基于卷积神经网络的水下图像处理方法技术

本发明专利技术提供一种基于卷积神经网络的水下图像处理方法，包括：获取水下图像；采用白平衡算法对所述水下图像进行颜色修正；采用卷积神经网络对颜色修正后的水下图像进行增强。本发明专利技术解决了因光线不均匀等条件造成色彩恢复能力差、图像细节不明显以及图像过曝光的问题。具有较好的准确性。本发明专利技术解决了因光线不均匀等条件造成色彩恢复能力差、图像细节不明显以及图像过曝光的问题。具有较好的准确性。由于采用卷积神经网络进行图像增强的，因此从统计分析角度而言，数据采集量越大，也即增强次数越多，增强的效果越好。

【技术实现步骤摘要】
基于卷积神经网络的水下图像处理方法
本专利技术涉及图像处理
，尤其涉及一种基于卷积神经网络的水下图像处理方法。
技术介绍
水下图像由于光线在水下传播过程中,它的失真程度会随波长不同而发生改变。导致水下图像视觉质量下降的3个主要原因是吸收、散射和颜色失真。由于水下图像成像条件复杂、质量较差，图像增强方法可以针对水下图像的特点改善其质量。直方图法可以增大图像的灰度变化范围，丰富灰度层次，改善视觉感知效果，达到图像增强的目的；同态滤波法可以有效的消除图像的照明不均，增强暗区的图像细节。但是上述方法中，处理水下图像时色彩的恢复能力较差，细节不够明显，同时存在令图像过曝光等问题。
技术实现思路
本专利技术一种基于卷积神经网络的水下图像处理方法，用于解决上述技术问题。本专利技术一种基于卷积神经网络的水下图像处理方法，包括：获取水下图像；采用白平衡算法对所述水下图像进行颜色修正；采用卷积神经网络对颜色修正后的水下图像进行增强。进一步地，所述采用卷积神经网络对颜色修正后的水下图像进行增强，包括：将公开数据集中的清晰图像处理为模糊图像；根据所述清晰图像以及所述模糊图像生成数据集；搭建卷积神经网络模型；采用所述数据集训练所述卷积神经网络模型生成去除图像模糊的图像预测模型；将颜色修正后的水下图像输入所述图像预测模型获取增强后的清晰水下图像。进一步地，所述卷积神经网络模型包括多个卷积层和多个激活层，所述激活层为Maxout函数。进一步地，所述采用白平衡算法对所述水下图像进行颜色修正，包括：根据公式μI＝0.5+λμref(1)估计图像白平衡结果，其中，μref是图像平均颜色值，μI为估计的光照值。本专利技术解决了因光线不均匀等条件造成色彩恢复能力差、图像细节不明显以及图像过曝光的问题。具有较好的准确性。由于采用卷积神经网络进行图像增强的，因此从统计分析角度而言，数据采集量越大，也即增强次数越多，增强的效果越好。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术一种基于卷积神经网络的水下图像处理方法流程图；图2为本专利技术基于卷积神经网络的图像增强方法示意图；图3为本专利技术卷积神经网络模型训练过程示意图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。图1为本专利技术一种基于卷积神经网络的水下图像处理方法流程图，如图1所示，本实施例方法，包括：步骤101、获取水下图像；步骤102、采用白平衡算法对所述水下图像进行颜色修正；具体来说，根据公式μI＝0.5+λμref(1)估计图像白平衡结果，其中，μref是图像平均颜色值，μI为估计的光照值。本实施例所使用的白平衡算法是建立在ShadeofGrey的基础上，利用一个更好的参数λ来代替p范数，由μI估计图像白平衡结果。当λ＝0.2时获得的图像可以取得很好的视觉效果。步骤103、采用卷积神经网络对颜色修正后的水下图像进行增强。进一步地，所述采用卷积神经网络对颜色修正后的水下图像进行增强，包括：将公开数据集中的清晰图像处理为模糊图像；具体来说，本实施例数据集来源于SUNdataset,包括130,519张图像，其中SUNdataset直接视为清晰图像，而模糊图像通过使用Photoshop降低SUNdataset图像的清晰度得到。该模糊图像和清晰图像是一一对应的，模糊图像作为数据集的data，清晰图像作为数据集的label。利用交叉验证的方法对数据集进行分组，一部分做为训练集(trainset),另一部分做为验证集(validationset)，首先用训练集对模型进行训练，再利用验证集来测试训练得到的模型(model)，以此来做为评价模型的性能指标。数据集中模糊图像被有重叠地分割为大小为13×13的模糊图像块，清晰图像被有重叠地分割为5×5的清晰图像块。根据所述清晰图像以及所述模糊图像生成数据集；搭建卷积神经网络模型；具体来说，如图3所示，所述卷积神经网络模型包括多个卷积层和多个激活层，所述激活层为Maxout函数。本实施例中多个卷积层包括不同尺度的3层，卷积核分别为7×7，1×1，3×3，激活层包括2层，分别在第一层卷积和第二层卷积之后。第一层卷积z1＝W1*I+B1，其中I是输入图像，大小为13×13，W1代表f1×f1×n1滤波器，卷积核大小f1＝7,卷积核个数为n1＝64个，即输出n1个特征图，*表示卷积操作，B1代表n1维偏差。z1表示本层后输出的特征图。13×13的模糊图像经过本次卷积，生成64个大小为7×7个特征图。在第一层卷积后面有一层Maxout激活层i为本层节点，j为本层每个节点所对应的隐含节点。j的取值范围为[1,k]，k＝4为maxout层所需要的参数。z1表示本层输入的特征图，F1表示本层输出的特征图，最终输出特征图个数为第二层卷积z2＝W2*F1+B2，其中W2代表滤波器，卷积核大小f2＝1,卷积核个数为n2＝32个，即输出n2个特征图，*表示卷积操作，B2代表n2维偏差。F1表示本层输入特征图，z2表示本层后输出的特征图。7×7的特征图经过本次卷积，生成32个大小为7×7个特征图。在第二层卷积后面有一层Maxout激活层i为本层节点，j为本层每个节点所对应的隐含节点。j的取值范围为[1,k]，k＝4为maxout层所需要的参数。z2表示本层输入的特征图，F2表示本层输出的特征图，最终输出特征图个数为第三层卷积z3＝W3*F2+B3，W3代表滤波器，卷积核大小f3＝3，卷积核个数为n3＝1，最终输出图像块个数为1，B3代表n3维偏差，*表示卷积操作，F2表示本层输入的特征图，z3表示本层输出的特征图。7×7的特征图经过本次卷积，生成1个大小为5×5个特征图。采用所述数据集训练所述卷积神经网络模型生成去除图像模糊的图像预测模型；具体来说，根据卷积神经网络模型及其训练参数，以最小化损失函数为目标，使用数据集训练所述卷积神经网络模型，生成图像去模糊的卷积神经网络模型。将颜色修正后的水下图像输入所述图像预测模型获取增强后的清晰水下图像。设置卷积神经网络训练参数。开始学习速率设为0.0001，学习策略设为fixed，动量momentum＝0.9,最大迭代次数设为1000000。本专利技术解决了因光线不均匀等条件造成色彩恢复能力差、图像细节不明显以及图像过曝光的问题。具有较好的准确性。本专利技术是根据CNN进行图像增强的，从统计分析角度而言，数据采集量越大，也即增强次数越多，增强的效果越好。最后应说明的是：以上各实施例仅用以说明本专利技术的技术方案，而非对其限制；尽管参照前述各实施例对本专利技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部本文档来自技高网...

【技术保护点】
一种基于卷积神经网络的水下图像处理方法，其特征在于，包括：获取水下图像；采用白平衡算法对所述水下图像进行颜色修正；采用卷积神经网络对颜色修正后的水下图像进行增强。

【技术特征摘要】
1.一种基于卷积神经网络的水下图像处理方法，其特征在于，包括：获取水下图像；采用白平衡算法对所述水下图像进行颜色修正；采用卷积神经网络对颜色修正后的水下图像进行增强。2.根据权利要求1所述的方法，其特征在于，所述采用卷积神经网络对颜色修正后的水下图像进行增强，包括：将公开数据集中的清晰图像处理为模糊图像；根据所述清晰图像以及所述模糊图像生成数据集；搭建卷积神经网络模型；采用所述数据集训练所述卷积神经网络模型生成去...

【专利技术属性】
技术研发人员：付先平，丁雪妍，王亚飞，赵彤彤，袁国良，
申请(专利权)人：大连海事大学，
类型：发明
国别省市：辽宁,21