【技术实现步骤摘要】
用于水下图像同时增强的超分辨率图形恢复方法
本专利技术涉及图像处理领域领域，特别是一种用于水下图像同时增强的超分辨率图形恢复方法。
技术介绍
水下图像增强和恢复是一个重要研究问题，校正并恢复失真的光学图像以保真像素强度，经典方法使用手工制作的滤镜来改善局部对比度并增强色彩稳定性，尤其是对于除雾，色彩校正，除水等。这些方法的灵感来自人类视觉感知理论，并且主要关注恢复背景照明和亮度再现上。但是，这些方法在计算上通常对实时机器人部署过于苛刻，并且在实际应用中并不总是可以开展密集的景深和光学的测量。另一类基于物理学的方法使用大气除雾模型来估计场景中的真实透射率和环境光，使用其他先验知识或统计假设(例如，雾度线，暗通道先验等)进行全局增强。D.Akkaynak等的最新工作介绍了一种修正的图像形成模型，该模型考虑了水下光传播的独特特征，这有助于更精确地估计与范围相关的衰减和反向散射。尽管准确的水下图像恢复仍然是一个挑战，但近年来，基于学习的感知增强方法取得了显著进步。在大规模的有监督训练的驱动下，这些方法学习非线性滤波器序列，近似实现失...
【技术保护点】
1.一种用于水下图像同时增强的超分辨率图形恢复方法，其特征在于，该方法是由残留稠密块、特征提取网络和辅助注意网络以及一系列卷积层和反卷积层组成的端到端体系结构；/n所述特征提取网络提取特征映射，特征映射沿两个分支传播：/ni)到辅助注意网络学习显著性，/nii)到中间卷积层以用于学习增强，/n进一步的到另一个卷积层和后续的升采样层或反卷积层沿主分支学习增强超分辨率恢复；/n所述增强超分辨率恢复方法的端到端的训练由七个损失参数监督，这些组件涉及学习功能G:X→S,E,Y的各个方面，这里用
【技术特征摘要】
1.一种用于水下图像同时增强的超分辨率图形恢复方法，其特征在于，该方法是由残留稠密块、特征提取网络和辅助注意网络以及一系列卷积层和反卷积层组成的端到端体系结构；
所述特征提取网络提取特征映射，特征映射沿两个分支传播：
i)到辅助注意网络学习显著性，
ii)到中间卷积层以用于学习增强，
进一步的到另一个卷积层和后续的升采样层或反卷积层沿主分支学习增强超分辨率恢复；
所述增强超分辨率恢复方法的端到端的训练由七个损失参数监督，这些组件涉及学习功能G:X→S,E,Y的各个方面，这里用表示生成的输出，下面分别描述本方法所涉及的损耗项的表述，
1)显著性预测的信息损失是通过标准的交叉熵函数来测量的，它量化了生成的显著性图与它的基本事实(S)之间像素强度分布的不相似性，对于中的总共Np个像素，其计算公式为
2)对比度损失评估增强图像的色相和亮度恢复，变形的水下图像中占主导地位的绿色/蓝色调通常会导致低对比度和全局暗淡的前景像素，本方法利用可微函数：对比度测量指数来量化RGB色彩空间中前景像素中这种相对强度的损失，CMI测量图像I相对于背景(BI)的前景像素(FI)的平均强度，如下：
本方法利用显著映射S(或)在E(或)中找到前景像素，因为FE＝E⊙S和在此，⊙表示逐元素相乘，随后，本方法将对比度损失计算为：
使用的直接后果是，尽管位于单独的分支上，AAN仍可以直接影响学习增强，这样的耦合还提供了更好的训练稳定性(否则AAN趋于收敛得太早并开始过度拟合)，训练数据集样本的CMI分布表明与高分辨率参考图情况相比，失真样本的CMI分数偏低得多，会强制CMI分布向更高的值移动以学习对比度增强，
3)颜色损失评估增强和增强超分辨率恢复方法输出的全局相似性，标准的L2损耗项是：而首先，1本方法利用两个与波长相关的色度项：Crg＝(r-g)和它们是水下图像彩色度测量的核心元素，通过将Δr，Δg和Δb表示为和E之间的每通道数值差异，本方法将损耗表示为：
另一方面，本方法将HR的知觉相似性评估表示为：
这里，而ΔR,ΔG和ΔBΔB是和Y之间的每通道视差，最后，本方法采用了增强和增强超分辨率恢复方法(SESR)的颜色损失项...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。