【技术实现步骤摘要】
一种基于多尺度注意机制融合的水下图像增强方法
[0001]本专利技术涉及水下图像处理的
,具体而言,尤其涉及一种基于多尺度注意机制融合的水下图像增强方法。
技术介绍
[0002]在水下活动中,光学成像系统经常被用来对水下事物进行图像记录。上述水下活动的效率基本上取决于所捕获图像的质量。然而,水下的退化场景可能会阻碍高级视觉任务的效果。用光学成像技术拍摄的水下照片,会由于光的散射和衰减,而导致低对比度、能见度差、特征模糊、颜色失真等问题。
[0003]计算机视觉技术在不断发展和进步,这一领域也受到越来越多的关注。为了解决上述水下图像退化的问题,人们将这种技术应用于水下图像增强领域。以前的许多方法都提出可以通过直接调整图像的像素值来改善视觉效果,如直方图变换、灰度边缘检测、白平衡等。然而,简单调整退化图像的像素值会导致放大噪声和色彩失真。于是,人们开始将小波变换应用于图像增强,从而去除水下图像噪声,效果显著。随着水下图像增强和修复方法逐渐成为一个热门研究课题,研究人员开始考虑水下图像的成像特性。他们提出了一些传统的水下图像增强方法。然而,这些方法忽略了水下成像的光学特性或是具有一定的局限性,会引入色彩偏差和伪影。最近,深度学习技术在计算机视觉任务中被广泛提出,并显示出强大的学习能力。许多研究都提出将深度学习技术应用于水下图像的增强,以解决水下图像的颜色失真和低能见度等问题。其中,基于生成对抗网络的方法在域适应的作用下,有效地提高了增强后的图像与原始图像之间的特征相似度。域适应使生成器试图混淆目标域和源域的特 ...
【技术保护点】
【技术特征摘要】
1.一种基于多尺度注意机制融合的水下图像增强方法,其特征在于,包括以下步骤:步骤S01:获取原水下图像;将原始的水下图像输入编码器网络,通过在多个下采样模块间加入多尺度密集残差块对所述水下原始图像进行特征提取,获得提取后的特征图;步骤S02:当上述编码器输出的特征图到达瓶颈层,通过多尺度注意力融合模块进行进一步的特征提取;所述多尺度注意力融合模块是将多尺度残差块和注意力机制模块相融合;步骤S03:将经过多次提取后的特征图以及所述编码器中随机选取的部分特征图输入解码器结构,对所述特征图进行解码,获取经过生成器训练后的增强图像;所述解码器结构中在多个上采样模块之间分别加入了注意力机制模块;步骤S04:将所述生成器训练后的增强图像与增强后的图像一起输入判别器,训练所述判别器;步骤S05:通过生成器与判别器之间的对抗训练,促使生成器生成最接近于真实值的图像用于训练生成器,获得最终的增强图像。2.根据权利要求1所述的基于多尺度注意机制融合的水下图像增强方法,其特征在于,所述步骤S03中从编码器网络直接输入到解码器网络中的的特征图通过跳链接来完成输入的。3.根据权利要求1所述的基于多尺度注意机制融合的水下图像增强方法,其特征在于,所述步骤S04中的生成器就是所述步骤S01中的编码器、所述步骤S03中的解码器及所述步骤S02中的位于瓶颈层的多尺度注意力融合模块的组合。4.根据权利要求1所述的基于多尺度注意机制融合的水下图像增强方法,其特征在于,所述步骤S05中的对抗训练是通过条件对抗损失函数L
cGAN
、全局损失函数L1、内容感知函数L
con
以及角损失函数L
angular
的监督来达到训练目的,各项损失函数的计算公式如下:L
cGAN
(G,D)=Ε
X,Y
[logD(Y)]+Ε
X,Y
[log(1
‑
D(X,G(X,Z)))];(1)其中,G表示生成器,D表示判别器,X表示为输入图像,Y表示真实值图像,Z表示噪声,G(X,Z)代表生成器生成的图像,D(X,G(X,Z))代表判别器的鉴别结果;L1(G)=Ε
X,Y,Z
[||Y
‑
G(X,Z)||1];(2)其中,G表示生成器,X表示为输入图像,Y表示真实值图像,Z为噪声,G(X,Z)表示生成器生成的图像;L<...
【专利技术属性】
技术研发人员:周景春,吴晨雨,李超磊,秦肯,张维石,
申请(专利权)人:大连海事大学,
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。