《表2 水下场景系数估计方法对比分析》
常用的场景系数估计方法有基于改进暗通道先验理论(DCP)的方法和基于深度学习的方法,如表2所示。基于改进DCP的方法多数基于特定的假设,在特定环境中能很好地校正色偏和去雾,但一些假设忽略了前向散射的影响,并不适用于所有的水下环境,鲁棒性不强,且易受非均匀光照的影响。基于深度学习的方法,如用于学习透射率图的水下残卷积神经网络(URCNN)、水下图像复原网络(UIRNet)及水下图像实时颜色校正的无监督生成对抗网络(WaterGAN)等[24],通过有效的网络训练在一定程度上降低了基于DCP假设方法的估计误差,但在水质较为浑浊的情况下,URCNN出现曝光过度的现象。此外,网络越深,参数越多越复杂,给网络训练带来一定的影响。
图表编号 | XD00162233300 严禁用于非法目的 |
---|---|
绘制时间 | 2020.03.25 |
作者 | 林森、赵颍 |
绘制单位 | 辽宁工程技术大学电子与信息工程学院、中国科学院沈阳自动化研究所机器人学国家重点实验室、中国科学院机器人与智能制造创新研究院、辽宁工程技术大学电子与信息工程学院、辽宁工程技术大学研究生学院 |
更多格式 | 高清、无水印(增值服务) |