【技术实现步骤摘要】
一种基于图像处理与深度学习的水下图像增强方法
[0001]本专利技术涉及海洋工程研究领域,尤其涉及一种基于图像处理与深度学习的水下图像增强方法。
技术介绍
[0002]水下成像对于许多生物资源和矿物的勘探具有重要意义,虽然随着相机的发展,光学机器人以及海洋工程的增加,近些年水下视觉获得了极大的关注,但是水下作业的开展都需要对图像进行预先的处理,以便得到更好的特征和视觉效果。然而,在浑浊的水域,水下环境对光线的吸收差异导致水下图像三个通道值各不相同,其中红色的衰减程度最高,其次蓝绿,因此水下图像整体偏蓝绿色,要去除突出的颜色,如蓝色和绿色,并保持亮度和清晰度,这是一项具有挑战性的任务。
[0003]早期使用基于物理模型的图像恢复方法或基于非物理模型的图像增强方法,可以提高水下图像的质量。基于物理模型的方法容易受到模型假设、参数和噪声的影响,在复杂的水下环境中效果不是很稳定。现有的深度学习增强图像方法可以分为基于深度卷积网络CNN和生成对抗网络GAN方法,CNN在图像恢复领域被广泛应用于各种应用,包括图像去噪、图像去雾、图像超分辨率和低照度增强等。由于水下环境复杂,缺乏高质量的图像与已知退化的图像匹配训练,故CNN水下图像增强的发展效果一度陷入停滞状态。涉及到卷积运算有一个明显的缺点,即它只作用于局部邻域,容易丢失全局信息。近些年来注意力机制逐步被应用到视觉领域,注意机制使网络忽略无关信息,关注关键信息,具有注意力机制的多尺度可变形卷积网络的出现提高了水下图像的质量。
[0004]现有学习模型的局限性体现 ...
【技术保护点】
【技术特征摘要】
1.一种基于图像处理与深度学习的水下图像增强方法,其特征在于,包括如下步骤:(1)将原始图像分别输入颜色校正模块和对比度增强模块,得到校正图像I
DR
和增强图像I
GCH
;(2)对u
‑
net网络进行改进并应用到水下图像的置信度图的预测中;(3)利用公开的水下数据集和多个损失函数训练改进后的u
‑
net网路;(4)将原始图像、校正图像I
DR
和增强图像I
GCH
输入到上述改进u
‑
net网络模型中,输出网络预测的两种置信度图;(5)将校正图像I
DR
和增强图像I
GCH
分别乘以对应的置信度并融合,输出增强后的图像。2.根据权利要求1所述的基于图像处理与深度学习的水下图像增强方法,其特征在于,所述步骤(1)应用颜色校正模块校正的步骤包括:(1.1)基于retinex理论对原图进行图像信息进行分解,并转换到对数域中;(1.2)引入进行双边滤波估测反射分量r
i
=lb(R
i
(x,y))=lb(S
i
(x,y))
‑
lb[S
i
(x,y)*W
i
(x,y,x
′
,y
′
)]其中,W
i
为双边滤波器;(x,y)是当前被卷积像素的坐标点;(m,n)是邻域像素的坐标点;σ
r
和σ
d
为平滑参数;(1.3)根据步骤(1.2)求得红色通道的反射分量r
R
;(1.4)根据水下图像三个通道的衰减系数求解剩余通道的颜色分量r
G
,r
B
:其中,C
B
,C
G
,C
R
分别是图像的B、G和R通道在水下的衰减系数;(1.5)运用多尺度的retinex算法:式中,j为尺度常量的个数,一般为3,为图像的三个颜色通道;w
i
是加权系数;(1.6...
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。