UIEB, U45, LSUI|水下图像增强数据集|图像处理数据集

本仓库提供了水下图像增强方法和数据集的实现，包括UIEB、U45和LSUI等数据集，用于支持水下图像增强的研究和开发。

This repository provides implementations of underwater image enhancement methods and datasets, including UIEB, U45, and LSUI, to support research and development in underwater image enhancement.

原始信息汇总

数据集概述

支持的方法

方法	发表年份	语言	论文链接	参考代码链接
Fusion	2012	MATLAB	Enhancing Underwater Images and Videos by Fusion	Fusion
UWCNN	2020	Pytorch	Underwater Scene Prior Inspired Deep Underwater Image and Video Enhancement	UWCNN
UIEC2Net	2021	Pytorch	UIEC^2-Net: CNN-based Underwater Image Enhancement Using Two Color Space	UIEC2Net
MLLE	2022	MATLAB	Underwater Image Enhancement via Minimal Color Loss and Locally Adaptive Contrast Enhancement	MLLE
UTrans	2023	Pytorch	U-Shape Transformer for Underwater Image Enhancement	UTrans
NU2Net	2023	Pytorch	Underwater Ranker: Learn Which Is Better and How to Be Better	NU2Net
FiveAPlus	2023	Pytorch	Five A+ Network: You Only Need 9K Parameters for Underwater Image Enhancement	FiveAPlus

支持的数据集

数据集	链接
UIEB	https://li-chongyi.github.io/proj_benchmark.html
U45	https://github.com/IPNUISTlegal/underwater-test-dataset-U45-
LSUI	https://github.com/LintaoPeng/U-shape_Transformer_for_Underwater_Image_Enhancement

数据集准备

• UIEB数据集：下载后放置在./data/UIEB/目录下，包含raw-890/, reference-890/, challenging-60/三个子文件夹。
• LSUI数据集：下载后放置在./data/LSUI/目录下，包含GT/, input/两个子文件夹。

训练与测试

• 训练：使用python train_UIEB.py --model_name UIEC2Net --batch_size 16 --epochs 100命令在UIEB数据集上训练。
• 测试：使用python test_UIEB.py --model_name UIEC2Net命令对UIEB数据集的测试集和挑战集进行图像增强，结果保存在./data/UIEB/All_Results/目录下。

评估

• 使用python evaluate_UIEB.py --method_name UIEC2Net --folder T90或python evaluate_UIEB.py --method_name UIEC2Net --folder C60命令评估方法在UIEB数据集上的性能。

AI搜集汇总

数据集介绍

构建方式

在构建UIEB、U45和LSUI数据集时，研究者们采用了多源数据融合的方法，通过收集和整理来自不同水下环境的高质量图像，形成了具有代表性的数据集。这些数据集不仅包含了原始的水下图像，还提供了经过人工增强的参考图像，以便于模型训练和性能评估。此外，数据集的构建过程中还特别考虑了图像的多样性和复杂性，包括不同光照条件、水质和物体类型的图像，以确保数据集的广泛适用性。

使用方法

使用UIEB、U45和LSUI数据集时，用户首先需要下载相应的数据集文件，并按照README文件中的指导进行环境配置和数据准备。随后，用户可以通过提供的训练脚本对模型进行训练，利用数据集中的图像进行参数优化。训练完成后，用户可以使用测试脚本对模型进行评估，生成增强后的图像并保存结果。最后，通过评估脚本，用户可以对不同方法的性能进行比较和分析，以选择最适合的水下图像增强模型。

背景与挑战

背景概述

水下图像增强（Underwater Image Enhancement, UIE）是计算机视觉领域的一个重要研究方向，旨在改善水下图像的质量，以提高其在海洋科学、水下机器人和海洋生物学等领域的应用价值。UIEB、U45和LSUI数据集由多个研究机构和学者共同创建，旨在为水下图像增强算法提供标准化的测试基准。这些数据集包含了大量真实水下图像及其对应的增强版本，涵盖了不同光照条件、水质和物体类型，为研究人员提供了丰富的实验数据。自创建以来，这些数据集已成为评估和比较水下图像增强算法性能的重要工具，推动了该领域的技术进步。

当前挑战

尽管UIEB、U45和LSUI数据集在水下图像增强领域发挥了重要作用，但仍面临若干挑战。首先，水下环境的复杂性导致图像质量受多种因素影响，如光线衰减、颜色失真和颗粒噪声，这使得数据集的构建和标注过程异常复杂。其次，现有数据集在多样性和规模上仍有局限，难以全面覆盖所有可能的水下场景，限制了算法的泛化能力。此外，评估水下图像增强效果的标准化指标和方法尚不完善，不同研究者采用的评价标准存在差异，影响了研究结果的可比性。这些挑战亟需通过进一步的研究和技术创新来解决。

常用场景

经典使用场景

在海洋科学和计算机视觉的交叉领域，UIEB、U45和LSUI数据集被广泛用于水下图像增强任务。这些数据集包含了大量水下图像及其对应的增强版本，为研究人员提供了丰富的实验材料。经典的使用场景包括但不限于：通过深度学习模型训练，实现水下图像的色彩校正、对比度增强和细节恢复，从而提升图像质量，便于后续的海洋生物识别、海底地形测绘等应用。

解决学术问题

这些数据集解决了水下图像处理中的多个关键学术问题，如色彩失真、对比度低和细节模糊等。通过提供高质量的训练数据，它们促进了水下图像增强算法的发展，使得研究人员能够更有效地处理和分析水下图像。这不仅提升了水下视觉系统的性能，还为海洋科学研究提供了更可靠的数据支持，具有重要的学术意义和实际应用价值。

实际应用

在实际应用中，这些数据集被用于开发和优化水下机器人、潜水器和海洋监测设备中的图像处理算法。例如，通过使用这些数据集训练的模型，可以显著提高水下摄像头的成像质量，从而在海洋生物研究、海底资源勘探和海洋环境保护等领域发挥重要作用。此外，这些技术还可应用于水下考古、水下工程检测等场景，提升工作效率和安全性。

数据集最近研究

最新研究方向

近年来，水下图像增强领域取得了显著进展，特别是在深度学习和计算机视觉技术的推动下。最新的研究方向集中在开发高效的深度学习模型，以提升水下图像的视觉质量。例如，U-Shape Transformer和NU2Net等模型通过引入Transformer架构和自适应对比度增强技术，显著改善了水下图像的色彩还原和细节清晰度。此外，研究者们还致力于构建和优化水下图像数据集，如UIEB、U45和LSUI，以支持更广泛的应用场景和算法验证。这些研究不仅推动了水下图像处理技术的发展，也为海洋科学、水下机器人和海洋生态监测等领域提供了重要的技术支持。