一种基于生成对抗网络的水下图像去噪方法技术

本发明专利技术提供了一种基于生成对抗网络的水下图像去噪方法，首先将水下图像输入到一个由若干残差块组成的生成网络，得到特征映射图；然后将输出得到的特征映射图与清水的无噪标签图像分别通过VGG‑19网络映射得到一个深度特征空间，并计算特征映射图与清水的无噪标签图像在深度特征空间中的感知代价，计算感知代价的同时，将生成网络输出的特征映射图输入到对抗网络，最后训练完成后，将含噪的水下图像输入到生成网络，其输出即为处理后的无噪图像。本发明专利技术通过引入对抗机制，去噪效果明显，尤其是该方法可有效保留甚至增强图像中的边缘纹理信息，具有更好地视觉效果和成像品质。

An underwater image denoising method based on generating countermeasure network

【技术实现步骤摘要】
一种基于生成对抗网络的水下图像去噪方法
本专利技术涉及水下图像处理领域，尤其是一种水下图像的去噪方法。
技术介绍
水下图像在海洋资源开发、探索领域发挥着重要作用，主要应用于以下几个方面：(1)军事方面，可以探测识别水下目标，实现水下高清成像，便于搜寻打捞海底沉船与飞机残骸等；(2)环境保护方面，可以监视海洋物种迁徙与海洋生态环境变化等；(3)工程方面，可以监控海底工程建设、实现深海工作站的对接以及为工程后续的全自动检修维护提供便利。相对于空气中成像，在水中拍摄光学图像的环境较为复杂。由于拍摄过程受到水中浮游微生物、杂质以及水体本身的散射效应，导致拍摄得到的水下图像往往模糊不清。通常而言，对水下图像进行一定程度的增强处理，可以使得捕获的目标更加清晰，其中视网膜增强是最为常用的算法之一。但是，经视网膜增强后的水下图像仍然包含大量的噪声，对后期的目标检测、目标识别等任务造成极大的困扰。因此，对增强后的图像进行去噪是非常有必要的。近年来，依赖于深度学习的图像处理、计算机视觉算法均取得了显著的进步。目前而言，大量基于深度学习的图像去噪工作已在国内外开展。文献“ZhangK,ZuoW,ChenY本文档来自技高网...

【技术保护点】
1.一种基于生成对抗网络的水下图像去噪方法，其特征在于包括下述步骤：步骤一：生成对抗网络结构模型生成对抗网络包括生成网络与对抗网络两个子网络，分别记为G网络与D网络，在生成网络中，输入的含噪图像首先经过3×3×3×64的卷积层与非线性函数的激活层，得到64维度的特征映射图，在激活层中，采用1ReLU函数，然后将特征映射图输入到级联的残差块，获取层次更深的特征映射图，在每个残差块中，残差块输入与输出叠加在一起，优点是使网络更容易被训练；最终，将残差块输出的结果经卷积核尺寸为3×3×64×3的卷积层映射得到生成网络的最终结果；所有卷积层的卷积核的尺寸均设为3×3，在生成网络中，批归一化层级联到卷积...

【技术特征摘要】
1.一种基于生成对抗网络的水下图像去噪方法，其特征在于包括下述步骤：步骤一：生成对抗网络结构模型生成对抗网络包括生成网络与对抗网络两个子网络，分别记为G网络与D网络，在生成网络中，输入的含噪图像首先经过3×3×3×64的卷积层与非线性函数的激活层，得到64维度的特征映射图，在激活层中，采用1ReLU函数，然后将特征映射图输入到级联的残差块，获取层次更深的特征映射图，在每个残差块中，残差块输入与输出叠加在一起，优点是使网络更容易被训练；最终，将残差块输出的结果经卷积核尺寸为3×3×64×3的卷积层映射得到生成网络的最终结果；所有卷积层的卷积核的尺寸均设为3×3，在生成网络中，批归一化层级联到卷积层之后；在对抗网络中，串联卷积层与下采样层，逐步降低输入图像的空间维度，捕获图像的深层次语义信息；步骤二：计算生成网络的感知代价在生成网络中采用感知相似度计算生成网络的输出与清水标签图像之间的相似性，令f(x，y)为输入的增强后的水下含噪图像，f′(x，y)为生成网络的输出图像，l(x，y)为清水的无噪标签图像，将f′(x，y)与l(x，y)分别通过VGG-19网络映射到特征空间然后计算感知代价，感知代价公式如公式(1)所示：式中，||·||2表示计算二范数；对于特征空间利用预训练好的深度网络模型VGG-19将图像空间映射到特征空间，VGG-19是通过一系列的卷积层与池化层操作逐步降低图像维度，提取高...

【专利技术属性】
技术研发人员：冯晓毅，蒋晓悦，夏召强，李磊，黄东，张晓彪，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：陕西,61