一种基于离散小波集成生成对抗网络的水下图像增强方法技术

本发明专利技术涉及一种基于离散小波集成生成对抗网络的水下图像增强方法。包括：将待训练的数据进行配对处理、数据增强、归一化处理，然后缩放到固定尺寸，将标签图像，即真实的水下图像增强结果，下采样生成不同尺寸图像；设计多层次图像增强生成网络，使用所设计的网络训练可对水下图像进行增强的图像增强模型；设计多层次图像鉴别神经网络，使用所设计的网络训练可预测输入图像为真实图像概率的图像鉴别模型；设计生成网络和鉴别神经网络目标损失函数；使用配对的图像交替训练生成网络和鉴别神经网络收敛到纳什平衡；将水下图像输入训练好的图像增强生成模型，输出增强后的图像。本发明专利技术解决了水下图像颜色失真、模糊的问题，能显著提升水下图像质量。

【技术实现步骤摘要】
一种基于离散小波集成生成对抗网络的水下图像增强方法
本专利技术涉及图像处理以及计算机视觉领域，特别涉及一种基于离散小波集成生成对抗网络的水下图像增强方法。
技术介绍
蕴含大量资源的海洋环境是人类可持续发展的核心组成之一，然而海洋复杂成像环境导致光视觉系统获取到的水下图像通常伴随着多种类型的退化，这给视觉依赖的水下作业，如海底资源勘探、海洋考古、水下目标检测等带来很大的影响。水下图像衰退的主要原因是光在水下传播时的能量衰减和散射现象。光线在水下传播时会伴随着能量衰减,不同光谱区域的光衰减程度不同,红光衰减最严重,绿光次之,蓝光最少。所以水下图像通常呈现伴随着颜色偏差,偏蓝绿色。光在水中的散射分为前向散射和后向散射。前向散射是指水中物体反射的光传输到相机时产生小角度偏差的散射现象，会导致图像细节模糊。后向散射是指光线在照射到水中物体时遇到水中的杂质发生散射从而直接被摄像机接收，会导致图像对比度降低。目前，一些专门针对水下成像环境设计的成像设备已经能够克服部分水下成像问题，采集到较为清晰的图像。但在实际应用中对水下图像质量的要求远不止于此，仅本文档来自技高网...

【技术保护点】
1.一种基于离散小波集成生成对抗网络的水下图像增强方法，其特征在于，包括如下步骤：/n步骤S1、将待训练的数据进行数据预处理：首先将水下图像与对应的标签图像进行配对处理，接着进行数据增强、归一化处理，然后将归一化图像缩放到固定尺寸，将标签图像，即真实的水下图像增强结果，下采样生成不同尺寸图像；/n步骤S2、设计多层次图像增强生成网络，使用所设计的网络训练对水下图像进行增强的图像增强模型；/n步骤S3、设计多层次图像鉴别神经网络，使用所设计的网络训练预测输入图像为真实图像概率的图像鉴别模型；/n步骤S4、设计生成网络和鉴别神经网络目标损失函数；/n步骤S5、使用配对的图像交替训练生成网络和鉴别神...

【技术特征摘要】
1.一种基于离散小波集成生成对抗网络的水下图像增强方法，其特征在于，包括如下步骤：
步骤S1、将待训练的数据进行数据预处理：首先将水下图像与对应的标签图像进行配对处理，接着进行数据增强、归一化处理，然后将归一化图像缩放到固定尺寸，将标签图像，即真实的水下图像增强结果，下采样生成不同尺寸图像；
步骤S2、设计多层次图像增强生成网络，使用所设计的网络训练对水下图像进行增强的图像增强模型；
步骤S3、设计多层次图像鉴别神经网络，使用所设计的网络训练预测输入图像为真实图像概率的图像鉴别模型；
步骤S4、设计生成网络和鉴别神经网络目标损失函数；
步骤S5、使用配对的图像交替训练生成网络和鉴别神经网络收敛到纳什平衡；
步骤S6、将水下图像输入训练好的图像增强生成模型，输出增强后的图像。


2.根据权利要求1所述的一种基于离散小波集成生成对抗网络的水下图像增强方法，其特征在于，所述步骤S1具体实现步骤如下：
步骤S11、将水下图像与对应的标签图像进行配对处理；
步骤S12、将所有待训练配对图像进行统一的随机翻转操作，对数据进行增强；
步骤S13、将所有待训练增强图像进行归一化处理，给定图像I(i,j)，计算归一化值的公式如下：



其中，(i,j)表示像素的位置；
步骤S14、将所有归一化图像缩放到固定尺寸H×W；
步骤S15、将标签图像下采样生成不同尺寸图像，给定图像G(H,W)，表示尺寸为H×W的标签图像G，下采样生成图像G′k,k＝2,3，其中下采样使用最邻近插值算法，且G′1＝G；对于任意标签图像G，得到不同尺寸的标签图像集合{G′1，G′2，G′3}。


3.根据权利要求2所述的一种基于离散小波集成生成对抗网络的水下图像增强方法，其特征在于，所述步骤S2具体实现步骤如下：
步骤S21、设计一种多层次神经网络结构用于提取图像有效特征，特征提取网络输入为水下图像，网络包括多个卷积块和小波池化层；卷积块由卷积层、归一化层以及激活层组成，特征提取网络共有三个层次，每个层次包括多个卷积块和一个小波池化层，每个层次的卷积块个数可以不同；卷积层使用卷积核为3x3、步长为1的卷积，归一化层使用批量归一化，激活层使用ReLu函数；小波池化层使用离散Haar小波对特征进行分解，使用四个分解核LLT,LHT,HLT,HHT，其中低频滤波器和高频滤波器分别为小波池化层将输入特征分解为低频分量和高频分量，llk,lhk,hlk,hhk,k＝1,2,3，其中llk为低频分量，lhk,hlk,hhk均为高频分量；低频分量传递到网络的下一层次中，每个高频分量经过一个特征细化处理模块后直接传入图像重建网络；特征细化处理模块由多个残差注意力模块组成，每个残差注意力模块由两层卷积核为3x3、步长为1的卷积以及一个通道注意力模块组成；最终特征提取网络的输出为ll3特征以及三个层次的高频分量lhk,hlk,hhk,k＝1,2,3；
步骤S22、设计一种多层次神经网络结构用于图像重建，图像重建网络输入为步骤S21提取的ll3特征以及三个层次的高频分量lhk,hlk,hhk,k＝1,2,3；图像重建网络包括多个卷积块、重建块和小波反池化层；卷积块由卷积层、归一化层以及激活层组成，重建块由卷积层和激活层组成；图像重建网络共有三个层次，分别对应特征提取网络的三个层次，每个层次包括卷积块、小波反池化层和重建块，每个层次中卷积块的个数可以不同；卷积块中的卷积层使用卷积核为3x3、步长为1的卷积，归一化层使用批量归一化，激活层使用ReLu函数；重建块中的卷积层使用卷积核为3x3、步长为1的卷积，激活层使用Tanh函数；第一个层次的输入是ll3特征，经过卷积块后得到低频分量ll4特征，作为小波反池化层的低频分量；小波反池化层使用离散Haar小波对ll4特征和高频分量lhk,hlk,hhk,k＝3进行组合，小波反池化层的输出一方面作为重建块的输入，一方面作为第二层的输入特征；第二层经过卷积块后得到低频分量ll5特征，小波反池化层对ll5特征高频分量lhk,hlk,hhk,k＝2进行组合；与上一层类似，小波反池化层的输出一方面作为重建块的输入，一方面作为第三层的输入特征；第三层经过卷积块后得到低频分量ll6特征，小波反池化层对ll6特征高频分量lhk,hlk,hhk,k＝1进行组合，然后经过卷积块和重建块，生成H×W的水下图像增强图像；此外前两个层次组合后的特征经过一个重建块生成一张当前尺寸的...

【专利技术属性】
技术研发人员：牛玉贞，张宇杰，林煌伟，
申请(专利权)人：福州大学，
类型：发明
国别省市：福建;35