本发明专利技术公开了一种水下单目深度估计成像方法及装置、电子设备、存储介质。所述方法包括：将水下单目图像输入至训练好的单目深度估计网络，得到水下单目图像的深度图，其中，水下单目图像为在水下场景中拍摄的单一视向的图像；根据深度图，确定水下单目图像对应的真实图像。由于获取水下单目图像对拍摄装置的性能要求不高，因此根据本发明专利技术提供的方法，通过水下单目图像还原真实图像，能够扩大应用范围。
1、水下图像复原对于水下作业的场景尤其是对于水下机器人作业，有着极其重要的意义，与正常环境下拍摄的图像不同，水下复杂的成像环境导致拍摄的水下图像严重退化，水下图像的退化主要有光线吸收导的颜色偏差(要是绿色偏差)，光线前向散射导致的细节模糊和光线后向散射造成的低对比度，如需充分利用水下图像中包含的信息，就必须要改善水下图像的质量。利用水下图像恢复技术，可以改善水下图像的颜色偏差节模和对度低等问题，因此，通过水下图像复原技术获取高质量的水下图像具有重要的意义。
2、当前基于物理模型的水下成像方法中较经典的是基于暗通道的复原方法，galdran等人基于水下图像的退化与光的波长的关系提出了一种r通道的复原方法(reddark channel prior)该方法对色偏有较好的修正效果但未考虑到浑浊水下图像蓝通道的衰减情况从而导致颜色修正的失效。drews等通过实验提出了在不考虑红通道的情况下用暗通道先验(dark channel prior，dcp)求深度进而估计透射率以此复原水下图像。
3、然而当前基于散射模型的水下成像技术大多依赖于较为专业设备与技术，如双目立体视觉与从运动恢复结构(structure from motion，sfm)，这类水下图像恢复方法往往需要输入立体图像对或视频流来获取水下成像模型中景深值，然而一般相机或手机无法获取到这类信息。导致通过双目视觉图像的水下成像技术的应用范围较窄。
/>技术实现思路
1、本专利技术实施例提供了一种水下单目深度估计成像方法及装置、电子设备、存储介质，可以解决通过双目视觉图像的水下成像技术的应用范围较窄的问题。
2、第一方面，本专利技术实施例提供的一种水下单目深度估计成像方法，所述方法包括：
3、将水下单目图像输入至训练好的单目深度估计网络，得到水下单目图像的深度图；
4、根据深度图，确定水下单目图像对应的真实图像。
5、示例性的，水下单目图像为一个在水下场景中拍摄的单一视向的图像。
6、在第一方面的一种可能的实现方式中，单目深度估计网络包括深度网络和位姿网络，单目深度估计网络的训练方法包括：
7、将一组单目样本图像输入至位姿网路，得到同一组的单目样本图像之间的视差图；将单方向的单目样本图像输入至深度网络，得到单方向的单目样本图像的单向深度图；根据单方向的单目样本图像、单向深度图和视差图，确定单目深度估计网络的损失函数；通过反向传播，在损失函数的约束下训练单目深度估计网络，得到训练好的单目深度估计网络。
8、示例性的，同一组的单目样本图像包括拍摄内容相同但是视向不同的两张单目样本图像。
9、示例性的，视差图用于体现同一组的单目样本图像之间的深度差异。
10、示例性的，单方向的单目样本图像为同一组的单目样本图像中的一个。
11、在第一方面的一种可能的实现方式中，位姿网络具体可以用于：对同一组的单目样本图像进行旋转、平移处理，得到对齐的单目样本图像；根据对齐的单目样本图像，确定视差图。
12、在第一方面的一种可能的实现方式中，可以将视差图输入至深度网络，得到另一个视向的预测图像；根据另一个视向的预测图像和另一个视向的单目样本图像，确定单目深度估计网络的重投影误差；根据单方向的单目样本图像，确定单目深度估计网络的像素平滑度；根据重投影误差和像素平滑度，确定损失函数。
13、示例性的，另一个视向的预测图像与另一个视向的单目样本图像的视向相同。
14、示例性的，另一个视向的单目样本图像为同一组的单目样本图像中的另一个。
15、在第一方面的一种可能的实现方式中，深度网络具体可以用于：根据单向深度图，生成单向三维点云；根据单向三维点云和视差图，生成另一个视向的三维点云；根据另一个视向的三维点云，预测得到另一个视向的预测图像。
16、示例性的，另一个视向的三维点云与另一个视向的单目样本图像的视向相同。
17、在第一方面的一种可能的实现方式中，可以根据深度图和水下单目图像，估计水下散射成像模型的衰减系数和后向散射系数；根据衰减系数和后向散射系数，确定真实图像。
18、在第一方面的一种可能的实现方式中，可以根据水下单目图像中每个像素的颜色值和深度图，估计衰减系数；根据水下单目图像的全局背景光和深度图，估计后向散射系数。
19、示例性的，后向散射系数和衰减系数满足下述公式：
20、
21、其中，为水下单目图像中的后向散射分量的贡献值，为水下单目图像的全局背景光，为后向散射系数，为衰减系数，jc′为真实图像的残差信息，z为深度图。
22、第二方面，本专利技术实施例提供了一种水下单目深度估计成像，所述装置包括处理单元，处理单元包括单目深度估计网络；处理单元用于：
23、将水下单目图像输入至训练好的单目深度估计网络，得到水下单目图像的深度图；
24、根据深度图，确定水下单目图像对应的真实图像。
25、示例性的，水下单目图像为一个在水下场景中拍摄的单一视向的图像。
26、在第二方面的一种可能的实现方式中，单目深度估计网络可以包括位姿网络和深度网络，处理单元还可以用于：
27、将一组单目样本图像输入至位姿网路，得到同一组的单目样本图像之间的视差图；将单方向的单目样本图像输入至深度网络，得到单方向的单目样本图像的单向深度图；根据单方向的单目样本图像、单向深度图和视差图，确定单目深度估计网络的损失函数；通过反向传播，在损失函数的约束下训练单目深度估计网络，得到训练好的单目深度估计网络。
28、示例性的，同一组的单目样本图像包括拍摄内容相同但是视向相反的两张单目样本图像。
29、示例性的，视差图用于体现同一组的单目样本图像之间的深度差异。
30、示例性的，单方向的单目样本图像为同一组的单目样本图像中的一个。
31、在第二方面的一种可能的实现方式中，位姿网络具体可以用于：对同一组的单目样本图像进行旋转、平移处理，得到对齐的单目样本图像；根据对齐的单目样本图像，确定视差图。
32、在第二方面的一种可能的实现方式中，处理单元具体可以用于将视差图输入至深度网络，得到另一个视向的预测图像；根据另一个视向的预测图像和另一个视向的单目样本图像，确定单目深度估计网络的重投影误差；根据单方向的单目样本图像，确定单目深度估计网络的像素平滑度；根据重投影误差和像素平滑度，确定损失函数。
33、示例性的，另一个视向的预测图像与另一个视向的单目样本图像的视向相同。
34、示例性的，另一个视向的单目样本图像为同一组的单目样本图像中的另一个。
35、在第二方面的一种可能的实现方式中，深度网络具体可以用于：根据单向深度图，生成单向三维本文档来自技高网...
【技术保护点】
1.一种水下单目深度估计成像方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述单目深度估计网络包括深度网络和位姿网络，所述单目深度估计网络的训练方法包括：
3.根据权利要求2所述的方法，其特征在于，所述位资网络具体用于：
4.根据权利要求2所述的方法，其特征在于，所述根据所述单方向的单目样本图像、所述单向深度图和所述视差图，确定所述单目深度估计网络的损失函数，包括：
5.根据权利要求4所述的方法，其特征在于，所述深度网络具体用于：
6.根据权利要求1所述的方法，其特征在于，所述根据所述深度图，确定所述水下单目图像对应的真实图像，包括：
7.根据权利要求6所述的方法，其特征在于，所述根据所述深度图和所述水下单目图像，估计水下散射成像模型的衰减系数和后向散射系数，包括：
8.一种水下单目深度估计成像装置，其特征在于，所述装置包括处理单元，所述处理单元包括单目深度估计网络，所述处理单元用于；
9.一种电子设备，包括存储器、处理器以及存储在所述存储器中的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被所述处理设备执行时实现如权利要求1-7任一项所述的方法。
...
【技术特征摘要】
1.一种水下单目深度估计成像方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述单目深度估计网络包括深度网络和位姿网络，所述单目深度估计网络的训练方法包括：
3.根据权利要求2所述的方法，其特征在于，所述位资网络具体用于：
4.根据权利要求2所述的方法，其特征在于，所述根据所述单方向的单目样本图像、所述单向深度图和所述视差图，确定所述单目深度估计网络的损失函数，包括：
5.根据权利要求4所述的方法，其特征在于，所述深度网络具体用于：
6.根据权利要求1所述的方法，其特征在于，所述根据所述深度图，确定所述水下单目图像对应的真实图像，包...
【专利技术属性】
技术研发人员：邵晓鹏，席特立，杨李熹，吕沛，程华超，周立山，
申请(专利权)人：西安电子科技大学，
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。