【技术实现步骤摘要】
本申请涉及图像处理领域，尤其涉及人工智能领域，具体涉及一种基于深度学习的水下图像增强方法。
技术介绍
1、水下图像是指在水下环境中获取的图像数据。拍摄水下图像有着广泛的应用领域，包括海洋勘探、水下考古、海底资源开发、海洋生态环境研究等。通过获取水下图像，人们可以深入了解海洋的物理、化学、生物等方面，探测水下资源和文化遗产，保护海洋生态环境等。水下环境与陆地环境存在许多差异，如光传播特性、颜色失真、模糊等问题，这些因素都会影响水下图像的质量和可视化效果。因此，对水下图像进行增强处理是十分必要的。现有的水下图像增强方法主要可以分为颜色校正、对比度增强、滤波等。此外，近年来，深度学习方法如cnn（convolutional neural network）、gan（generative adversarialnetwork）等也得到应用，可以从大量的水下图像数据中学习并生成更加逼真的水下图像。但是，由于水下图像中的内容大多时候并非都需要增强，全局增强会增加额外的计算消耗，有时候得到的增强效果也并不理想，目前，如何确定水下图像中需要增强的区域并没有合适的解决方案，换言之，现有方式中，水下图像的增强有待完善。
技术实现思路
1、本申请提供了一种基于深度学习的水下图像增强方法。
2、根据本申请的一方面，提供了一种基于深度学习的水下图像增强方法，应用于计算机设备，所述方法包括：
3、在获得包括v个图像块序列的初始水下图像时，依据每个图像块序列的重要性评分以及重要性评分临界值
4、获取第一初始调试网络；所述第一初始调试网络用于确定每个图像块序列分别对应的训练样例语义描述；所述初始水下图像对应的图像语义描述为基于所述每个图像块序列分别对应的训练样例语义描述确定得到；
5、从所述积极训练样例集中选取与预设增强范围匹配的图像块序列作为第一增强目标，依据所述第一增强目标中的图像块序列对应的训练样例语义描述，确定所述第一增强目标对应的第一增强目标语义描述；
6、从所述消极训练样例集中选取与所述预设增强范围匹配的图像块序列作为第二增强目标，依据所述第二增强目标中的图像块序列对应的训练样例语义描述，确定所述第二增强目标对应的第二增强目标语义描述；
7、依据所述第一增强目标语义描述、所述第二增强目标语义描述以及所述图像语义描述，对所述第一初始调试网络进行无监督调试，得到第二初始调试网络；所述第二初始调试网络用于执行水下图像增强操作。
8、可选地，所述在获得包括v个图像块序列的初始水下图像时，依据每个图像块序列的重要性评分以及重要性评分临界值，对所述v个图像块序列分别进行分类，得到所述初始水下图像对应的积极训练样例集和消极训练样例集，包括：
9、在获得包括v个图像块序列的初始水下图像时，获取第一图像增强网络；
10、将所述v个图像块序列加载到所述第一图像增强网络，基于所述第一图像增强网络分别对每个图像块序列进行增强目标推理，得到每个图像块序列的重要性评分；
11、依据所述每个图像块序列的重要性评分以及重要性评分临界值，对所述v个图像块序列分别进行分类，得到所述初始水下图像对应的积极训练样例集和消极训练样例集。
12、可选地，所述将所述v个图像块序列加载到所述第一图像增强网络，基于所述第一图像增强网络分别对每个图像块序列进行增强目标推理，得到每个图像块序列的重要性评分，包括：
13、将所述v个图像块序列加载到所述第一图像增强网络，获取每个图像块序列分别对应的第一图像块序列嵌入，得到v个第一图像块序列嵌入；所述第一图像增强网络包括图像嵌入映射层以及图像生成映射层；
14、基于所述图像嵌入映射层以及所述v个第一图像块序列嵌入，对每个图像块序列分别进行嵌入映射，得到每个图像块序列分别对应的第二图像块序列嵌入；
15、将v个第二图像块序列嵌入加载到所述图像生成映射层，基于所述图像生成映射层以及所述v个第二图像块序列嵌入，对所述v个图像块序列分别进行生成映射，得到每个图像块序列的重要性评分。
16、可选地，所述v个图像块序列包括图像块序列dm；其中，m≤v；所述v个第一图像块序列嵌入包括所述图像块序列dm对应的第一图像块序列嵌入em；所述图像嵌入映射层包括第一图像嵌入映射层和第二图像嵌入映射层；所述基于所述图像嵌入映射层以及所述v个第一图像块序列嵌入，对每个图像块序列分别进行嵌入映射，得到每个图像块序列分别对应的第二图像块序列嵌入，包括：
17、基于所述第一图像嵌入映射层和所述第一图像块序列嵌入em，对所述图像块序列dm进行第一嵌入映射，得到所述图像块序列dm对应的第一嵌入描述数组；
18、在得到v个图像块序列分别对应的第一嵌入描述数组时，将v个第一嵌入描述数组加载到所述第二图像嵌入映射层，基于所述第二图像嵌入映射层和所述v个第一嵌入描述数组，对所述图像块序列dm进行第二嵌入映射，得到所述图像块序列dm对应的第二嵌入描述数组；
19、将所述图像块序列dm对应的第二嵌入描述数组作为所述图像块序列dm对应的第二图像块序列嵌入fm。
20、可选地，所述重要性评分临界值包括第一临界值；所述依据所述每个图像块序列的重要性评分以及重要性评分临界值，对所述v个图像块序列分别进行分类，得到所述初始水下图像对应的积极训练样例集和消极训练样例集，包括：
21、对所述v个图像块序列进行全局游走，将游走到的图像块序列确定为拟分类图像块序列；
22、如果所述拟分类图像块序列的重要性评分不小于所述第一临界值，则将所述拟分类图像块序列加入所述初始水下图像对应的积极训练样例集；
23、如果所述拟分类图像块序列的重要性评分小于所述第一临界值，则将所述拟分类图像块序列加入所述初始水下图像对应的消极训练样例集；
24、所述重要性评分临界值还包括第二临界值和第三临界值；所述第二临界值大于所述第三临界值；所述依据所述每个图像块序列的重要性评分以及重要性评分临界值，对所述v个图像块序列分别进行分类，得到所述初始水下图像对应的积极训练样例集和消极训练样例集，包括：
25、对所述v个图像块序列进行全局游走，将游走到的图像块序列确定为拟分类图像块序列；
26、如果所述拟分类图像块序列的重要性评分不小于所述第二临界值，则将所述拟分类图像块序列加入所述初始水下图像对应的积极训练样例集；
27、如果所述拟分类图像块序列的重要性评分小于所述第二临界值，且大于所述第三临界值，则将所述拟分类图像块序列进行筛除；
28、如果所述拟分类图像块序列的重要性评分小于或者等于所述第三临界值，则将所述拟分类图像块序列加入所述初始水下图像对应的消极训练样例集。
29、可选地，所述v个图像块序列包括图像块序列d本文档来自技高网...
【技术保护点】
1.一种基于深度学习的水下图像增强方法，其特征在于，应用于计算机设备，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述在获得包括v个图像块序列的初始水下图像时，依据每个图像块序列的重要性评分以及重要性评分临界值，对所述v个图像块序列分别进行分类，得到所述初始水下图像对应的积极训练样例集和消极训练样例集，包括：
3.根据权利要求2所述的方法，其特征在于，所述将所述v个图像块序列加载到所述第一图像增强网络，基于所述第一图像增强网络分别对每个图像块序列进行增强目标推理，得到每个图像块序列的重要性评分，包括：
4.根据权利要求3所述的方法，其特征在于，所述v个图像块序列包括图像块序列Dm；其中，m≤v；所述v个第一图像块序列嵌入包括所述图像块序列Dm对应的第一图像块序列嵌入Em；所述图像嵌入映射层包括第一图像嵌入映射层和第二图像嵌入映射层；所述基于所述图像嵌入映射层以及所述v个第一图像块序列嵌入，对每个图像块序列分别进行嵌入映射，得到每个图像块序列分别对应的第二图像块序列嵌入，包括：
5.根据权利要求2所述的方法，其特征在于，
6.根据权利要求1所述的方法，其特征在于，所述v个图像块序列包括图像块序列Dm；其中，m≤v；所述方法还包括：
7.根据权利要求1所述的方法，其特征在于，所述依据所述第一增强目标语义描述、所述第二增强目标语义描述以及所述图像语义描述，对所述第一初始调试网络进行无监督调试，得到第二初始调试网络，包括：
8.根据权利要求1所述的方法，其特征在于，所述方法还包括：
9.根据权利要求1所述的方法，其特征在于，所述预设增强范围为u，其中，1≤u；所述方法还包括：
10.一种计算机设备，其特征在于，包括：
...【技术特征摘要】
1.一种基于深度学习的水下图像增强方法，其特征在于，应用于计算机设备，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述在获得包括v个图像块序列的初始水下图像时，依据每个图像块序列的重要性评分以及重要性评分临界值，对所述v个图像块序列分别进行分类，得到所述初始水下图像对应的积极训练样例集和消极训练样例集，包括：
3.根据权利要求2所述的方法，其特征在于，所述将所述v个图像块序列加载到所述第一图像增强网络，基于所述第一图像增强网络分别对每个图像块序列进行增强目标推理，得到每个图像块序列的重要性评分，包括：
4.根据权利要求3所述的方法，其特征在于，所述v个图像块序列包括图像块序列dm；其中，m≤v；所述v个第一图像块序列嵌入包括所述图像块序列dm对应的第一图像块序列嵌入em；所述图像嵌入映射层包括第一图像嵌入映射层和第二图像嵌入映射层；所述基于所述图像嵌入映射层以及所述v个第一图像块序列嵌入，对每个图像块序列分别进行...
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。