【技术实现步骤摘要】
一种无监督的水下图像增强方法及相关设备
[0001]本专利技术涉及图像处理
,尤其涉及一种无监督的水下图像增强方法、系统、终端及计算机可读存储介质。
技术介绍
[0002]随着海洋信息技术的发展,水下目标探测技术的应用也日益广泛,涉及海底光缆的铺设、水下石油平台的建立与维修、海底沉船的打捞、海洋生态系统的研究等领域。水下目标探测对成像及后期处理能力提出了很高要求,如何正确识别图像中包含的物体及位置是水下机器人及机器学习领域的一个常见问题。在传统深度学习对水下图像增强的过程中,通常需要成对或非成对的清晰
‑
退化图像进行监督训练,或需要借助可提供深度信息的工业相机进行图像恢复。
[0003]受限于水下特殊成像环境,水下图像往往面临着严重的噪声干扰、纹理模糊、颜色失真等问题,水下目标探测任务受到严重挑战。
[0004]现有的水下图像增强方法大多需要成对(同一个拍摄机位、场景下的两张清晰)或者非成对(不同机位的图片对)的水下失真(模糊图像)和清晰图像以进行监督训练。但是海洋环境错综复杂,这类监督训练数据往往难以获取。
[0005]现有技术虽然能够通过经典算法或深度神经网络进行图像增强,其考虑到了清晰度与色彩准确度,但从用于训练的数据角度看,现有技术大多会使用清晰的真值图像作为训练目标,可以是一一配对的同一拍摄地点的数据对,也可以是不配对的清晰
‑
退化图像集合,而此类数据在水体环境变化时往往难以获取;从增强算法上,在不使用清晰图像作为目标的情况下会采用经典图像处 ...
【技术保护点】
【技术特征摘要】
1.一种无监督的水下图像增强方法,其特征在于,所述无监督的水下图像增强方法包括:在公开数据集中获取水下图像数据,所述水下图像数据包括训练数据集和测试数据集,将所述水下图像数据进行归一化处理和缩放处理;构建神经网络模型,使用处理后的所述训练数据集来训练所述神经网络模型,所述神经网络模型包括参数估计网络和图像增强网络;将处理后的所述测试数据集输入到已训练好的所述神经网络模型中,所述参数估计网络和所述图像增强网络根据处理后的所述测试数据集输出水下增强图像。2.根据权利要求1所述的无监督的水下图像增强方法,其特征在于,所述在公开数据集中获取水下图像数据,所述水下图像数据包括训练数据集和测试数据集,将所述水下图像数据进行归一化处理和缩放处理,具体包括:从预设的两个公开数据集中获取所述水下图像数据,将所述水下图像数据中第一预设数量的图像作为所述训练数据集,将所述水下图像数据中第二预设数量的图像作为所述测试数据集;将所述训练数据集和所述测试数据集进行归一化处理,并采用min
‑
max标准化方法将所述训练数据集和所述测试数据集的像素值由0
‑
255缩放至0
‑
1区间。3.根据权利要求2所述的无监督的水下图像增强方法,其特征在于,所述参数估计网络包括5层卷积层、2层全连接层和激活函数,所述激活函数为LeakyReLU函数;所述图像增强网络包括CLAHE模块、4层卷积层和3层反卷积层。4.根据权利要求3所述的无监督的水下图像增强方法,其特征在于,所述构建神经网络模型,使用处理后的所述训练数据集来训练所述神经网络模型,具体包括:将所述训练数据集进行缩放后输入到所述参数估计网络中,缩放后的所述训练数据集依次经过5层卷积层和2层全连接层后输出9个实值,并将9个实值作为所述图像增强网络的参数;将所述训练数据集输入到所述图像增强网络中,通过CLAHE模块产生限制对比度自适应直方图均值化后的图像,再经过4层卷积层和3层反卷积层,对产生的12通道图像做切片处理,产生4张3通道图像,与原始所述训练数据集迭代进行二次曲线变换,再进行USM锐化后得到增强图像,以完成所述神经网络模型的训练。5.根据权利要求4所述的无监督的水下图像增强方法,其特征在于,所述二次曲线变换的公式如下:G(x)=G4(x);其中,x表示原始训练数据集;G(x)为完成二次曲线变换后的图像,G
i
(x)为原始训练数据集迭代第i次二次曲线处理完后的图像;G
i
‑1(x)为原始训练数据集迭代第i
‑
1次二次曲线处理完后的图像;G4(x)为原始训练数据集迭代第4次二次曲线处理完后的图像;r
i
表示第i个切片图像;a
i
和b
i
为二次曲线的权值,由所述参数估计网络给出。6.根据权利要求5所述的无监督的水下图像增强方法,其特征在于,所述USM锐化的公
式如下:U(x)=α*(x
‑
GaussBlur(x))+x,α∈[0,5];其中,U(x)表示对原始训练数据集x进行USM锐化处理;α为锐化权值,...
【专利技术属性】
技术研发人员:易正琨,麦可,吴新宇,尹猛,李叶海,高飞,
申请(专利权)人:中国科学院深圳先进技术研究院,
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。