基于深度学习的水下扭曲图像重建方法技术

本发明专利技术涉及一种基于深度学习的水下扭曲图像重建方法，包括以下步骤：1)采集多帧扭曲图像序列，并对其进行数据融合，得到扭曲程度较小的预筛选扭曲图像；2)构建深度学习网络模型，并对其进行学习和训练；3)将预筛选扭曲图像作为深度学习网络模型的输入，得到模型输出，进而实现对水下扭曲图像的重建；本方案利用深度学习网络框架实现对水下扭曲图像的重建，将经过图像融合算法处理后的视频数据输入到深度学习网络中实现高质量的扭曲复原，利用视频帧中质量良好图像信息并通过构建深度学习网络框架能够更加高效和准确的复原水下扭曲图像，可有效提高扭曲图像复原效率及精度。

【技术实现步骤摘要】
基于深度学习的水下扭曲图像重建方法
本专利技术涉及水下图像处理的
,具体涉及一种基于深度学习的水下扭曲图像重建方法。
技术介绍
针对水面波动的情形，使用相机在水面上方向水下观测或使用水下相机在水下环境中拍摄空气中场景时，相机采集到的图像信息呈现扭曲形态。这是因为随着水体的波动，光线的传播方向会在穿过两个传播介质时由于折射而改变，继而导致看到的画面呈现出扭曲的状态。这不仅导致了图像的成像效果整体不佳，更给后续的图像处理等操作带来不便，因此扭曲图像的重建便是一项重要的课题。如公开号为【CN109993708A】的专利技术专利公开一种基于暗原色与B样条配准的水下扭曲图像恢复方法，通过暗原色先验迭代去除视频序列中扭曲较大的图片，而后采用B样条迭代算法对图片进一步进行扭曲图像恢复操作。正如该文件所述，目前常用的水下扭曲场景复原方法是通过固定相机位置持续一段时间内采集水下静态目标的图像数据，以获得同一场景在不同的水面波动情况下的若干张图像，通过使用多帧图像来复原水下波动场景，目前典型的算法包括：Murase等人提出水面波动是随时间的高斯零均值本文档来自技高网...

【技术保护点】
1.基于深度学习的水下扭曲图像重建方法，其特征在于，包括以下步骤：/n步骤A、采集多帧扭曲图像序列，并对其进行数据融合，得到预筛选扭曲图像；/n步骤A1、图像聚类分析，对待重建扭曲图像进行初步筛选；/n(1)首先对输入的一组连续的视频帧图像计算均值，得到全部图像序列的均值图像，并以该均值图像作为参考帧；/n(2)将每一帧视频帧图像分别与全部图像序列的均值图像进行SSIM度量得到各自对应的SSIM值；/n(3)基于K-means聚类算法对(2)中得到的SSIM值进行聚类，通过K-means聚类算法将对应SSIM值的图像分为两类：对两类图像分别计算SSIM均值，SSIM均值高的一类图像被保留，SS...

【技术特征摘要】
1.基于深度学习的水下扭曲图像重建方法，其特征在于，包括以下步骤：
步骤A、采集多帧扭曲图像序列，并对其进行数据融合，得到预筛选扭曲图像；
步骤A1、图像聚类分析，对待重建扭曲图像进行初步筛选；
(1)首先对输入的一组连续的视频帧图像计算均值，得到全部图像序列的均值图像，并以该均值图像作为参考帧；
(2)将每一帧视频帧图像分别与全部图像序列的均值图像进行SSIM度量得到各自对应的SSIM值；
(3)基于K-means聚类算法对(2)中得到的SSIM值进行聚类，通过K-means聚类算法将对应SSIM值的图像分为两类：对两类图像分别计算SSIM均值，SSIM均值高的一类图像被保留，SSIM均值低的一类则丢弃；
步骤A2、对保留一类的帧图像计算均值得到保留序列的均值图像，重复执行步骤A1所述的聚类分析过程，直至K-means聚类算法不再分类，并通过分块重建操作得到预筛选扭曲图像；
步骤B、构建深度学习网络模型，并对其进行学习和训练；
步骤B1、构建水下扭曲成像模型：
I(x)＝J(x+W(x))(3)
其中，I(x)表示相机在平静的水面上方拍摄水下场景或平静的水面下方拍摄水面上方的场景，J(x)表示相机在水面波动时拍摄的图像，W(x)为反向二维扭曲场；
步骤B2、构建深度学习网络模型并对其训练以预测反向二维扭曲场，结合已知的扭曲图像J(x)，就可以得到正常的无扭曲图像；
步骤C、将预筛选扭曲图像作为深度学习网络模型的输入，得到模型输出，进而实现对水下扭曲图像的重建。


2.根据权利要求1所述的基于深度学习的水下扭曲图像重建方法，其特征在于：所述步骤B2具体采用以下方式实现：
(1)对步骤A1中保留一类的帧图像计算均值得到保留序列的均值图像，将保留序列的帧图像与保留序列的均值图像进行SSIM度量得到各自对应的保留序列SSIM值，并对保留序列SSIM值进行排列分组；对于分组后的保留序列SSIM值，循环计算每组的SSIM...

【专利技术属性】
技术研发人员：何波，李腾跃，杨茜茜，荣生辉，赵文凤，严天宏，
申请(专利权)人：中国海洋大学，
类型：发明
国别省市：山东;37