摘要: 为了提高水下图像的清晰度和对比度，恢复水下图像颜色特性，提出了一种基于非监督超分辨重构的方法(SR-CycleGAN)对水下图像进行增强。该方法采用超分辨网络和退化网络学习水下图像和陆地图像之间的跨域映射函数，使用相对平均判别器，增加了内容损失函数，并将SR-CycleGAN模型与4种传统的水下图像增强模型和5种基于深度学习的模型，在同一数据集上进行增强效果比较。结果表明：本文中构建的SR-CycleGAN模型得到了最高的PSNR值(20.277)和SSIM值(0.727),与SESS-CycleGAN模型相比，PSNR和SSIM值分别提高了5.9%、13.9%,与FEATURE FUSION-CycleGAN模型相比分别提高了13.8%、71.8%,与BM-CycleGAN模型相比分别提高了5.1%、1.1%;对7类海洋生物进行识别，经过SR-CycleGAN模型增强后图像的识别准确率提高了48%。研究表明，本文中提出的SR-CycleGAN模型在校正水下图像颜色失真的同时还增强了图像清晰度，在海洋生物水下图像识别中具有一定的实用性。