《表2 水下场景系数估计方法对比分析》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《水下光学图像中目标探测关键技术研究综述》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

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。