System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于图像处理和深度学习领域,涉及水下图像超分辨率重建技术,具体涉及一种基于生成对抗网络的水下图像超分辨率重建方法。
技术介绍
1、水下图像在海洋科学和工程应用中发挥者关键作用,对海洋研究、生态监测、海洋资源勘探及水下设备维护等领域具有重要价值。它不仅提高了对海洋生物和珊瑚礁的监测能力,还在水下目标精确定位、检测与识别中发挥核心作用。然而水下图像却因为水下环境复杂导致细节丢失、对比度降低和颜色失真,因此,水下图像的超分辨率技术成为关键,它通过重建高分辨率图像(high resolution,hr)来弥补低分辨率图像(low resolution,lr)的多种质量缺陷,从而显著提升图像质量。
2、近年来深度学习技术已经成功应用于图像的超分辨率重建问题,在处理传统方法中常见的问题如重建过程中细节丢失、边缘模糊等方面,取得了比传统方法更好的效果。这类方法通常使用低分辨率/高分辨率图像对作为训练数据,建立并利用深度神经网络学习从低分辨率图像到高分辨率图像的映射。随后,使用经过训练的网络对输入的低分辨率图像进行超分辨率重建处理,生成高分辨率的输出结果图像。
技术实现思路
1、专利技术目的:为了克服现有技术中存在的不足,提供一种基于生成对抗网络的水下图像超分辨率重建方法,引入了改进的生成对抗网络,使重建出的图像细节更丰富,可以生成出质量更高且保留更多细节的超分辨率水下图像。
2、技术方案:为实现上述目的,本专利技术提供一种基于生成对抗网络的水下图像超分辨率重建方
3、s1:将高分辨率水下图像数据集中的高分辨率图像a输入到设计和构建好的水下图像退化模型中,生成真实的水下低分辨率图像b;
4、s2:将水下低分辨率图像b输入到设计和构建好的生成器模型中,输出得到超分辨率图像c;
5、s3:将高分辨率图像a和超分辨率图像c输入到设计和构建好的判别器模型中,判别网络对高分辨率图像a和超分辨率图像c进行对比,输出概率用于判断真假;
6、s4:生成网络和判别网络通过相互学习和对抗,直至生成器和判别器达到平衡;
7、判别器的输出概率表示输入图像是真实图像的可能性;生成器和判别器相互竞争,生成器尝试生成尽可能接近真实的高分辨率图像,而判别器则努力区分真实图像和生成图像,这种竞争促使两者不断进步,提高生成图像的质量;当生成器能够生成足以欺骗判别器的高分辨率图像,而判别器无法轻易区分真实图像和生成图像,模型达到平衡;
8、s5:使用量化指标对生成器模型进行评估,利用通过评估的生成器模型进行水下图像超分辨率重建。
9、进一步地,所述步骤s1中水下图像退化模型的运行过程为:
10、a1:对高分辨率图像a进行随机下采样;
11、a2:添加随机噪声至下采样图像中;
12、a3:添加悬浮颗粒至下采样图像中,生成真实的水下低分辨率图像b。
13、进一步地,所述步骤a1中随机下采样的方式为双线性插值,双三次插值,最近邻插值中的一种。
14、所述步骤a2具体为:引入水波噪声,散射噪声和色散噪声至下采样图像中,并使用随机数a,b,c作为加权系数来控制三种噪声的噪声强度,三个随机数和为1,同时a被限定在0到0.1范围内。
15、所述步骤a3中为了进一步提高模拟图像的真实性,在图像上添加了悬浮颗粒模拟,该步骤在图像上随机分布模拟的泥沙、微小生物和其他海洋颗粒,来模拟水下环境中的常见干扰。
16、进一步地,所述步骤s2的生成器模型包括初始卷积层、注意力增强型密集残差块、上采样层、输出卷积层,所述初始卷积层用于从输入的低分辨率图像提取特征;所述注意力增强型密集残差块,即在密集残差块内部集成了密集注意力模块,用以增强网络对关键特征的关注以及提升细节重建的能力;所述上采样层用于增加图像的分辨率;所述输出卷积层用于生成最后的高分辨率图像。
17、进一步地,所述注意力增强型密集残差块由三个密集块和三个相应的密集注意力模块交替构成。每个密集块通过残差连接传递信息到下一块,并于之后的密集注意力模块相连。在每个密集块内部,五个卷积层交替排列,每个卷积层后跟一个激活层,通过密集连接相互作用。
18、进一步地,所述注意力增强型密集残差块中密集注意力机制的运行过程为:
19、b1:从初始卷积层获取的特征图中,通过计算每个通道的像素值方差及其平方根标准差,来评估像素值的波动情况;然后,利用这些统计数据构建初步的注意力图,其中较大的标准差值映射到更高的权重,以突出重要特征;
20、b2:通过计算特征图的统计指标,导向加权过程依据这些指标调整注意力图,增强关键特征的表示并抑制次要信息,以优化特征的重要性分布;
21、b3:融合初步注意力图与导向加权结果,最终注意力图通过归一化和非线性调整细化权重,确保综合统计特性和导向信息优化特征加权;
22、b4:最终注意力图经元素级乘法施加于特征图,随后归一化以调整特征强度,适配网络后续层的处理需求;
23、b5:输出加权特征图至下一层网络。
24、进一步地,所述步骤s3的判别器模型包括初始卷积层、leakyrelu激活函数、深度卷积层、全连接层和sigmoid激活函数,所述深度卷积层包括一组卷积层、一组谱归一化层和leakyrelu激活函数。
25、判别器是一个深度卷积神经网络,它的目标主要是区别生成的高分辨率图像和真实的高分辨率图像;判别器的结构设计如下:第一层为一个3×3的卷积层,卷积层之后leakyrelu激活函数,以引入非线性,之后是深度卷积层,深度卷积层之中每一层都使用3×3的卷积核,这些层用于提取图像的更深层次特征;共使用6组深度卷积层,每个深度卷积层包括一组卷积层,一组谱归一化层和leakyrelu激活函数;在深度卷积层之后是全连接层,用于将特征映射到最终的分类结果;最后一层是一个具有单个神经元的输出层,使用sigmoid激活函数,用于输出图像是真实还是生成的概率。
26、进一步地,所述深度卷积层中的谱归一化层代替了批规范化层,谱归一化层通过计算权重矩阵奇异值并将最大奇异值限定为单位值,从而控制权重矩阵的谱范数,通过控制权重矩阵的谱范数有效地避免了批规范化层可能导致的高频细节信息损失,从而更好地保持图像的细节信息,同时可以稳定训练。
27、进一步地,所述步骤s4具体为:随机选择图像批次,交替训练生成器和判别器,当判别器无法区别生成的超分辨率图像c和原高分辨率图像a时,即表示训练完成;训练过程中使用adam优化器进行优化,采用对抗损失、感知损失和内容损失加权融合的方式指导网络参数的调整;公式表示为:
28、
29、lcont为内容损失,lperc为感知损失,为生成器对抗损失,α,β,γ是各自损失函数的权重系数;
30、为了优化图像生成效果,损失函数的权重应根据实验反馈进行调整本文档来自技高网...
【技术保护点】
1.一种基于生成对抗网络的水下图像超分辨率重建方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的一种基于生成对抗网络的水下图像超分辨率重建方法,其特征在于,所述步骤S1中水下图像退化模型的运行过程为:
3.根据权利要求2所述的一种基于生成对抗网络的水下图像超分辨率重建方法,其特征在于,所述步骤A1中随机下采样的方式为双线性插值,双三次插值,最近邻插值中的一种。
4.根据权利要求2所述的一种基于生成对抗网络的水下图像超分辨率重建方法,其特征在于,所述步骤A2具体为:引入水波噪声,散射噪声和色散噪声至下采样图像中,并使用随机数a,b,c作为加权系数来控制三种噪声的噪声强度,三个随机数和为1,同时a被限定在0到0.1范围内。
5.根据权利要求1所述的一种基于生成对抗网络的水下图像超分辨率重建方法,其特征在于,所述步骤S2的生成器模型包括初始卷积层、注意力增强型密集残差块、上采样层、输出卷积层,所述初始卷积层用于从输入的低分辨率图像提取特征;所述注意力增强型密集残差块,即在密集残差块内部集成了密集注意力模块,用以增强网络对关键特征的
6.根据权利要求5所述的一种基于生成对抗网络的水下图像超分辨率重建方法,其特征在于,所述注意力增强型密集残差块由三个密集块和三个相应的密集注意力模块交替构成。每个密集块通过残差连接传递信息到下一块,并于之后的密集注意力模块相连;在每个密集块内部,五个卷积层交替排列,每个卷积层后跟一个激活层,通过密集连接相互作用。
7.根据权利要求6所述的一种基于生成对抗网络的水下图像超分辨率重建方法,其特征在于,所述注意力增强型密集残差块中密集注意力机制的运行过程为:
8.根据权利要求1所述的一种基于生成对抗网络的水下图像超分辨率重建方法,其特征在于,所述步骤S3的判别器模型包括初始卷积层、LeakyReLU激活函数、深度卷积层、全连接层和Sigmoid激活函数,所述深度卷积层包括一组卷积层、一组谱归一化层和LeakyReLU激活函数。
9.根据权利要求8所述的一种基于生成对抗网络的水下图像超分辨率重建方法,其特征在于,所述深度卷积层中的谱归一化层代替了批规范化层,谱归一化层通过计算权重矩阵奇异值并将最大奇异值限定为单位值,从而控制权重矩阵的谱范数,通过控制权重矩阵的谱范数有效地避免了批规范化层可能导致的高频细节信息损失。
10.根据权利要求1所述的一种基于生成对抗网络的水下图像超分辨率重建方法,其特征在于,所述步骤S4具体为:随机选择图像批次,交替训练生成器和判别器,当判别器无法区别生成的超分辨率图像C和原高分辨率图像A时,即表示训练完成;训练过程中使用Adam优化器进行优化,采用对抗损失、感知损失和内容损失加权融合的方式指导网络参数的调整。
...【技术特征摘要】
1.一种基于生成对抗网络的水下图像超分辨率重建方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的一种基于生成对抗网络的水下图像超分辨率重建方法,其特征在于,所述步骤s1中水下图像退化模型的运行过程为:
3.根据权利要求2所述的一种基于生成对抗网络的水下图像超分辨率重建方法,其特征在于,所述步骤a1中随机下采样的方式为双线性插值,双三次插值,最近邻插值中的一种。
4.根据权利要求2所述的一种基于生成对抗网络的水下图像超分辨率重建方法,其特征在于,所述步骤a2具体为:引入水波噪声,散射噪声和色散噪声至下采样图像中,并使用随机数a,b,c作为加权系数来控制三种噪声的噪声强度,三个随机数和为1,同时a被限定在0到0.1范围内。
5.根据权利要求1所述的一种基于生成对抗网络的水下图像超分辨率重建方法,其特征在于,所述步骤s2的生成器模型包括初始卷积层、注意力增强型密集残差块、上采样层、输出卷积层,所述初始卷积层用于从输入的低分辨率图像提取特征;所述注意力增强型密集残差块,即在密集残差块内部集成了密集注意力模块,用以增强网络对关键特征的关注以及提升细节重建的能力;所述上采样层用于增加图像的分辨率;所述输出卷积层用于生成最后的高分辨率图像。
6.根据权利要求5所述的一种基于生成对抗网络的水下图像超分辨率重建方法,其特征在于,所述注意力增强型密集残差块由三个密集块和三个相应的密集注意力...
【专利技术属性】
技术研发人员:李忠国,高庙伟,唐洪川,石周,车赛,赵全明,张天一,
申请(专利权)人:江苏科技大学,
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。