Enhancement of underwater images on improved StarGAN by mixed attention module
-
摘要:
围绕水下图像色偏和模糊的特点，针对不同浑浊度的水下图像差异较大问题，提出了一种基于混合注意力模块 (Convolutional block attention module, CBAM) 改进的星型生成对抗网络 (Star generative adversarial networks, StarGAN) 用于水下多浑浊图像增强。首先使用水下相机采集实验室和养殖平台环境2组水下多浊度图像数据集；其次优化StarGAN，在每个ResidualBlock模块后引入一个由通道注意力模块和空间注意力模块串联组成的CBAM；最后进行消融实验，并与其他方法比较，使用水下图像质量评估 (Underwater image quality measurement, UIQM)、水下彩色图像质量评估 (Underwater color image quality evaluation, UCIQE) 和图像熵作为图像质量评价指标。结果表明，实验室数据集增强后，UIQM达到1.18，UCIQE达到30.13，图像熵达到12.83；养殖平台数据集增强后，UIQM达到0.52，UCIQE达到10.35，图像熵达到9.94。该方法对实验室和养殖平台环境中不同浑浊度的图像增强均有较好的效果，在消融实验及与其他方法的比较中，该方法的得分均为最高。
Abstract:Based on the characteristics of color cast and blur in underwater images, we proposed a StarGAN (Star generative adversarial networks) based on CBAM (Convolutional block attention module) improvement for the underwater multi turbidity image enhancement to address the problem of significant differences in underwater images with different turbidity levels. First, we collected two sets of underwater turbidity image datasets from laboratory and aquaculture platform environments by using an underwater camera. Secondly, we optimized StarGAN by introducing a CBAM consisting of a channel attention module and a spatial attention module in series after each ResidualBlock module. Finally, we conducted ablation experiments and compared them with other methods by using UIQM (Underwater color image quality measurement), UCIQE (Underwater color image quality evaluation)and Image entropy as image quality evaluation indicators. The results show that UIQM reached 1.18, UCIQE reached 30.13 and Image entropy reached 12.83 of the enhanced laboratory dataset. UIQM reached 0.52, UCIQE reached 10.35 and Image entropy reached 9.94 of the enhanced aquaculture platform dataset. The experimental results indicate that in ablation experiments and compared with the other methods, this method has a good effect on enhancing multi turbidity images, with the highest scores.
-
微卫星(microsatellite)DNA是由1~6个核苷酸为单位多次串联重复的简单序列，又称简短串联重复序列(short tandem repeat，STR)、简单序列重复(simple sequence repeat，SSR) 或简单序列长度多态性(simple sequence length polymorphism，SSLP)，是20世纪80年代末发展起来的一种分子标记。微卫星具有高度的多态性[1]和共显性，在真核生物基因组中随机分布，每代变异超过2%[2]。其分析可以分辨一个碱基对的差异[3]，且等位基因的条带易于识别和解释，比其它分子标记带来更多的信息量[4]。因此在种群遗传结构分析、种群遗传多样性检测、遗传图谱的构建及生产性状位点的连锁分析与QTL定位分析中得到了广泛的应用[5-7]。
由于不同种类之间的微卫星引物序列通用性较差。因此必须首先从实验生物基因组中获得微卫星DNA序列，设计引物，筛选多态性微卫星标记。然而筛选微卫星座位的工作繁重，其使用受到一定的限制。随着分子生物学技术的发展，相继产生了一些新的微卫星DNA分离方法。本文对几种微卫星位点分离技术进行介绍并对其进行分析比较，为选择适合的方法提供参考。
1. 微卫星位点的分离方法
1.1 生物信息学方法(Data mining)与近缘种交叉扩增(cross amplification)
获得微卫星最简捷的途径就是通过互连网从公共数据库(如EMBL、GenBank、EST数据库等)查找微卫星DNA，如河豚(Fugu rubripes)[8]、中国明对虾(Fenneropenaeus orientalis)[9]和栉孔扇贝(Chlamys farreri)[10]等。徐鹏等[9]利用生物信息学方法从10 446个中国明对虾ESTs序列中筛选微卫星DNA，共发现微卫星序列229个，占整个ESTs数据的2.19%，其中含双碱基重复序列146个和3碱基重复序列58个，分别占在ESTs微卫星序列总数的63.76%和25.33%，大部分为完美型(perfect)的重复序列。根据筛选的微卫星序列设计19对引物并进行多态性检测，在有扩增产物的16对引物中，首次筛选得到8个中国明对虾微卫星标记。其次，利用近缘种的已知微卫星引物进行交叉扩增(cross amplification)筛选也可获得一定的有效微卫星引物。鲁双庆等[11]研究了鲤(Cyprinus carpio)微卫星引物对远缘种黄鳝(Monopteras albus)的适用性。结果显示，31对鲤微卫星引物中有11对引物能对黄鳝DNA模板扩增出特异性带谱。每对引物扩增的等位基因数3~13个，平均每个位点5.6个，显示了较高的多态性。林凯东等[12]首次将鲤的微卫星引物用于草鱼(Ctenopharyngodon idellus)基因组分析。
1.2 小片段DNA克隆法(small DNA fragments cloning)
此方法的基本原理是构建目标生物基因组小片段DNA文库，通过杂交筛选出含有微卫星序列的阳性克隆。首先用限制性内切酶充分消化DNA，琼脂糖凝胶电泳，选取400~900 bp片段克隆，构建基因组文库。然后将重组克隆转移到杂交膜上，采用32P标记的重复序列探针如(AT)n进行杂交，放射自显影，获得阳性克隆、测序，设计PCR引物并进行扩增筛选(图 1)。
![]()
图 1 微卫星分离的小片段克隆法(左)和PIMA方法(右)简图(仿ZANE等，2002)Fig. 1 Schematic presentation of small DNA fragment cloning (left) and PIMA approach (right) for isolation of microsatellite DNA(from: ZANE, et al.2002)孙效文等[13]利用上述方法从鲤鱼文库中筛选2 000个菌落，获得阳性克隆45个，有22个含有微卫星，其中完美型的占63.6%，非完美型的占22.7%，混合型的占13.7%。陈微等[14]用此方法从牙鲆(Paralichthys olivaceus)文库中筛选阳性克隆45个，共得到20个微卫星序列，其中完美型13个，非完美型5个，混合型2个。PANIEGO等[15]也用此方法分离向日葵(Helianthus annnus)微卫星标记。测序503个微卫星克隆，设计了271对微卫星引物。
利用微卫星重复序列作探针筛选基因组文库是一种耗时费力的方法[16]。获得阳性克隆的比例通常较少(0.04%~12%之间)。对于那些基因组中微卫星DNA含量不是很丰富的种类(比如鸟类和植物)，或需要大量的微卫星标记用于研究种群遗传结构[17-18]或构建遗传图谱[19]时，用此方法分离微卫星难以满足需要。
1.3 以RAPD为基础的PCR分离微卫星法(RAPD-based PIMA approach)
为了避免基因组文库的构建和筛选的繁琐性，一些国外学者先后报道用随机扩增多态DNA(RAPD)方法去扩增未知的微卫星序列[20-21]。其中用PCR分离微卫星(PCR isolation of microsatellite approach，PIMA)[22]就是用RAPD引物从目标生物基因组中获得随机扩增片段，这些扩增产物克隆到T-载体上，然后用含有重复序列引物和载体引物筛选阳性克隆、测序(图 1，PIMA支路)。RAPD片段比随机基因组克隆含有较多的微卫星重复序列[23-25]。与传统的方法相比，PIMA省略了DNA酶切、片段大小选择以及接头连接这些步骤，虽然实验操作简单但研究报道较少。
1.4 引物伸长法(Primer extension approach)
基因组DNA酶切后，选一定大小的片段插入到质粒(pBluescript)或噬菌体(M13mp18)载体上，然后转化、洗脱获得含有单链环状DNA(ssDNA)并构建文库。以ssDNA为模板，与含有重复序列的寡聚核苷酸或带有生物素标记的重复序列进行伸长反应，获得富含微卫星位点双链DNA的次级文库。最后Southern杂交或PCR筛选阳性克隆并测序(图 2)。
![]()
图 2 引物伸长富集法PAETKAU(左)和OSTRANDER等(右)的微卫星分离步骤简图(仿ZANE等，2002)Fig. 2 Primer extension enrichment protocolsProcedures of microsatellites isolation from PAETKAU(left)and OSTRANDER, et al.(right) (from: ZANE, et al.2002)OSTRANDER等[26]和PAETKAU[27]运用引物伸长法分别对犬齿类和鲍鱼基因组文库进行实验，并分别获得40%~50%和最高达100%阳性克隆。OSTRANDER等构建了含60 000克隆的单链DNA文库，对于基因组频率低于1%的特定重复序列有600座位(含所需的重复序列)在富集文库中表现出来。并且该方法对分离富含2个寡核苷酸重复序列如(AC)n比较有效，对分离3个和4个寡核苷酸重复序列是否有效还不肯定。此方法实验步骤繁琐使其适用性受到一定限制。
1.5 选择性杂交法(selective hybridization method)
选择性杂交法第一步与传统方法一样，也是基因组DNA经过酶切后与接头或载体连接，用连有接头的DNA片段与标记的重复序列探针选择性杂交，捕获含有微卫星序列的DNA片段。最后PCR扩增、克隆。对重组克隆可直接测序、PCR筛选或Southern blot筛选(图 3)。
![]()
图 3 选择杂交法简图(仿ZANE等，2002)Fig. 3 Schematic representation of selective hybridization protocols(from ZANE, et al.2002)此方法实验步骤简单，报道较多[28-32]。其中酶切片段与接头或载体连接是非常重要的一步，因为连接插入片段的量不足和多联体的形成都会限制下一步的实验。酶切片段大小的选择可以在酶切后[30]或在连接后[31]进行，在连接后选择片段大小有利于去除非特异性连接。重复序列探针与DNA的杂交既可在尼龙膜上[28, 32]也可在包被有链霉亲和素的磁珠上[30-31]进行。LI等[33-34]采用选择杂交法已成功分离出8个皱纹盘鲍(Haliotis discus hannai)微卫星标记。
1.6 磁珠富集法(magnetic beads enrichment method)
磁珠富集法分离微卫星分子标记是一种简单高效的方法[31, 35], 已经应用于一些植物和动物微卫星分子标记的分离[26, 36-37]。实验生物基因组DNA经酶切，连上接头，PCR扩增，与生物素标记的重复序列探针杂交，磁珠富集，构建PCR富集文库(图 4)。然后再进行筛选即可得到微卫星分子标记。可用不同的酶和接头进行酶切、连接。如果按AFLP的方法进行酶切、连接、扩增，再富集，即为FIASCO法(fast isolation by AFLP of sequences containing repeats)[38]。包括单酶切扩增产物富集[38]和双酶切预扩增产物富集[36]。
![]()
图 4 采用磁珠富集法从AFLP片段中分离微卫星标记简图(仿GAO等，2003)Fig. 4 Schematic representation of SSR isolation by magnetic beads from AFLP fragments(from GAO, et al.2003)孙效文等[13]用此方法筛选鲤鱼微卫星标记。获得微卫星314个，完美型占79.0 %，非完美型占14.3 %，混合型占6.7 %，重复次数超过10的有293个，占93.3 %。孙效文等[38]用磁珠富集法分离草鱼微卫星DNA标记。筛选获得阳性克隆132个，86.36 %含有微卫星序列。高国庆等[36]用FIASCO法从AFLP片段中分离花生(Arachis hypogaeal)微卫星DNA标记，结果回收纯化14个片段，测序后发现都含有简单重复序列。从预扩增的AFLP片段中富集SSR可获得较多的含简单重复序列的片段，而选择性扩增的AFLP片段不经富集直接测序的方法效率较低[39]。此方法在其他种类(比如一些鸟类、鱼类、甲壳类和红珊瑚)的富集率在50%~90%[38]。这些研究表明，用生物素-磁珠富集法克隆微卫星效率高，成本低，所获微卫星质量高。
2. 结语
直接克隆法耗时费力且筛选的效率也比较低。引物伸长法虽有所报道，其实验操作繁琐使其适用性受到限制。磁珠富集法是一种高效而简单快速的分离方法，已经应用于一些植物和动物微卫星分子标记的分离。整个过程可在一星期完成。如果利用篮白斑筛选克隆，从理论上讲，每一个白色菌斑都应当含有微卫星序列。但是操作过程中一些因素会影响筛选微卫星效率。最主要的影响因素是磁珠的平衡及洗液和洗涤温度的严格控制。从国内发表的文献上看，目前从基因组分离微卫星的主要方法是小片段克隆法和磁珠富集法以及稍作改进的一些方法。还有一些从基因组中克隆微卫星的方法，但最有效的还是基于PCR扩增的磁珠富集法。
从整体上看，微卫星分子标记在陆生动植物的分离和应用比较早，水产动物起步较晚，大多还处于分离筛选的初级阶段。在国内，只有鲤[41]，对虾[9, 42]，栉孔扇贝[10]等少数种类已分离出微卫星分子标记。网上基因库可利用的资源也还非常有限，远不能满足研究和应用的需要。而我国是一个渔业大国，水产动物种类多，遗传差异大，在遗传多样性分析、连锁图谱构建、数量性状基因(quantitative trait loci, QTL)定位分析、分子标记辅助育种等方面需要大量的微卫星标记。因此，选择有效的分离方法可以加速水产动物尤其主要养殖种类的微卫星分子标记的筛选及其应用进程。随着水产养殖生物的基因组测序和大规模cDNA测序，生物信息学方法分离微卫星DNA及其在近缘种的扩增筛选将越来越受到重视。
-
![]()
图 6 分为4域增强的原始图像和增强后图像
注：第1行为实验室轻度浑浊图像及增强后图像；第2行为实验室中度浑浊图像及增强后图像；第3行为养殖平台浑浊度为0.5的图像及增强后图像；第4行为养殖平台浑浊度为0.7的图像及增强后图像；第5行为养殖平台浑浊度为0.9的图像及增强后图像。
Figure 6. Original image and enhanced image divided into four domains
Note: The first row shows slightly cloudy images of the laboratory dataset and enhanced restoration images; the second row shows moderately cloudy images of the laboratory dataset and enhanced restoration images; the third row shows images with a turbidity of 0.5 of aquaculture platform dataset and enhanced restoration images; the fourth row shows images with a turbidity of 0.7 of aquaculture platform dataset and enhanced restoration images; the fifth row shows images with a turbidity of 0.9 of aquaculture platform dataset and enhanced restoration images.
![]()
图 7 分为2域增强的原始图像和增强后图像
注：第1行为实验室轻度浑浊图像及增强后图像；第2行为实验室中度浑浊图像及增强后图像；第3行为养殖平台浑浊度为0.5的图像及增强后图像；第4行为养殖平台浑浊度为0.7的图像及增强后图像；第5行为养殖平台浑浊度为0.9的图像及增强后图像。
Figure 7. Original image and enhanced image divided into two domains
Note: The first row shows slightly cloudy images of the laboratory dataset and enhanced restoration images; the second row shows moderately cloudy images of the laboratory dataset and enhanced restoration images; the third row shows images with a turbidity of 0.5 of aquaculture platform dataset and enhanced restoration images; the fourth row shows images with a turbidity of 0.7 of aquaculture platform dataset and enhanced restoration images; the fifth row shows images with a turbidity of 0.9 of aquaculture platform dataset and enhanced restoration images.
![]()
图 8 原始图像和增强后图像
注：第1行为实验室轻度浑浊图像及增强后图像；第2行为实验室中度浑浊图像及增强后图像；第3行为养殖平台浑浊度为0.5的图像及增强后图像；第4行为养殖平台浑浊度为0.7的图像及增强后图像；第5行为养殖平台浑浊度为0.9的图像及增强后图像。
Figure 8. Original image and enhanced image
Note: The first row shows slightly cloudy images of the laboratory dataset and enhanced restoration images; the second row shows moderately cloudy images of the laboratory dataset and enhanced restoration images; the third row shows images with a turbidity of 0.5 of aquaculture platform dataset and enhanced restoration images; the fourth row shows images with a turbidity of 0.7 of aquaculture platform dataset and enhanced restoration images; the fifth row shows images with a turbidity of 0.9 of aquaculture platform dataset and enhanced restoration images.
表 1 生成器结构
Table 1 Structure of generator
层名
Name of layer输入
Input输出
Output超参数
Hyper-parameter卷积层Convolutional layer 7×256×256 64×256×256 k=7, s=1, bias=’False’ 归一化层Normalization layer 64×256×256 64×256×256 f=’ReLU’ 卷积层Convolutional layer 64×256×256 128×128×128 k=4, s=2, bias=’False’ 归一化层Normalization layer 128×128×128 128×128×128 f=’ReLU’ 卷积层Convolutional layer 128×128×128 256×64×64 k=4, s=2, bias=’False’ 归一化层Normalization layer 256×64×64 256×64×64 f=’ReLU’ 6个残差块和混合注意力模块Residual block and CBAM×6 256×64×64 256×64×64 k=3, s=1, bias=’False’ 反卷积层Transposed convolution layer 256×64×64 128×128×128 k=4, s=2, bias=’False’ 归一化层Normalization layer 128×128×128 128×128×128 f=’ReLU’ 反卷积层Transposed convolution layer 128×128×128 64×256×256 k=4, s=2, bias=’False’ 归一化层Normalization layer 64×256×256 64×256×256 f=’ReLU’ 反卷积层Transposed convolution layer 64×256×256 3×256×256 k=7, s=1, bias=’False’ 归一化层Normalization layer 3×256×256 3×256×256 f=’Tanh’ 注：超参数中，k表示卷积核大小，s表示步长，bias表示偏置，f表示使用的激活函数。 Note: Among the hyper-parameters, k represents the convolution kernel size, s represents the step size, bias represents the bias, and f represents the activation function used. 
下载: 导出CSV
表 2 消融实验结果比较
Table 2 Comparison of results of ablation experiments
域数量
Number of
domains增强模型
Enhanced
model实验室数据集
Laboratory dataset养殖平台数据集
Aquaculture platform dataset图像熵
E2水下彩色
图像质量评估
UCIQE水下图像
质量评估
UIQM图像熵
E2水下彩色
图像质量评估
UCIQE水下图像
质量评估
UIQM2 StarGAN 12.08 27.13 0.85 8.43 8.46 0.34 StarGAN+CAM 12.50 29.33 1.05 9.07 8.67 0.39 StarGAN+SAM 12.24 27.61 0.96 9.26 9.28 0.41 StarGAN+CBAM 12.68 29.91 1.07 9.65 9.57 0.44 4 StarGAN 12.67 28.21 1.06 9.05 8.67 0.38 StarGAN+CAM 12.80 29.56 1.17 9.20 9.66 0.41 StarGAN+SAM 12.68 28.60 1.14 9.36 10.01 0.47 StarGAN+CBAM 12.83 30.13 1.18 9.94 10.35 0.52
下载: 导出CSV
表 3 本研究方法与其他方法的比较
Table 3 Comparison of method proposed in this study with other methods
增强方法
Enhanced method实验室数据集
Laboratory dataset养殖平台数据集
Aquaculture platform dataset图像熵
E2水下彩色图像
质量评估
UCIQE水下图像
质量评估
UIQM图像熵
E2水下彩色图像
质量评估
UCIQE水下图像
质量评估
UIQM水下图像增强UDAformer 12.31 23.67 0.88 8.26 7.14 0.41 对比水下恢复方法CWR 12.35 28.52 1.12 9.05 9.83 0.42 水下暗通道先验UDCP 9.29 17.53 0.16 9.93 10.01 0.51 自适应直方图均衡CLAHE 10.27 18.12 0.46 9.34 8.46 0.32 循环生成对抗网络CycleGAN 12.51 28.58 1.13 9.23 9.45 0.45 本研究方法StarGAN+CBAM 12.83 30.13 1.18 9.94 10.35 0.52
下载: 导出CSV
-
[1] 黄月群, 李文菁, 黄寿琨, 等. 鱼类行为监测技术应用研究[J]. 水产学杂志, 2022, 35(2): 102-107. [2] 刘世晶, 李国栋, 刘晃, 等. 中国水产养殖装备发展现状[J]. 水产学报, 2023, 47(11): 190-203. [3] 黄一心, 鲍旭腾, 徐皓. 中国渔业装备科技研究进展[J]. 渔业现代化, 2023, 50(4): 1-11. [4] 陈炜玲, 邱艳玲, 赵铁松, 等. 面向海洋的水下图像处理与视觉技术进展[J]. 信号处理, 2023, 39(10): 1748-1763. [5] GARCIA R, PRADOS R, QUINTANA J, et al. Automatic segmentation of fish using deep learning with application to fish size measurement[J]. ICES J Mar Sci, 2020, 77(4): 1354-1366. doi: 10.1093/icesjms/fsz186
[6] KLEINHAPPEL T K, PIKE T W, BURMAN O H P. Stress-induced changes in group behaviour[J]. Sci Rep, 2019, 9(1): 17200. doi: 10.1038/s41598-019-53661-w
[7] ZHANG P, YU H, LI H Q, et al. Msgnet: multi-source guidance network for fish segmentation in underwater videos[J]. Front Mar Sci, 2023, 10: 1256594. doi: 10.3389/fmars.2023.1256594
[8] WANG H, ZHANG S, ZHAO S L, et al. Real-time detection and tracking of fish abnormal behavior based on improved YOLOV5 and SiamRPN++[J]. Comput Electron Agric, 2022, 192: 106512. doi: 10.1016/j.compag.2021.106512
[9] 王柯俨, 黄诗芮, 李云松. 水下光学图像重建方法研究进展[J]. 中国图象图形学报, 2022, 27(5): 1337-1358. [10] ZHOU J C, ZHANG D H, ZHANG W S. Classical and state-of-the-art approaches for underwater image defogging: a comprehensive survey[J]. Front Inform Technol Electron Eng, 2020, 21(12): 1745-1769. doi: 10.1631/FITEE.2000190
[11] JAFFE J S. Computer modeling and the design of optimal underwater imaging systems[J]. IEEE J Oceanic Eng, 1990, 15(2): 101-111. doi: 10.1109/48.50695
[12] DREWS P, NASCIMENTO E, MORAES F, et al. Transmission estimation in underwater single images[C]//Proc IEEE Int Conf Comput Vis Workshops, 2013: 825-830.
[13] GALDRAN A, PARDO D, PICÓN A, et al. Automatic red-channel underwater image restoration[J]. J Vis Commun Image Represent, 2015, 26: 132-145. doi: 10.1016/j.jvcir.2014.11.006
[14] FU X Y, CAO X Y. Underwater image enhancement with global-local networks and compressed-histogram equalization[J]. Signal Process Image Commun, 2020, 86: 115892. doi: 10.1016/j.image.2020.115892
[15] ZHANG D, HE Z X, ZHANG X H, et al. Underwater image enhancement via multi-scale fusion and adaptive color-gamma correction in low-light conditions[J]. Eng Appl Artif Intell, 2023, 126: 106972. doi: 10.1016/j.engappai.2023.106972
[16] TAO Y, DONG L L, XU W H. A novel two-step strategy based on white-balancing and fusion for underwater image enhancement[J]. IEEE Access, 2020, 8: 217651-217670. doi: 10.1109/ACCESS.2020.3040505
[17] ZHOU J C, ZHANG D H, ZHANG W S. Underwater image enhancement method via multi-feature prior fusion[J]. Appl Intell, 2022, 52(14): 16435-16457. doi: 10.1007/s10489-022-03275-z
[18] LI C Y, ANWAR S, PORIKLI F. Underwater scene prior inspired deep underwater image and video enhancement[J]. Pattern Recognit, 2020, 98: 107038. doi: 10.1016/j.patcog.2019.107038
[19] LI C Y, GUO C L, REN W Q, et al. An underwater image enhancement benchmark dataset and beyond[J]. IEEE Trans Image Process, 2019, 29: 4376-4389.
[20] PANETTA K, KEZEBOU L, OLUDARE V, et al. Comprehensive underwater object tracking benchmark dataset and underwater image enhancement with GAN[J]. IEEE J Oceanic Eng, 2021, 47(1): 59-75.
[21] HAMBARDE P, MURALA S, DHALL A. UW-GAN: single-image depth estimation and image enhancement for underwater images[J]. IEEE Trans Instrument Meas, 2021, 70: 1-12.
[22] ISLAM M J, XIA Y Y, SATTAR J. Fast underwater image enhancement for improved visual perception[J]. IEEE Robot Autom Lett, 2020, 5(2): 3227-3234. doi: 10.1109/LRA.2020.2974710
[23] HAN J, ZHOU J, WANG L, et al. Fe-gan: fast and efficient underwater image enhancement model based on conditional GAN[J]. Electronics, 2023, 12(5): 1227. doi: 10.3390/electronics12051227
[24] WANG Z F, LI C F, MO Y Z, et al. RCA-CycleGAN: unsupervised underwater image enhancement using red channel attention optimized CycleGAN[J]. Displays, 2023, 76: 102359. doi: 10.1016/j.displa.2022.102359
[25] ZHANG D H, ZHOU J C, GUO C L, et al. Synergistic multiscale detail refinement via intrinsic supervision for underwater image enhancement[C]//Proceedings of the AAAI Conference on Artificial Intelligence, 2024, 38(7): 7033-7041.
[26] SHEN Z, XU H Y, LUO T, et al. UDAformer: underwater image enhancement based on dual attention transformer[J]. Comput Graph, 2023, 111: 77-88. doi: 10.1016/j.cag.2023.01.009
[27] 方明, 刘小晗, 付飞蚺. 基于注意力的多尺度水下图像增强网络[J]. 电子与信息学报, 2021, 43(12): 3513-3521. [28] DU R, LI W W, CHEN S D, et al. Unpaired underwater image enhancement based on CycleGAN[J]. Information, 2021, 13: 1. doi: 10.3390/info13010001
[29] CHOI Y, CHOI M, KIM M, et al. Stargan: unified generative adversarial networks for multi-domain image-to-image translation[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2018: 8789-8797.
[30] 王浩. 基于浑浊度分级的浑浊水体图像增强算法研究[D]. 武汉: 华中科技大学, 2021: 18-22. [31] WOO S, PARK J, LEE J Y, et al. Cbam: convolutional block attention module[C]//Proceedings of the European conference on computer vision (ECCV), 2018: 3-19.
[32] YANG M, SOWMYA A. An underwater color image quality evaluation metric[J]. IEEE Trans Image Process, 2015, 24(12): 6062-6071. doi: 10.1109/TIP.2015.2491020
[33] PANETTA K, GAO C, AGAIAN S. Human-visual-system-inspired underwater image quality measures[J]. IEEE J Oceanic Eng, 2015, 41(3): 541-551.
[34] CHEN X Q, ZHANG Q Y, LIN M H, et al. No-reference color image quality assessment: From entropy to perceptual quality[J]. EURASIP J Image Video Process, 2019, 2019: 77. doi: 10.1186/s13640-018-0395-2
[35] HAN J L, SHOEIBY M, MALTHUS T, et al. Underwater image restoration via contrastive learning and a real-world dataset[J]. Remote Sens, 2022, 14(17): 4297. doi: 10.3390/rs14174297
[36] PENG Y T, CHEN Y R, CHEN Z, et al. Underwater image enhancement based on histogram-equalization approximation using physics-based dichromatic modeling[J]. Sensors, 2022, 22(6): 2168. doi: 10.3390/s22062168
-
期刊类型引用(4)
1. 毛嘉烜，汪振华，章守宇，林军，邹沁东，陈怡卉. 大陈岛海域潮下带岩礁生境鱼类群聚特征. 上海海洋大学学报. 2025(03): 604-617 . 
百度学术
2. 廖东荣，黎傲雪，陈宁，吕少梁，王学锋. 湛江港皮氏叫姑鱼种群生物学特征和资源开发状态. 南方水产科学. 2024(03): 27-35 . 本站查看
3. Wen Yang，Wenjia Hu，Bin Chen，Hongjian Tan，Shangke Su，Like Ding，Peng Dong，Weiwei Yu，Jianguo Du. Impact of climate change on potential habitat distribution of Sciaenidae in the coastal waters of China. Acta Oceanologica Sinica. 2023(04): 59-71 . 必应学术
4. 杨雯，胡文佳，陈彬，谭红建，董鹏，俞炜炜，杜建国. 基于MaxEnt模型的中国近海主要石首鱼科鱼类潜在适生区. 生态学杂志. 2022(09): 1825-1834 . 百度学术
其他类型引用(6)
计量
- 文章访问数: 0
- HTML全文浏览量: 0
- PDF下载量: 0
- 被引次数: 10
粤公网安备 44010502001741号
