【技术实现步骤摘要】
本专利技术涉及图像处理，具体涉及一种基于swinir的海洋图像去噪方法。
技术介绍
1、图像去噪与识别是计算机视觉领域中的基础性问题。随着人类对海洋认知的不断深化以及技术的不断发展，海洋图像分析技术已经成为探测海洋信息最为有效和经济的手段。然而，由于海洋环境的复杂多变，传统的图像分析技术面临着难以满足海洋图像信息处理需求的挑战。近年来，基于深度学习的海洋图像分析技术研究已成为当前海洋遥感领域的热点问题。通过应用深度学习技术，可以实现对海洋图像的精确识别，从而更好地理解和利用海洋资源，为海洋环境保护和可持续发展提供有力支持。
2、常见的图像去噪一般以陆地图像为主，海洋图像较为稀少，主要原因是海洋环境的复杂多变，海洋图像与陆地图像有所差异。在采集海洋图像过程中会受到诸多独特海洋环境的影响，如阳光、大雾、海雾和强风等，这些因素均会对海洋图像的清晰度和质量造成不利影响，从而导致海洋图像的信息丢失和错误识别。
3、然而，在以往的大多数图像去噪模型中，主要是在高斯噪声破坏的图像上进行训练和评估的，虽然这些方法取得了较好的性能，但是在模型建立的过程中，由于噪声的复杂性，可能受到单个噪声分布的限制，会导致模型可能无法扩展到海洋图像上，无法实时精确地识别海洋中的不同目标。同时导致在海洋信息监测中无法准确判断异常情况，从而无法及时做出海上威胁预警。
技术实现思路
1、本专利技术为了克服以上技术的不足，提供了一种可以消除严重的噪声损坏并保留图像细节的基于swinir的海洋图像去噪
2、本专利技术克服其技术问题所采用的技术方案是：
3、一种基于swinir的海洋图像去噪方法，包括如下步骤：
4、a)获取n张原始海洋噪声图像，得到原始海洋图像集合a0，a0＝{a1,a2,...,ai,...,an}，ai为第i张原始海洋噪声图像，i∈{1,...,n}，ai∈rh×w×c，r为实数空间，w为第i张原始海洋噪声图像的宽度，h为第i张原始海洋噪声图像的高度；
5、b)将第i张原始海洋噪声图像ai进行预处理，得到第i张预处理后的原始海洋噪声图像a′i，预处理后的海洋图像集合为a′0，a′0＝{a′1,a′2,...,a′i,...,a′n}；
6、c)将预处理后的海洋图像集合为a′0划分为训练集和测试集；
7、d)建立海洋图像去噪网络模型，海洋图像去噪网络模型由swinir模型中的浅层特征提取模块、第一残差模块、半监督浅桥模块、第二残差模块、swinir模型中的深层特征提取模块、swinir模型中的高质量图像重建模块、上采样单元构成；
8、e)将训练集中的第i张预处理后的原始海洋噪声图像a′i输入到海洋图像去噪网络模型的浅层特征提取模块及残差模块中，输出得到特征图aq1、残差图像a′q1-1-r及残差图像a′q1-1-r的已标记图像潜在空间ml；
9、f)将残差图像a′q1-1-r输入到海洋图像去噪网络模型的半监督浅桥模块和第二残差模块中，输出得到未标记残差图像a′q3-r-m及未标记残差图像a′q3-r-m的已标记图像潜在空间mul；
10、g)将未标记残差图像a′q3-r-m输入到海洋图像去噪网络模型的深层特征提取模块中，输出得到特征图aq4；
11、h)将特征图aq4输入到海洋图像去噪网络模型的高质量图像重建模块，输出得到特征图aq4-r；
12、i)将特征图aq4-r输入到海洋图像去噪网络模型的上采样单元中，输出得到去噪图像ades；
13、j)计算总损失函数l，根据总损失函数训练海洋图像去噪网络模型，得到优化后的海洋图像去噪网络模型；
14、k)将测试集中的第i张预处理后的原始海洋噪声图像a′i输入到优化后的海洋图像去噪网络模型中，输出得到去噪图像a′des。
15、进一步的，步骤a)中从wsodd数据集中获取n张原始海洋噪声图像，得到原始图像集合a0。
16、进一步的，步骤b)包括如下步骤：
17、b-1)将第i张原始海洋噪声图像ai裁剪成128×128像素；
18、b-2)将裁剪后的图像随机旋转90°后再随机旋转180°，得到第i张预处理后的原始海洋噪声图像a′i。
19、进一步的，步骤c)中将预处理后的海洋图像集合为a′0按照3:1的比例划分为训练集和测试集。
20、进一步的，步骤e)包括如下步骤：
21、e-1)将训练集中的第i张预处理后的原始海洋噪声图像a′i输入到海洋图像去噪网络模型的浅层特征提取模块中，输出得到特征图aq1；
22、e-2)将特征图aq1输入到海洋图像去噪网络模型的残差模块中，使用python的random库中的getrandbits函数对特征图aq1进行随机掩码操作，得到掩码后的已标记噪声图像aq1-1；
23、e-3)使用python的opencv库中的fastn1meansdenoising函数进行图像去噪，得到已标记去噪图像aq1-1-r；
24、e-4)将掩码后的已标记噪声图像aq1-1与已标记去噪图像aq1-1-r进行相减操作，得到残差图像a′q1-1-r；
25、e-5)使用python的opencv库中的absdiff函数对残差图像a′q1-1-r提取残差，得到已标记图像潜在空间ml。
26、进一步的，步骤f)包括如下步骤：
27、f-1)海洋图像去噪网络模型的半监督浅桥模块由第一二维卷积层、第二二维卷积层、第三二维卷积层、最大池化层、全连接层构成；
28、f-2)将特征图aq1输入到半监督浅桥模块的第一二维卷积层中，输出得到特征图a″′q1-1-r；
29、f-3)将特征图a″′q1-1-r输入到半监督浅桥模块的第二二维卷积层中，输出得到特征图aq2；
30、f-4)将特征图aq2输入到半监督浅桥模块的第三二维卷积层中，输出得到特征图a′q2-1-r；
31、f-5)将特征图a′q2-1-r输入到半监督浅桥模块的最大池化层中，输出得到特征图aq3，
32、f-6)将特征图aq3输入到半监督浅桥模块的全连接层中，输出得到特征图a″q1-1-r；
33、f-7)将特征图a″q1-1-r输入到海洋图像去噪网络模型的第二残差模块中，使用python的opencv库中的flip函数进行坐标轴为1的水平翻转图片增强操作，得到特征图
34、f-8)使用python的opencv库中的add函数将残差图像a′q1-1-r与特征图进行相加操作，得到特征图aq3-r-m；
35、f-9)对特征图aq3-r-m使用python的opencv库中的flip函数进行坐标轴为0的垂直翻转图片增强操作，得到特征图
36、f-10)将特征图aq3-r-m与特征图a″q1-1-r进行相减本文档来自技高网...
【技术保护点】
1.一种基于SwinIR的海洋图像去噪方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于SwinIR的海洋图像去噪方法，其特征在于：步骤a)中从WSODD数据集中获取n张原始海洋噪声图像，得到原始图像集合A0。
3.根据权利要求1所述的基于SwinIR的海洋图像去噪方法，其特征在于，步骤b)包括如下步骤：
4.根据权利要求1所述的基于SwinIR的海洋图像去噪方法，其特征在于：步骤c)中将预处理后的海洋图像集合为A′0按照3:1的比例划分为训练集和测试集。
5.根据权利要求1所述的基于SwinIR的海洋图像去噪方法，其特征在于，步骤e)包括如下步骤：
6.根据权利要求1所述的基于SwinIR的海洋图像去噪方法，其特征在于，步骤
7.根据权利要求6所述的基于SwinIR的海洋图像去噪方法，其特征在于：步骤f-2)中第一二维卷积层的卷积核大小为3×3、padding为1、步长为1；步骤f-3)中第二二维卷积层的卷积核大小为3×3、padding为1、步长为1；步骤f-4)中第三二维卷积层的卷积核大小为
8.根据权利要求6所述的基于SwinIR的海洋图像去噪方法，其特征在于：步骤i)中将特征图AQ4-R输入到海洋图像去噪网络模型的上采样单元中，通过Pytorch中的PixelShuffle函数对特征图AQ4-R进行上采样处理，得到去噪图像Ades。
9.根据权利要求6所述的基于SwinIR的海洋图像去噪方法，其特征在于，步骤j)包括如下步骤：
10.根据权利要求9所述的基于SwinIR的海洋图像去噪方法，其特征在于：训练海洋图像去噪网络模型时迭代彩石为200K，学习率设置为0.0002，学习速度设置为每20个迭代衰减0.8倍，初始学习率设置为1×10-4，批量大小设置为64，λ1＝0.1，λ2＝0.1。
...【技术特征摘要】
1.一种基于swinir的海洋图像去噪方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于swinir的海洋图像去噪方法，其特征在于：步骤a)中从wsodd数据集中获取n张原始海洋噪声图像，得到原始图像集合a0。
3.根据权利要求1所述的基于swinir的海洋图像去噪方法，其特征在于，步骤b)包括如下步骤：
4.根据权利要求1所述的基于swinir的海洋图像去噪方法，其特征在于：步骤c)中将预处理后的海洋图像集合为a′0按照3:1的比例划分为训练集和测试集。
5.根据权利要求1所述的基于swinir的海洋图像去噪方法，其特征在于，步骤e)包括如下步骤：
6.根据权利要求1所述的基于swinir的海洋图像去噪方法，其特征在于，步骤
7.根据权利要求6所述的基于swinir的海洋图像去噪方法，其特征在于：步骤f-2)中第一二维卷积层的卷积核大小为3×3、padding为1、步长为1；步骤f-3)中第二二维卷...
【专利技术属性】
技术研发人员：许继勇，高晨，陈超，
申请(专利权)人：山东省人工智能研究院，
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。