一种基于结构感知和纹理敏感的物理启发学习的水下图像增强方法技术

本发明专利技术属于计算机视觉领域，涉及一种基于结构感知和纹理敏感的物理启发学习的水下图像增强方法。本发明专利技术建立了一种新的基于物理启发的学习模型，该模型由水下成像模型重构而成，比较容易实现。具体来说，本发明专利技术设计了一个结构感知纹理敏感网络(SATS‑Net)，利用结构感知增强(SAE)模块来学习结构信息，主要用于恢复退化图像，并设计了纹理敏感增强(TSE)模块来提取纹理信息进行进一步增强。本发明专利技术有效地对水下图像进行了颜色校正以及纹理信息补充，提高了水下图像增强方法的鲁棒性和适应性。

【技术实现步骤摘要】
一种基于结构感知和纹理敏感的物理启发学习的水下图像增强方法
本专利技术属于计算机视觉领域，涉及一种基于结构感知和纹理敏感的物理启发学习的水下图像增强方法。
技术介绍
随着水下地质勘探、水下生物探测、目标识别等水下应用的广泛发展，高质量的水下图像成为这些应用的关键。然而，由于水下环境的散射和吸收作用，视觉图像往往存在对比度低、模糊和色彩失真等问题。因此，水下图像增强仍然是一项具有挑战性的任务。水下图像增强的算法可以分为传统的图像增强方法、基于物理模型的方法和基于深度学习的方法。经典的增强方法是通过修改图像的像素值来提高图像的视觉质量，算法过程中不需要考虑图像的形成过程和降质过程；基于物理模型的方法将水下图像增强视为图像退化的逆问题，通常通过建立水下物理图像模型，从效果图像先验中估计未知的模型参数来解决反问题。基于深度学习的方法基于深度学习的方法通常构建深度神经网络，并在退化的水下图像和高质量的参考图像上进行训练。在水下图像增强技术研究早期，对水下图像的处理经常直接应用一些空气中传统的图像增强算法，传统的图像增强算法可以分为本文档来自技高网...

【技术保护点】
1.一种基于结构感知和纹理敏感的物理启发学习的水下图像增强方法，其特征在于：/n步骤一、建立物理启发学习模型/n在水下环境中，图像成像模型表示如/nI(x)＝J(x)·t(x)+A(1-t(x))， (1)/n其中，I(x)为退化的水下图像，J(x)为要得到的地面真实图像，t(x)为透射图，A为介质消光系数；/n紧凑的图像成像模型，可以定义为/n

【技术特征摘要】
1.一种基于结构感知和纹理敏感的物理启发学习的水下图像增强方法，其特征在于：
步骤一、建立物理启发学习模型
在水下环境中，图像成像模型表示如
I(x)＝J(x)·t(x)+A(1-t(x))，(1)
其中，I(x)为退化的水下图像，J(x)为要得到的地面真实图像，t(x)为透射图，A为介质消光系数；
紧凑的图像成像模型，可以定义为



其中，J为增强后的图像，I为退化的水下图像，f(I)从输入的水下图像中估计透射率，r(I)恢复水下图像的细节信息；
步骤二、通过设计SATS-Net对输入图像提取光照特征和纹理信息
SATS-Net分为两部分，结构意识模块SAE和纹理感知模块TSE；
采用结构意识模块SAE处理水下图像，结构意识模块SAE由一个简化的U-net网络组成，通过结构意识函数来估计光照特征图再与输入相乘，得到总体的增强；如公式(3)所示：



其中，F(I)为结构意识函数，IG为通过结构意识模块增强后的图像；
采用纹理感知模块TSA恢复图像的纹理信息，纹理感知模块TSA由两个简化的U-net网络组成，使输入图像分别经过两次下采样作为两个U-net网络的输入，通过...

【专利技术属性】
技术研发人员：薛昕惟，李泽萱，刘日升，王祎，樊鑫，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：辽宁;21