一种水下图像增强及细节恢复的方法技术

本发明专利技术公开一种水下图像增强及细节恢复的方法，具体步骤为利用不同海域、不同深度的水下图像作为实验数据形成，搭建神经网络模型，利用数据样本训练生成对抗网络，生成对抗网络包括生成器和判别器；训练步骤为：将第一个输入图像与第二个输入图像输入生成器，经过生成器处理生成新的图像，标记为假，将生成器生成的图像与标签图像同时输入判别器，判别器会判断出图像的真假；然后利用目标损失函数反向传播训练网络，从而得到超分辨率的图像。相比于其他深度学习方法，本专利能够同时实现水下图像的增强以及超分辨率并且计算量更小。

【技术实现步骤摘要】
一种水下图像增强及细节恢复的方法
本申请属于图像处理领域，具体涉及一种水下图像增强及细节恢复的方法。
技术介绍
随着技术的进步和人类的发展，水下机器人已经被广泛的应用于海洋生物检测与水下设施检查。水下机器人利用视觉技术指导水下作业，通过图像做出分析与决策。但由于水下环境复杂，特别是近海区域，水中包含着大量的悬浮粒子与泥沙，自然光在水中发生散射现象，使得水下机器人获取的图像模糊化。同时又由于水下地形的限制，机器人无法近距离拍摄目标，或者因为拍摄设备快速的移动，导致图像某些感兴趣区域分辨率低，图像缺少细节，从而使得水下机器人无法作出准确的判断，进而影响作业。此外，海水对自然光有吸收作用，大约在水下5米的地方红色光会消失，随着深度的逐步增加橙色光与黄色光相继被吸收，这会导致水下图像呈现绿色状态，当下潜到30米左右绿色光消失，此时水下图像呈现蓝色状态，所以不同水深处的图像的颜色具有不同偏差。因此，原始拍摄的水下图像在使用之前需要进行包括去噪与颜色校正等功能的图像增强处理与用于细节恢复的超分辨率处理。现有的实现水下图像增强的方法可分为三类：非基于本文档来自技高网...

【技术保护点】
1.一种水下图像增强及细节恢复的方法，其特征在于，包括如下步骤，/nS1.数据采集：采集不同海域、不同深度的水下图像作为实验数据；/nS2.数据处理：/nS21.将采集到的所有的原始水下图像首先进行双三次下采样放缩成低分辨率图像，然后将低分辨率图像进行SFM处理，作为神经网络的第一个输入图像；/nS22.将第一个输入图像进行白平衡处理得到第二个输入图像；/nS23.对原始水下图像进行增强作为神经网络的标签图像，标记为真，将第一个输入图像、第二个输入图像以及增强后的标签图像组成数据样本；/nS3.搭建神经网络模型，对抗网络包含两部分，第一部分是生成器，用于生成图像，第二部分是判别器，用于判别图像...

【技术特征摘要】
1.一种水下图像增强及细节恢复的方法，其特征在于，包括如下步骤，
S1.数据采集：采集不同海域、不同深度的水下图像作为实验数据；
S2.数据处理：
S21.将采集到的所有的原始水下图像首先进行双三次下采样放缩成低分辨率图像，然后将低分辨率图像进行SFM处理，作为神经网络的第一个输入图像；
S22.将第一个输入图像进行白平衡处理得到第二个输入图像；
S23.对原始水下图像进行增强作为神经网络的标签图像，标记为真，将第一个输入图像、第二个输入图像以及增强后的标签图像组成数据样本；
S3.搭建神经网络模型，对抗网络包含两部分，第一部分是生成器，用于生成图像，第二部分是判别器，用于判别图像；
S4.训练神经网络：将第一个输入图像与第二个输入图像输入生成器，经过生成器处理生成新的图像，标记为假，将生成器生成的图像与标签图像同时输入判别器，判别器会判断出图像的真假；然后利用生成器和判别器各自目标损失函数反向传播训练网络，从而使得图像实现增强，同时实现超分辨率。


2.根据权利要求1所述的一种水下图像增强及细节恢复的方法，其特征在于，所述生成器包括图像融合模块、特征提取模块、图像增强模块，以及超分辨率模块；
所述生成器生成新的图像过程为，原始水下图像依次经过图像融合模块、特征提取模块、图像增强模块，以及超分辨率模块后输出新的图像。


3.根据权利要求1所述的一种水下图像增强及细节恢复的方法，其特征在于，所述判别器包括多个相同尺寸的卷积，采用PatchGAN...

【专利技术属性】
技术研发人员：段利亚，牛黎明，董向量，贾欣鑫，安逸飞，巩龙翔，
申请(专利权)人：山东省科学院海洋仪器仪表研究所，
类型：发明
国别省市：山东;37