色色偏,UWC NN算法出现蓝色色偏,W a t e r-N e t算法出现红色色偏。与其他算法相比,D AM I UN算法能有效解决复杂失真问 题,使增 强 后 的 水下 图 像 有 更加 自 然 的 视觉 感 知效果。由于水下背景光照弱,在图像获取时多采用投射光源或水下发光生物等的影响,水下图像常出现非均匀光照的情况。由图6观察可知,F u s i o n算法加剧了图像非均匀光照情况,暗区域更暗,UWC NN和W a t e r-N e t算法不仅没有恢复低照度图像,还分别引入蓝色和红色色偏,U D C P、ML F c G AN和D e h a z e N e t算法处理后图像亮度提升不明显,对 低 照 度 图 像 处 理 效 果 较 差。与 其 他 算 法 相 比,D AM I UN算法对低照度图像处理效果明显,无论是暗区481王海涛 等:双注意力机制与改进U-N e t的水下图像增强第1期 图6 低照度图像实验效果图7 雾状图像实验结果域背景还是亮区域主要物体,处理效果均为最优。水下介质的散射引起图像雾状模糊,雾状模糊多具有变化缓慢的低频性质。由图7观察可知,4组图像由上到下分别为薄雾到浓雾,F u s i o n、U D C P和UWC NN算法对薄雾处理较好,但对浓雾处理效果不佳,且会引入黄、蓝色偏;ML F c G AN算法无法去除水下图像雾状模糊,且对无色偏图像引入红色色偏,对绿色背景图像引入黄色色偏;W a t e r-N e t和D e h a z e N e t算法同样无法去除雾状模糊,但不会 对 无 色 偏 图 像 造 成 颜 色 失 真;与 其 他 算 法 相 比,D AM I UN算法不仅可以处理不同程度的雾状模糊,且可以对绿色背景图像实现颜色校正。综上所述,本文算法结果图像色彩鲜明,亮度与清晰度优于各比较算法,在复杂环境下可有效解决颜色失真、低照度、高浑浊度等退化现象,算法具有强鲁棒性。2.3 客观评价 为了客观的分析本文方法的性能,通过4项客观评价指标对算法图像质量进行进一步的客观评测。1)通 过 水 下 彩 色 图 像 质 量 评 价(u n d e r w a t e rc o l o ri m a g eq u a l i t ye v a l u a t i o n,U C I Q E)2 3指标进行质量测评。U C I Q E采用C I E L a b空间的色度、饱和度与清晰度的加权组合测评水下彩色图像的质量,测评值越高表明图像在色度、饱和度与清晰度之间具有更好的平衡性能。581 第4 6卷电 子 测 量 技 术2)自 然 图 像 质 量 评 价(n a t u r a li m a g e q u a l i t ye v a l u a t o r,N I Q E)2 4指标将结果图像与已训练的模型参数进行对比得到测评结果,该测评值越小图像越接近自然状态。3)信息熵2 5表示图像信息丰富量,彩色图像熵是R,G,B这3个通道信息熵的平均值,图像的信息熵越大,信息量越多,图像质量越好。4)特征点匹配2 6通过对比处理前后图像的特征点匹配数目,验证算法的性能,特征点匹配数目越多,图像清晰度越好,测试效果如图8所示,左上角为特征点匹配数。为了使实验更具说服力,分别对2个测试集全部数据的客观 评 价 结果 取 平 均值,如 表1所示。U I E B D综 合U C I Q E、N I Q E、信息熵和S U R F指标均值效果均高于其他算法。U F O-1 2 0数据集U C I Q E、N I Q E虽低于U D C P和F u s i o n算法,但主观效果强于这2种算法。综上所述,本 图8 特征点匹配实验文算 法 增 强后 的 水 下 图像 整 体 效 果更 自 然,色 彩 恢 复更好。表1 各算法不同客观指标对比结果算法U I E B DU F O-1 2 0U C I Q EN I Q E信息熵S UR FU C I Q EN I Q E信息熵S UR FF u s i o n0.5 1 414.8 2 646.9 9 261 60.5 4 514.5 8 677.0 4 082 4UD C P0.5 9 984.5 5 897.0 2 552 30.6 1 724.7 4 427.1 1 663 5UWC NN0.4 9 184.4 2 487.1 7 711 70.5 3 734.9 7 067.2 9 012 8ML F c G AN0.5 2 606.0 2 137.2 4 682 10.5 9 026.1 3 947.4 0 133 5W a t e r-N e t0.5 2 765.2 6 457.0 2 651 50.5 8 294.7 6 997.3 1 473 0D e h a z e N e t0.5 2 974.3 8 057.1 8 611 70.5 7 484.7 8 057.2 7 323 1D AM I UN0.6 0 144.2 1 797.6 3 232 50.6 1 484.6 6 277.6 6 673 8 注:加粗字体为算法最优值,划线字体为次优值。2.4 网络复杂度 为了更好讨论不同算法的网络复杂度和运行速度,可以 用 参 数 量、浮 点 运 算 量(f l o a t i n g p o i n to p e r a t i o n s,F L O P s)和运行速度指标来衡量。参数量和F L O P s共同描述了数据经过复杂网络的计算量,数值越小,网络复杂度越低。运行速度采用每秒内可以处理的图片数量来表示,即画面每秒传输帧数(f r a m e sp e r s e c o n d,F P S),数值越大,运行速度越快,实验结果如表2所示。表2 参数量、F L O P s和F P S实验结果F u s i o nUD C PUWC NNML F c G ANW a t e r-N e tD e h a z e N e tD AM I UN参数量(M)0.0 44 8.0 21.0 90.7 4F L O P s(G)2.5 51 8.2 912 2 93.1 4F P S1.0 91.3 50.7 81 3.6 41 6.3 91.2 51 7.1 53 结 论 为解决水下图像色彩偏差及雾化现象,本文提出了基于双注意力机制与改进U-N e t的水下图像增强算法,采用颜色校正模块对R、G、B三通道进行色彩恢复,并通过通道与空间注意力融合U-N e t网络,去除雾状模糊,增强图像细节。最后为了使恢复的图像色彩更加鲜艳,把色彩校正的输出与生成的三维图像进行叠加,获得视觉上色彩鲜明的水下清晰图像。相较于其他对比算法,本文处理后图像不仅色彩鲜明、细节丰富,且网络复杂度低于所提出的经典及新颖算法。参考文献1 L IM,L I UJ,Y A N G W,e ta l.S t r u c t u r e-r e v e a l i n gl o w-l i g h ti m a g ee n h a n c e m e n tv i ar o b u s tr e t i n e x m o d e lJ.I E E E T r a n s a c t i o n s o n I m a g e P r o c e s s i n g,2 0 1 8,2 7(6):2 8 2 8-2 8 4 1.681王海涛 等:双注意力机制与改进U-N e t的水下图像增强第1期2 T I ANY,YAN GG,WAN GZ,e t a l.A p p l ed e t e c t i o nd u r i n gd i f f e r e n tg r o w t hs t a g e si no r c h a r d su s i n gt h ei m p r o v e d YO L O-V 3 m o d e lJ.C o m p u t e r s a n dE l e c t r o n i c s i nA g r i c u l t u r e,2 0 1 9,1 5 7:4 1 7-4 2 6.3 S T I MP E RV,B AU E RS,E R N S T OR F E R R,e ta l.M u l t i d i m e n s i o n a lc o n t r a s tl i m i t e da d a p t i v eh i s t o g r a me q u a l i z a t i o nJ.I E E EA c c e s s,2 0 1 9,7:1 6 5 4 3 7-1 6 5 4 4 7.4 GUO X,L IY,L I N G H.L I ME:L o w-l i g h ti m a g ee n h a n c e m e n t v i ai l l u m i n a t i o n m a p e s t i m a t i o nJ.I E E E T r a n s a c t i o n s o n I m a g e P r o c e s s i n g,2 0 1 6,2 6(2):9 8 2-9 9 3.5 HUANG X,XU D,CHE N J,e ta l.S m a r t p h o n e-b a s e d a n a l y t i c a l b i o s e n s o r sJ.A n a l y s t,2 0 1 8,1 4 3(2 2):5 3 3 9-5 3 5 1.6 T S CHAN D L P,R O S E N D AHL C,K I T T L E R H.T h eHAM 1 0 0 0 0d a t a s e t,al a r g ec o l l e c t i o no fm u l t i-s o u r c ed e r m a t o s c o p i ci m a g e so fc o mm o n p i g m e n t e ds k i n l e s i o n sJ.S c i e n t i f i cD a t a,2 0 1 8,5(1):1-9.7 A N C U T I C,A N C U T I C O,HA B E R T,e t a l.E n h a n c i n gu n d e r w a t e ri m a g e sa n dv i d e o sb yf u s i o nC.P r o c e e d i n g so fC o n f e r e n c eo n C o m p u t e r V i s i o na n dP a t t e r nR e c o g n i t i o n.L o sA l a m i t o s:I E E E C o m p u t e rS o c i e t yP r e s s,2 0 1 2:8 1-8 8.8 CH I AN G J Y,CHE N Y C.U n d e r w a t e r i m a g ee n h a n c e m e n t b yw a v e l e n g t hc o m p e n s a t i o na n dd e h a z i n gJ.I E E ET r a n s a c t i o n so nI m a g eP r o c e s s i n g,2 0 1 1,2 1(4):1 7 5 6-1 7 6 9.9 YANGH Y,CHE NPY,HUAN GCC,e ta l.L o wc o m p l e x i t yu n d e r w a t e ri m a g ee n h a n c e m e n tb a s e do nd a r kc h a n n e lp r i o rC.P r o c e e d i n g so f2 0 1 1S e c o n dI n t e r n a t i o n a lC o n f e r e n c eo nI n n o v a t i o n s i nB i o-i n s p i r e dC o m p u t i n ga n d A p p l i c a t i o n s,L o s A l a m i t o s:I E E EC o m p u t e rS o c i e t yP r e s s,2 0 1 1:1 7-2 0.1 0 L ICY,GUOJC,C ON G R M,e ta l.U n d e r w a t e ri m a g e e n h a n c e m e n t b y d e h a z i n g w i t h m i n i m u mi n f o r m a t i o nl o s sa n dh i s t o g r a m d i s t r i b u t i o np r i o rJ.I E E E T r a n s a c t i o n s o n I m a g e P r o c e s s i n g,2 0 1 6,2 5(1 2):5 6 6 4-5 6 7 7.1 1 P E N G Y T,C O S MAN P C.U n d e r w a t e ri m a g er e s t o r a t i o n b a s e d o n i m a g e b l u r r i n e s s a n d l i g h ta b s o r p t i o nJ.I E E ET r a n s a c t i o n s o n I m a g eP r o c e s s i n g,2 0 1 7,2 6(4):1 5 7 9-1 5 9 4.1 2 L IC,GUOC,R E N W,e ta l.A nu n d e r w a t e r i m a g ee n h a n c e m e n tb e n c h m a r kd a t a s e t a n db e y o n dJ.I E E ET r a n s a c t i o n s o n I m a g e P r o c e s s i n g,2 0 1 9,2 9:4 3 7 6-4 3 8 9.1 3 DU DHAN E A,HAMB A R D E P,P A T I L P,e ta l.D e e pu n d e r w a t e ri m a g er e s t o r a t i o na n db e y o n dJ.I E E ES i g n a lP r o c e s s i n gL e t t e r s,2 0 2 0,2 7:6 7 5-6 7 9.1 4 G I R S H I C K R.F a s tR-C NNC.P r o c e e d i n g so ft h eI E E Ei n t e r n a t i o n a l c o n f e r e n c eo nc