一种基于上下文分解特征融合的水下图像增强方法技术

本发明专利技术提供了一种基于上下文分解特征融合的水下图像增强方法，涉及水下图像增强技术领域，包括：获取失真的水下图像，形成训练集和测试集；构建基于上下文分解特征融合的水下图像增强网络模型；其中，所述水下图像增强网络模型在特征融合时采用上下文分解特征融合的方式；将训练集输入到构建好的所述水下图像增强网络模型中进行训练；将测试集图像输入到训练好的所述水下图像增强网络模型中，输出图像增强之后的高质量水下图像。本发明专利技术通过上下文特征信息融合的方式，扩展了图像处理上特征融合的方式，也为模型的局部和全局分析建立了纽带，改善了水下图像增强的效果，避免了如细节丢失、颜色不饱和、伪影等不利影响的出现。伪影等不利影响的出现。伪影等不利影响的出现。

【技术实现步骤摘要】
一种基于上下文分解特征融合的水下图像增强方法


[0001]本专利技术涉及水下图像增强
，特别是涉及一种基于上下文分解特征融合的水下图像增强方法。

技术介绍

[0002]随着陆地资源紧张、人口增多、环境破坏等问题日益突出，海洋资源的研究和开发正在世界范围内兴起，然而海洋信息的获取和处理成为了海洋资源开发的第一步。因此，水下图像处理技术受到了越来越多的关注，水下图像增强技术在改善水下图像质量中发挥着重要的作用，为后续人们对水下信息的处理提供了帮助。
[0003]在现有的水下图像增强技术中，采用基于注意力的多尺度水下图像增强网络进行水下图像增强是一种非常有效的方法，其先通过下采样进行多尺度特征提取，并在反卷积阶段将相同大小的特征层连接，最后引入了注意力机制模块。该方法使网络关注不同尺度的特征，增强整体颜色和细节的恢复。
[0004]但是上述方法在进行特征信息融合时局限于连接下采样和上采样的中间层，忽略了空间尺度中的场景级上下文信息，导致许多不利的影响，比如细节丢失、颜色不饱和、伪影等。

技术实现思路

[0005]有鉴于此，本专利技术的目的在于提出一种基于上下文分解特征融合的水下图像增强方法，并实现高质量水下图像的生成以及应用，以解决现有水下图像增强技术中在特征信息融合时因忽略空间尺度中的场景级上下文信息而导致不利影响的技术问题。
[0006]为此，本专利技术提供了以下技术方案：
[0007]一方面，本专利技术提供了一种基于上下文分解特征融合的水下图像增强方法，所述方法包括：
[0008]获取失真的水下图像，形成训练集和测试集；
[0009]构建基于上下文分解特征融合的水下图像增强网络模型；其中，所述水下图像增强网络模型以失真的水下图像为输入，输出增强之后的高质量水下图像，特征融合时采用上下文分解特征融合的方式，所述上下文分解特征融合包括：将下采样的特征分别与相同尺度下对应的上采样特征进行融合，将得到的结果进行级联传到下一层；
[0010]将训练集输入到构建好的所述水下图像增强网络模型中进行训练；
[0011]将测试集图像输入到训练好的所述水下图像增强网络模型中，输出图像增强之后的高质量水下图像。
[0012]进一步地，所述水下图像增强网络模型的网络结构包括：
[0013]由两个Unet网络结构组成的双层估计机制，两个过程同时优化图像；UNet网络结构包含10个基本块，每个块由3个卷积层组成，其中每个下采样阶段包括两个Conv+BN+ReLU层和一个Max Pooling层，每个上采样阶段包括一个Up Sampling层和两个Conv+ReLU层。
[0014]进一步地，在特征融合时，对下层Unet网络结构的相同尺度下的特征分别与上层Unet网络结构的对应上采样特征执行乘法操作，然后将得出的结果进行级联操作传到下一层，从而实现上下文分解特征的融合。
[0015]进一步地，Unet网络结构中还包括：通道注意力模块和像素注意力模块。
[0016]进一步地，在通道注意力模块中，使用全局平均池化、两个卷积层和激活函数层将全局信息转化为通道权重信息，使不同通道特征具有不同的加权信息。
[0017]进一步地，在像素注意力模块中，使用两个卷积层和一个激活函数层将每个像素值加权。
[0018]进一步地，所述水下图像增强网络模型在训练时采用的损失函数包括：L1损失函数和对比度损失函数。
[0019]又一方面，本专利技术还提供了一种基于上下文分解特征融合的水下图像增强装置，所述装置包括：
[0020]图像获取单元，用于获取失真的水下图像，形成训练集和测试集；
[0021]模型构建单元，用于构建基于上下文分解特征融合的水下图像增强网络模型；其中，所述水下图像增强网络模型以失真的水下图像为输入，输出增强之后的高质量水下图像，特征融合时采用上下文分解特征融合的方式，所述上下文分解特征融合包括：将下采样的特征分别与相同尺度下对应的上采样特征进行融合，将得到的结果进行级联传到下一层；
[0022]训练单元，用于将训练集输入到构建好的水下图像增强网络模型中进行训练；
[0023]输出单元，用于将测试集图像输入到训练好的水下图像增强网络模型中，输出图像增强之后的高质量水下图像。
[0024]进一步地，所述水下图像增强网络模型的网络结构包括：
[0025]由两个Unet网络结构组成的双层估计机制，两个过程同时优化图像；UNet网络结构包含10个基本块，每个块由3个卷积层组成，其中每个下采样阶段包括两个Conv+BN+ReLU层和一个Max Pooling层，每个上采样阶段包括一个Up Sampling层和两个Conv+ReLU层。
[0026]又一方面，本专利技术还提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机指令集，计算机指令集被处理器执行时实现上述基于上下文分解特征融合的水下图像增强方法。
[0027]本专利技术的优点和积极效果：本专利技术中，通过上下文特征信息融合的方式，扩展了图像处理上特征融合的方式，也为模型的局部和全局分析建立了纽带，改善了水下图像增强的效果，避免了如细节丢失、颜色不饱和、伪影等不利影响的出现。其次，本专利技术中的水下图像增强技术也将推动相关的二维图像处理与应用，比如水下目标检测、识别、重建等应用。
附图说明
[0028]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0029]图1是本专利技术实施例中基于上下文分解特征融合的水下图像增强的流程图；
[0030]图2是本专利技术实施例中基于上下文分解特征融合的水下图像增强的网络结构图；
[0031]图3是本专利技术实施例中上下文分解特征融合模块的结构示意图；
[0032]图4是本专利技术实施例中特征注意力模块的结构示意图。
具体实施方式
[0033]为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分的实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术保护的范围。
[0034]需要说明的是，本专利技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本专利技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于上下文分解特征融合的水下图像增强方法，其特征在于，所述方法包括：获取失真的水下图像，形成训练集和测试集；构建基于上下文分解特征融合的水下图像增强网络模型；其中，所述水下图像增强网络模型以失真的水下图像为输入，输出增强之后的高质量水下图像，特征融合时采用上下文分解特征融合的方式，所述上下文分解特征融合包括：将下采样的特征分别与相同尺度下对应的上采样特征进行融合，将得到的结果进行级联传到下一层；将训练集输入到构建好的所述水下图像增强网络模型中进行训练；将测试集图像输入到训练好的所述水下图像增强网络模型中，输出图像增强之后的高质量水下图像。2.根据权利要求1所述的一种基于上下文分解特征融合的水下图像增强方法，其特征在于，所述水下图像增强网络模型的网络结构包括：由两个Unet网络结构组成的双层估计机制，两个过程同时优化图像；UNet网络结构包含10个基本块，每个块由3个卷积层组成，其中每个下采样阶段包括两个Conv+BN+ReLU层和一个Max Pooling层，每个上采样阶段包括一个Up Sampling层和两个Conv+ReLU层。3.根据权利要求2所述的一种基于上下文分解特征融合的水下图像增强方法，其特征在于，在特征融合时，对下层Unet网络结构的相同尺度下的特征分别与上层Unet网络结构的对应上采样特征执行乘法操作，然后将得出的结果进行级联操作传到下一层，从而实现上下文分解特征的融合。4.根据权利要求2所述的一种基于上下文分解特征融合的水下图像增强方法，其特征在于，Unet网络结构中还包括：通道注意力模块和像素注意力模块。5.根据权利要求4所述的一种基于上下文分解特征融合的水下图像增强方法，其特征在于，在通道注意力模块中，使用全局平均池化、两个卷积层和激活函数层将全局信息转化为通道权重信息，使不同通道特征...

【专利技术属性】
技术研发人员：李楠楠，陈蕊，张琪，周希瑞，
申请(专利权)人：大连海事大学，
类型：发明
国别省市：