Underwater Image Enhancement Through Smooth Gridded Adaptive Color Compensation with Green-Tint Removal and Integrated CLAHE
Notice bibliographique
Résumé
Underwater images frequently have low contrast, color distortion, and a greenish hue, due to wavelength-dependent light absorption and scattering.These issues limit the efficacy of underwater imaging applications and negatively impact visual perception.This paper presents a unique enhancement framework called Smooth Gridded Adaptive Color Compensation (SGACC) with Green Tint Removal (GTR) and adaptive Contrast Limited Adaptive Histogram Equalization (CLAHE) to address these issues.While GTR adjusts for red-channel attenuation to lessen green dominance, the SGACC module uses Gaussian-blended grids for smooth and targeted color correction.By adapting to changes in brightness while maintaining image features, adaptive CLAHE significantly improves local contrast.The proposed method consistently outperforms state-of-the-art techniques, according to experimental assessments on Large-Scale Underwater Image (LSUI) and Underwater Image Enhancement Benchmark (UIEB) datasets.It offers significant Underwater Image Quality Measure (UIQM) / Underwater Color Image Quality Evaluation (UCIQE) improvements, 2.0% Structural Similarity Index (SSIM) gain, and up to 3.6 dB better Peak Signal-to-Noise Ratio (PSNR) on LSUI.It achieves 21.11 dB PSNR and 0.9631 SSIM on UIEB, indicating exceptional perceptual quality.The proposed technique, SGACC-GTR, with adaptive CLAHE architecture, successfully restores natural color balance and enhances underwater image quality.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».