【技术实现步骤摘要】
基于深度级联残差网络的水下图像增强方法及系统
[0001]本专利技术属于图像增强与复原
，具体涉及一种基于深度级联残差网络的水下图像增强方法及系统。
技术介绍
[0002]由于光线在水中传播时遭受衰减，水下图像经常受到噪音、颜色失真和低对比度的影响。这些问题增加了各种任务的难度，如鱼类和海洋物种环境的自动检测和识别。因此，大量水下图像增强方法已经被提出来恢复或增强退化的水下图像。为了提高水下图像的质量，各种基于先验增强、物理模型和深度学习的方法得到了充分的探索。基于先验的方法旨在直接处理图像像素值以增强特定图像的特征，如颜色、对比度和亮度等；基于物理模型的方法则利用图像特性和物理成像模型来恢复清晰的图像。最近，深度神经网络由于其强大的建模能力和能够从大量训练数据中学习丰富的特征，使其在高级视觉任务和图像处理上都取得了显著的性能。同时，一些基于深度学习的水下图像增强方法也被提出，通过从合成数据中提取有效的特征来提高图像质量。尽管这些基于深度学习的方法在水下图像任务中取得了较大进展，但目前方法的性能仍有很大的提升空间。水下...
【技术保护点】
【技术特征摘要】
1.一种基于深度级联残差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：构建深度级联残差网络并对其进行参数设置；按比例构建训练集和测试集，训练集中包括水下退化图像和其所对应的真实图像；步骤S2：将训练集中的水下退化图像按照设定比例进行分块，然后分别输入到所述深度级联残差网络的三个级联子网中，让深度级联残差网络进行前向传播获得训练后网络输出的清晰图像；步骤S3：计算所述深度级联残差网络的输出图像相较于对应的真实图像的损失值，根据所述损失值进行误差反向传播以对深度级联残差网络的权重值进行更新；步骤S4：判断深度级联残差网络是否训练完毕，是则挑选出训练后的深度级联残差网络的最佳模型并执行步骤S5，否则返回执行步骤S2；步骤S5：将所述测试集输入至所述深度级联残差网络的最佳模型进行测试，并根据测试结果判断所述最佳模型是否达到预期要求，是则执行下一步骤S6，否则返回重新执行步骤S2；步骤S6：将待增强的水下退化图像输入至通过测试的深度级联残差网络，获得增强后的水下图像。2.根据权利要求1所述的基于深度级联残差网络的水下图像增强方法，其特征在于，所述深度级联残差网络由三个级联子网组成，利用三个级联子网从粗到细逐步恢复退化水下图像；将输入图像按照4
‑2‑
1的比例进行分块并输入深度级联残差网络，即将图像分成4个不重叠的块输入第一子网，将图像分成2个不重叠的块输入第二子网，将原始图像输入第三子网；前两个子网采用门控编解码器子网络，用于学习上下文信息，第三个子网采用原始分辨率子网络，用于在不使用任何上下采样操作的条件下保留所需的精细纹理；为了进一步提高子网间信息传递以及视觉质量，所述深度级联残差网络在不同的子网之间嵌入不同的模块：嵌入细节增强模块DEB来学习图像的多尺度特征；嵌入监督复原模块SRB来融合之前的信息以进行最终复原。3.根据权利要求2所述的基于深度级联残差网络的水下图像增强方法，其特征在于，所述门控编解码器子网络首先采用通道注意模块来考虑不同通道特征包含的不同加权信息，其次利用扩张卷积层代替转置的卷积层来提高解码器中特征的空间分辨率，进一步扩大接受域，避免细节损失。4.根据权利要求2所述的基于深度级联残差网络的水下图像增强方法，其特征在于，所述原始分辨率子网络保留从输入图像到输出图像的细节，不使用任何降采样操作；考虑到水下图像的颜色和水体的影响，原始分辨率子网络采用通道注意块和像素注意块来获得像素和通道信息，以产生更好的增强；所述原始分辨率子网络由多个原始分辨率块组成，每个原始分辨率块包含通道注意块和像素注意块。5.根据权利要求2所述的基于深度级联残差网络的水下图像增强方法，其特征在于，所述细节增强模块基于多层金字塔结构嵌入不同尺度的细节特征得到最终结果；所述细节增强模块包括两个3
×
3的前端和其他1
×
1的卷积层；首先，第一子网的输出通过前端卷积层，并对前端卷积层的输出进行1/8、1/16、1/32下采样，建立一个三尺度的细节金字塔；其次，1
×
1卷积层用于降维，将图像上采样到原始尺寸；最后，将其输出连接起来，通过一个3
×
3的卷积层来生成最终输出；通过融合不同尺度的特征，重建第一子网中的水下图像的细节，并
将丰富的细节特征图传递到下一个子网络中；所述细节增强模块具体表示如下：其中C
i
【专利技术属性】
技术研发人员：赵铁松，蔡晓文，江楠峰，胡可鉴，陈炜玲，胡锦松，
申请(专利权)人：福州大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。