一种基于视觉自注意力模型的水下图像增强方法技术

一种基于视觉自注意力模型的水下图像增强方法，本发明专利技术涉及基于视觉自注意力模型的水下图像增强方法。本发明专利技术的目的是为了解决水下图像有着颜色扭曲、对比度低、细节模糊的成像特点，这些质量较低的水下图像严重影响了光学摄像机在水下环境中的使用，限制了水下无人航行器的感知能力的问题。过程为：步骤一、采用图像增强算法对水下图像进行处理，得到增强后的水下图像，作为训练集；步骤二、构建水下图像增强视觉自注意力模型；步骤三、对水下图像增强视觉自注意力模型进行训练，获得训练好的视觉自注意力模型；步骤四、将待测水下图像输入训练好的视觉自注意力模型，完成待测水下图像识别。本发明专利技术属于水下图像增强技术领域。本发明专利技术属于水下图像增强技术领域。本发明专利技术属于水下图像增强技术领域。

【技术实现步骤摘要】
一种基于视觉自注意力模型的水下图像增强方法


[0001]本专利技术涉及基于视觉自注意力模型的水下图像增强方法，本专利技术属于水下图像增强


技术介绍

[0002]通常情况下，水下图像有着颜色扭曲、对比度低、细节模糊的成像特点，这些质量较低的水下图像严重影响了光学摄像机在水下环境中的使用，导致了水下无人航行器在水下执行任务时大多依靠声纳对周边环境或者目标进行探测，而声纳信号中包含的噪声较多，对声纳信号的处理也较为复杂，限制了水下无人航行器的感知能力。具有高质量的水下图像是其他水下高级别计算机视觉任务的基础保证，如水下环境探查、水下目标搜寻、水下物体抓取等。因此，水下图像增强技术对于我国的海洋发展战略布局具有重大意义并且有广阔的应用前景。深度学习技术是依靠深度神经网络的计算实现从一个域到另一个域的映射。

技术实现思路

[0003]本专利技术的目的是为了解决水下图像有着颜色扭曲、对比度低、细节模糊的成像特点，这些质量较低的水下图像严重影响了光学摄像机在水下环境中的使用，限制了水下无人航行器的感知能力的问题，而提出一种基于视觉自本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于视觉自注意力模型的水下图像增强方法，其特征在于：所述方法具体过程为：步骤一、采用图像增强算法对水下图像进行处理，得到增强后的水下图像，作为训练集；步骤二、构建水下图像增强视觉自注意力模型；步骤三、对水下图像增强视觉自注意力模型进行训练，获得训练好的视觉自注意力模型；步骤四、将待测水下图像输入训练好的视觉自注意力模型，完成待测水下图像识别。2.根据权利要求1所述的一种基于视觉自注意力模型的水下图像增强方法，其特征在于：所述步骤一中采用图像增强算法对水下图像进行处理，得到增强后的水下图像，作为训练集；具体过程为：步骤一一、采用限制对比度直方图均衡化算法对水下图像进行处理，得到调整后的水下图像；步骤一二、采用灰度世界算法对水下图像进行处理，得到调整后的水下图像；步骤一三、采用伽马矫正算法对水下图像进行处理，得到调整后的水下图像；步骤一四、采用相对全变分算法分别对步骤一一调整后的水下图像进行分解得到结构层和纹理层；对纹理层进行增强，将增强后的纹理层与结构层进行线性相加得到增强后的水下图像；采用相对全变分算法分别对步骤一二调整后的水下图像进行分解得到结构层和纹理层；对纹理层进行增强，将增强后的纹理层与结构层进行线性相加得到增强后的水下图像；采用相对全变分算法分别对步骤一三调整后的水下图像进行分解得到结构层和纹理层；对纹理层进行增强，将增强后的纹理层与结构层进行线性相加得到增强后的水下图像。3.根据权利要求2所述的一种基于视觉自注意力模型的水下图像增强方法，其特征在于：所述步骤一二中采用灰度世界算法对水下图像进行处理，得到调整后的水下图像；具体步骤为：步骤一二一、计算水下图像三通道分量的均值、、；R通道分量的理想均值、G通道分量的理想均值、B通道分量的理想均值皆为K；步骤一二二、计算水下图像三通道的增益系数；，，其中，为水下图像R通道分量的均值，为水下图像G通道分量的均值，为水下图像B通道分量的均值，K
r
为R通道的增益系数，K
g
为G通道的增益系数，K
b
为B通道的增益系数；
步骤一二三、根据对角模型调整水下图像中每个像素的RGB分量，如公式（2）所示，，其中，R
new
为调整后的水下图像中每个像素的R通道分量，G
new
为调整后的水下图像中的每个像素的G通道分量，B
new
为调整后的水下图像中的每个像素的B通道分量，R为水下图像中每个像素的R通道，G为水下图像中每个像素的G通道，B为水下图像中每个像素的B通道。4.根据权利要求3所述的一种基于视觉自注意力模型的水下图像增强方法，其特征在于：所述步骤一四中采用相对全变分算法分别对步骤一一调整后的水下图像进行分解得到结构层和纹理层；对纹理层进行增强，将增强后的纹理层与结构层进行线性相加得到增强后的水下图像；采用相对全变分算法分别对步骤一二调整后的水下图像进行分解得到结构层和纹理层；对纹理层进行增强，将增强后的纹理层与结构层进行线性相加得到增强后的水下图像；采用相对全变分算法分别对步骤一三调整后的水下图像进行分解得到结构层和纹理层；对纹理层进行增强，将增强后的纹理层与结构层进行线性相加得到增强后的水下图像；具体过程为：步骤一四一、将一幅调整后的水下图像分解为结构层和纹理层，然后对调整后的水下图像与结构层分别进行对数变换然后相减，如公式（3）所示其中，I为调整后的水下图像，为增强后的纹理层；步骤一四二、将增强后的纹理层与结构层进行线性相加后即可得到细节增强后的水下图像，如公式（4）所示其中，α为控制细节丰富程度的参数，J为细节增强后的图像。5.根据权利要求4所述的一种基于视觉自注意力模型的水下图像增强方法，其特征在于：所述步骤二中构建水下图像增强视觉自注意力模型；具体过程为：水下图像增强视觉自注意力模型依次包括Patch Embeding模块、第一卷积自注意力模块、第二卷积自注意力模块、第三卷积自注意力模块、第四卷积自注意力模块、第五卷积自注意力模块、第六卷积自注意力模块、第七卷积自注意力模块、第八卷积自注意力模块、第九卷积自注意力模块、第十卷积自注意力模块、第十一卷积自注意力模块、第一3
×
3卷积层；水下图像首先经由Patch Embeding模块将图像的维度扩充为C，得到特征图A，得到特征图A依次经过第一卷积自注意力模块、第二卷积自注意力模块，再经过下采样得到尺寸为的特征图B；特征图B依次经过第三卷积自注意力模块、第四卷积自注意力模块，再经过下采样得到尺寸为的特征图D；将特征图D依次经过第五卷积自注意力模块、第六卷积自注意力模块、第七卷积自注意
力模块得到的特征图与特征图D进行通道注意力融合，再进行上采样得到尺寸为的特征图E；将特征图E依次经过第八卷积自注意力模块、第九卷积自注意力模块得到的特征图与特征图B进行通道注意力融合，再进行上采样得到尺寸为H
×
W
×
C的特征图F；特征图F依次经过第十卷积自注意力模块、第十一卷积自注意力模块，再经过第一3
×
3卷积层得到输出的残差图像，将残差图像与输入的水下图像相加得到了最后的增强结果。6.根据权利要求5所述的一种基于视觉自注意力模型的水下图像增强方法，其特征在于：所述将特征图E依次经过第八卷积自注意力模块、第九卷积自注意力模块得到的特征图与特征图B进行通道注意力融合，具体过程为：将特征图B作为输入I...

【专利技术属性】
技术研发人员：邢文，曲思瑜，严浙平，孙岩，卢春雨，
申请(专利权)人：青岛哈尔滨工程大学创新发展中心，
类型：发明
国别省市：