一种基于渐进式反馈网络的水下图像增强方法技术

本发明专利技术提出一种基于渐进式反馈网络的水下图像增强方法，包括以下步骤：步骤S1：将用于训练的水下图像数据进行配对处理，接着对其进行数据增强和归一化处理，得到待训练配对图像；步骤S2：把待训练配对图像输入可在每个阶段结合离散小波变换与注意力反馈机制对图像进行增强的多阶段渐进图像增强网络，训练可对水下图像进行增强的图像增强模型，网络各阶段之间使用监督注意力模块进行校正；步骤S3：设定图像增强网络的目标损失函数；步骤S4：使用配对的训练图像增强网络收敛到纳什平衡；步骤S5：对待增强的水下图像进行归一化处理，然后输入训练好的图像增强模型，输出增强后的图像；本发明专利技术有利于提高水下图像质量。本发明专利技术有利于提高水下图像质量。本发明专利技术有利于提高水下图像质量。

【技术实现步骤摘要】
一种基于渐进式反馈网络的水下图像增强方法


[0001]本专利技术涉及图像处理及计算机视觉
，尤其是一种基于渐进式反馈网络的水下图像增强方法。

技术介绍

[0002]水下图像增强技术由于其在海洋工程和水下机器人领域的重要意义而倍受关注。水下成像的质量对水下作业有着较大的影响，例如海底勘探和水下目标检测等视觉依赖的任务对水下图像的质量要求较高，低质量的水下图像会导致这些任务的效率和准确率严重下降。由于水下环境和光照条件的复杂性，水下图像的增强是一个具有挑战性的问题。通常，水下图像会受到波长相关的吸收和散射的影响，包括前向散射和后向散射，前向散射是指水中物体反射的光在传输到相机时发生小角度偏移的散射现象，导致图像细节模糊。后向散射是指当照射水中物体时，水中的杂质被散射并直接被相机接收，导致图像对比度低。此外，在海洋中，许多浮游生物、植物、泥沙和尘土等的上下沉降浮动，会引入噪音并增加散射的影响。这些不利的影响降低了能见度，降低了对比度，甚至引入了色彩偏差, 这些问题导致了水下图像的质量严重下降，阻碍了海洋工程以及水下作业的进行。
[000本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于渐进式反馈网络的水下图像增强方法，其特征在于：包括以下步骤：步骤S1：将用于训练的水下图像数据进行配对处理，接着对其进行数据增强和归一化处理，得到待训练配对图像；步骤S2：把待训练配对图像输入可在每个阶段结合离散小波变换与注意力反馈机制对图像进行增强的多阶段渐进图像增强网络，训练可对水下图像进行增强的图像增强模型，网络各阶段之间使用监督注意力模块进行校正；步骤S3：设定图像增强网络的目标损失函数；步骤S4：使用配对的训练图像增强网络收敛到纳什平衡；步骤S5：对待增强的水下图像进行归一化处理，然后输入训练好的图像增强模型，输出增强后的图像。2.根据权利要求1所述的一种基于渐进式反馈网络的水下图像增强方法，其特征在于：所述步骤S1包括以下步骤：步骤S11：将用于训练的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：将所有待训练图像进行归一化处理，给定图像I(i，j)，其归一化处理后的图像为在像素位置(i，j)处，计算归一化值的公式如下：其中，(i，j)表示像素的位置，将归一化后的配对图像作为后续步骤的输入图像和标签图像对。3.根据权利要求1所述的一种基于渐进式反馈网络的水下图像增强方法，其特征在于：所述步骤S2包括步骤S21、步骤S22、步骤S23；所述步骤S21具体为：设计多阶段渐进图像增强网络，网络的输入为归一化后的水下图像输出为增强后的水下图像；网络分为三个阶段渐进执行，每个阶段结合离散小波变换与注意力反馈机制对图像进行增强，三个阶段的网络结构相同，阶段之间使用监督注意力模块对该阶段的特征进行监督，即在第一个和第二个阶段之后均使用监督注意力模块对此阶段增强的图像进行监督。4.根据权利要求3所述的一种基于渐进式反馈网络的水下图像增强方法，其特征在于：所述渐进执行的三个阶段中，第一阶段输入为经过一个卷积核为3x3、步长为1的卷积层后的水下图像特征F1
in
，第一阶段输出为经过当前阶段增强的图像特征F1
out
，将该特征与归一化后的水下图像作为监督注意力模块的输入，监督注意力模块的输出为校正后的特征F2
in
；第二阶段输入为该校正后的特征F2
in
，第二阶段输出为经过当前阶段增强后的图像特征F2
out
，与前一阶段相同，同样经过监督注意力模块对输出的特征进行校正得到图像特征F3
in
，将校正后的特征作为第三阶段的输入；第三阶段的输出为经过当前阶段增强的图像特征F3
out
，经过一个卷积核为3x3、步长为1的卷积层后得到最终的增强图像R，即为图像增强网络的输出；计算公式如下：
Fi
out
＝Net
i
(Fi
in
)，i＝1，2，3
ꢀꢀꢀꢀ
公式六；其中表示归一化后的水下输入图像，SAM(*)表示监督注意力模块网络，Net
i
(*)，i＝1，2，3表示多阶段渐进图像增强网络中的三个阶段网络。5.根据权利要求3所述的一种基于渐进式反馈网络的水下图像增强方法，其特征在于：所述步骤S22具体为：设计步骤S21中的三个阶段网络，三个阶段网络结构相同；每个阶段网络从上至下可分为三个层次，每个层次由小波池化层、残差注意力模块、小波反池化层以及注意力反馈模块组成。6.根据权利要求5所述的一种基于渐进式反馈网络的水下图像增强方法，其特征在于：所述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LL
T
，LH
T
，HL
T
，HH
T
，其中低频和高频滤波器分别为滤波器分别为小波反池化层使用离散Haar小波对低频分量和高频分量进行组合重建，使用的反池化核参数与小波反池化层相同；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网络组成，计算公式如下：X
out
＝ECA_Net(ADD[X
in
，Relu(Conv(Relu(Conv(X
in
))))])
ꢀꢀꢀ
公式九；其中X
in
表示输入特征，X
out
表示输出特征，Relu为激活函数，ADD表示特征相加操作，ECA_Net(*)表示通道注意力网络；注意力反馈模块由通道注意力网络与sigmoid函数组成，计算公式如下W＝Sigmoid(ECA_Net(X
in
))
ꢀꢀꢀ
公式十；其中X
in
表示输入特征，W表示输出特征权重，ECA_Net(*)表示通道注意力网络。7.根据权利要求6所述的一种基于渐进式反馈网络的水下图像增强方法，其特征在于：多阶段渐进图像增强网络各阶段网络结构相同，即各阶段网络第一层次的输入均为当前阶段网络的输入，即图像特征F1
in
，多阶段渐进图像增强网络的第一阶段工作时，分为以下步骤：步骤A1、先正向进行小波分解，即从第一层到第三层，经过小波池化层分解为低频分量和高频分量，ll1，lh1，hl1，hh1，，其中ll1为低频分量，lh1，hl1，hh1均为高频分量；将ll1作为第二层次的输入，与第一层次相同，经过小波池化层分解为低频分量ll2和高频分量lh2，hl2...

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