一种水下图像的超分辨处理方法技术

本发明专利技术公开了一种水下图像的超分辨处理方法，包括：获取水下低分辨率样本图像和对应的水下高分辨率样本图像；将水下低分辨率样本图像输入生成网络，得到水下高分辨率生成图像；将水下高分辨率生成图像和水下高分辨率样本图像输入到判别网络，对水下高分辨率生成图像进行判别，输出水下高分辨率生成图像为真实高分辨率的判别概率；根据判别概率对生成网络和判别网络进行网络优化，完成水下图像超分辨生成网络对抗模型的构建；根据水下图像超分辨生成网络对抗模型对新输入的水下低分辨率图像进行图像生成，得到对应的高分辨率图像。本发明专利技术能够提高处理效率，并且提升生成图像的质量，可广泛应用于图像处理技术领域。可广泛应用于图像处理技术领域。可广泛应用于图像处理技术领域。

【技术实现步骤摘要】
一种水下图像的超分辨处理方法


[0001]本专利技术涉及图像处理
，尤其是一种水下图像的超分辨处理方法。

技术介绍

[0002]图像分辨率是一组用于评估图像中蕴含细节信息丰富程度的性能参数，包括时间分辨率、空间分辨率及色阶分辨率等，体现了成像系统实际所能反映物体细节信息的能力。相较于低分辨率图像，高分辨率图像通常包含更大的像素密度、更丰富的纹理细节及更高的可信赖度。图像超分辨重建技术指的是将给定的低分辨率图像通过特定的算法恢复成相应的高分辨率图像，从给定的低分辨率图像中重建出高分辨率图像的过程。其旨在克服或补偿由于图像采集系统或采集环境本身的限制，导致的成像图像模糊、质量低下、感兴趣区域不显著等问题。
[0003]传统的图像超分辨率重建方法主要依赖于约束项的构造以及图像之间配准的精确度达到重建效果。但是，人为定义的先验知识和观测模型所能提供的用于超分辨率重建的信息有限，即使增加LR图像的数量，也难以达到重建高频信息的目的，容易丢失细节和高频信息，导致图像过于平滑。其次，传统算法对于大型图像处理需要较长的时间，也没有与深度学习等前沿技术结合。

技术实现思路

[0004]有鉴于此，本专利技术实施例提供一种高效的水下图像的超分辨处理方法，能够提升生成图像的质量。
[0005]本专利技术实施例的一方面提供了一种水下图像的超分辨处理方法，包括：
[0006]获取水下低分辨率样本图像和对应的水下高分辨率样本图像；
[0007]将所述水下低分辨率样本图像输入生成网络，得到水下高分辨率生成图像；
[0008]将所述水下高分辨率生成图像和所述水下高分辨率样本图像输入到判别网络，对所述水下高分辨率生成图像进行判别，输出所述水下高分辨率生成图像为真实高分辨率的判别概率；
[0009]根据所述判别概率对所述生成网络和所述判别网络进行网络优化，完成水下图像超分辨生成网络对抗模型的构建；
[0010]根据所述水下图像超分辨生成网络对抗模型对新输入的水下低分辨率图像进行图像生成，得到对应的高分辨率图像。
[0011]可选地，所述生成网络中采用置换注意力机制模块，所述将所述水下低分辨率样本图像输入生成网络，得到水下高分辨率生成图像，包括：
[0012]将所述水下低分辨率样本图像输入卷积层进行卷积处理，然后输入激活层进行激活处理后得到特征图；
[0013]根据所述置换注意力机制模块对所述特征图进行分组，得到多组子特征，并采用通道分裂的方式对每组的子特征并行处理通道注意力分支和空间注意力分支，完成对不同
子特征之间的信息融合；
[0014]根据信息融合后的子特征输出水下高分辨率生成图像。
[0015]可选地，所述置换注意力机制模块包括通道注意力机制单元和空间注意力机制单元，所述根据所述置换注意力机制模块对所述特征图进行分组，得到多组子特征，并采用通道分裂的方式对每组的子特征并行处理通道注意力分支和空间注意力分支，完成对不同子特征之间的信息融合，包括：
[0016]通过通道注意力机制单元，使用全局平均池化生成通道的统计信息，然后对通道向量进行缩放和位移，得到第一特征；
[0017]通过空间注意力机制单元，采用群体范数生成空间方向统计量，生成跟通道分支相似的第二特征；
[0018]将所述第一特征和所述第二特征连接起来，通过特征融合的方式聚合所有子特征得到每个组的结果，最后利用通道注意力机制对子特征进行重新排列，实现不同子特征之间的信息融合。
[0019]可选地，所述方法还包括：
[0020]在所述生成网络的损失函数中使用平均绝对误差损失作为真实图像与生成图像之间的内容损失，计算水下高分辨率生成图像与水下高分辨率样本图像之间对应像素位置的值的误差。
[0021]可选地，所述方法还包括：
[0022]在所述水下图像超分辨生成网络对抗模型中采用预训练的19层VGG网络的RELU激活层来定义VGG损失，将生成图像的特征图和真实高分辨率图像的特征图进行比较。
[0023]可选地，所述方法还包括：
[0024]在所述水下图像超分辨生成网络对抗模型的训练过程中，加入正则化损失的计算，去除模型训练过程的过拟合。
[0025]可选地，所述水下图像超分辨生成网络对抗模型的训练过程的总损失函数包括内容损失、感知损失、对抗损失和正则化损失；
[0026]所述总损失函数的计算公式为：
[0027][0028]其中，I
SR
代表总损失函数；代表内容损失；代表感知损失；代表对抗损失；代表正则化损失。
[0029]本专利技术实施例的另一方面还提供了一种水下图像的超分辨处理装置，包括：
[0030]第一模块，用于获取水下低分辨率样本图像和对应的水下高分辨率样本图像；
[0031]第二模块，用于将所述水下低分辨率样本图像输入生成网络，得到水下高分辨率生成图像；
[0032]第三模块，用于将所述水下高分辨率生成图像和所述水下高分辨率样本图像输入到判别网络，对所述水下高分辨率生成图像进行判别，输出所述水下高分辨率生成图像为真实高分辨率的判别概率；
[0033]第四模块，用于根据所述判别概率对所述生成网络和所述判别网络进行网络优
化，完成水下图像超分辨生成网络对抗模型的构建；
[0034]第五模块，用于根据所述水下图像超分辨生成网络对抗模型对新输入的水下低分辨率图像进行图像生成，得到对应的高分辨率图像。
[0035]本专利技术实施例的另一方面还提供了一种电子设备，包括处理器以及存储器；
[0036]所述存储器用于存储程序；
[0037]所述处理器执行所述程序实现如前面所述的方法。
[0038]本专利技术实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法。
[0039]本专利技术的实施例获取水下低分辨率样本图像和对应的水下高分辨率样本图像；将所述水下低分辨率样本图像输入生成网络，得到水下高分辨率生成图像；将所述水下高分辨率生成图像和所述水下高分辨率样本图像输入到判别网络，对所述水下高分辨率生成图像进行判别，输出所述水下高分辨率生成图像为真实高分辨率的判别概率；根据所述判别概率对所述生成网络和所述判别网络进行网络优化，完成水下图像超分辨生成网络对抗模型的构建；根据所述水下图像超分辨生成网络对抗模型对新输入的水下低分辨率图像进行图像生成，得到对应的高分辨率图像。本专利技术能够提高处理效率，并且提升生成图像的质量。
附图说明
[0040]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种水下图像的超分辨处理方法，其特征在于，包括：获取水下低分辨率样本图像和对应的水下高分辨率样本图像；将所述水下低分辨率样本图像输入生成网络，得到水下高分辨率生成图像；将所述水下高分辨率生成图像和所述水下高分辨率样本图像输入到判别网络，对所述水下高分辨率生成图像进行判别，输出所述水下高分辨率生成图像为真实高分辨率的判别概率；根据所述判别概率对所述生成网络和所述判别网络进行网络优化，完成水下图像超分辨生成网络对抗模型的构建；根据所述水下图像超分辨生成网络对抗模型对新输入的水下低分辨率图像进行图像生成，得到对应的高分辨率图像。2.根据权利要求1所述的一种水下图像的超分辨处理方法，其特征在于，所述生成网络中采用置换注意力机制模块，所述将所述水下低分辨率样本图像输入生成网络，得到水下高分辨率生成图像，包括：将所述水下低分辨率样本图像输入卷积层进行卷积处理，然后输入激活层进行激活处理后得到特征图；根据所述置换注意力机制模块对所述特征图进行分组，得到多组子特征，并采用通道分裂的方式对每组的子特征并行处理通道注意力分支和空间注意力分支，完成对不同子特征之间的信息融合；根据信息融合后的子特征输出水下高分辨率生成图像。3.根据权利要求2所述的一种水下图像的超分辨处理方法，其特征在于，所述置换注意力机制模块包括通道注意力机制单元和空间注意力机制单元，所述根据所述置换注意力机制模块对所述特征图进行分组，得到多组子特征，并采用通道分裂的方式对每组的子特征并行处理通道注意力分支和空间注意力分支，完成对不同子特征之间的信息融合，包括：通过通道注意力机制单元，使用全局平均池化生成通道的统计信息，然后对通道向量进行缩放和位移，得到第一特征；通过空间注意力机制单元，采用群体范数生成空间方向统计量，生成跟通道分支相似的第二特征；将所述第一特征和所述第二特征连接起来，通过特征融合的方式聚合所有子特征得到每个组的结果，最后利用通道注意力机制对子特征进行重新排列，实现不同子特征之间的信息融合。4.根据权利要求1所述的一种水下图像的超分辨处理方法，其特征在于，所述方法还包括：在所述...

【专利技术属性】
技术研发人员：赖韵婷，王振波，周壮，唐佳林，苏秉华，王腾辉，赵泽锋，梁婉欣，陈炯江，李智创，颜经辉，温嘉怡，黄伟强，林寿南，
申请(专利权)人：北京理工大学珠海学院，
类型：发明
国别省市：