Diante do problema de distorção das informações de cor nas imagens microscópicas subaquáticas causadas pela absorção e dispersão de partículas em suspensão na água do mar, este artigo propõe um algoritmo aprimorado de rede adversarial ciclicamente consistente (Cycle-consistent Adversarial Network, CycleGAN) para realizar a correção de cores das imagens dos objetos subaquáticos. Ao introduzir a função de perda do Índice de Similaridade Estrutural (Structural Similarity Index Measure, SSIM) nos três canais R, G e B entre a imagem subaquática original de baixa qualidade e a imagem subaquática reconstruída, mede-se a perda de informação entre as duas imagens, permitindo o ajuste preciso das cores dos três canais R, G e B, o que não apenas melhora o desempenho geral da rede CycleGAN, mas também aumenta a qualidade das imagens geradas pelo gerador. Em seguida, a rede aprimorada proposta foi treinada com um conjunto de dados de treinamento composto por imagens microscópicas de alvos subaquáticos multicoloridos caseiros e minerais naturais subaquáticos, e o modelo obtido pode ser usado para correção de cores nas imagens microscópicas da superfície de amostras minerais reais. Os resultados mostram que o algoritmo CycleGAN aprimorado proposto neste artigo tem vantagens evidentes na correção de cores em comparação com outros métodos. Em comparação com o algoritmo tradicional Retinex, a taxa máxima de sinal-ruído (Peak Signal-to-Noise Ratio, PSNR) e o índice de similaridade estrutural melhoraram em 41,85% e 35,62%, respectivamente, e, do ponto de vista visual subjetivo, pode-se observar que as imagens microscópicas subaquáticas corrigidas apresentam a maior semelhança de cor com as imagens em ar. Em suma, o método proposto neste artigo pode corrigir efetivamente a cor das imagens dos objetos subaquáticos e melhorar a qualidade das imagens microscópicas subaquáticas, com potencial aplicação em geologia marinha e biologia marinha.

Observação de microrganismos profundos do fundo do mar; Imagem microscópica subaquática; Função de perda SSIM; CycleGAN; Correção de cores