【技术实现步骤摘要】
本专利技术涉及水下图像处理，尤其涉及一种基于改进waternet算法的水下图像增强方法。
技术介绍
1、随着现代科技的不断发展，世界各国除了不断对陆地资源和天空资源加深探索，也逐渐将研究重心转向了广阔的海洋资源，通过水下环境探测获取目标资源信息。而由于水体对光线的吸收与散射反应，导致光线在水体中传播时不断减弱，因此水下图像常呈现对比度低、模糊、严重色偏等缺陷，人们难以在水下环境中获得高质量图像。因此如何利用图像增强技术对已获得的水下图像进行处理，提升图像质量，对水下图像增强及拓展对海洋资源的探索都具有重要意义。
2、为提升水下图像增强效果，基于深度学习的图像增强方法被陆续应用。深度学习突破了传统方法的局限，通过多层次的非线性变换自动从原始数据中提取高级抽象特征，能够更好地捕捉数据中的潜在模式和结构。常见图像增强方法的深度学习框架多基于卷积神经网络和对抗神经网络，无需雾化图像和清晰图像之间明确的内在联系，通过离线训练两者端对端的转换模型，待模型收敛后即可在线提升原水下图像的视觉质量。
3、然而面对水下图像存在较大程度色偏和模糊等严重质量问题，当前基于深度学习的水下图像增强方法由于网络结构较为简单，难以充分提取水下图像特征，图像结果的细节增强不足，对水下图像的增强能力有限。
技术实现思路
1、本专利技术公开一种基于改进waternet算法的水下图像增强方法，解决色偏和模糊等缺陷下低质量水下图像特征难以充分提取导致增强效果需要提升的问题。
2、为了实现
3、(1)对原始水下图像分别进行白平衡、直方图均衡和伽马校正处理；
4、(2)将步骤(1)输出的三张图像与原始水下图像输入基于unet的主干网络，生成三张置信度图；
5、(3)将步骤(1)输出的三张图像分别与原始水下图像输入特征转换单元进行细化，输出三张特征图；
6、(4)将步骤(2)输出的置信度图与步骤(3)输出的特征图分别相乘，最后融合得到增强的水下图像。
7、作为本专利技术的优化方案，步骤(1)中，通过白平衡校正输入图像的色彩，矫正后的图像光谱分布表达式如下：
8、μi＝0.5+λμref (1)
9、式中：μref为灰色世界算法得到的光照数值；λ为调整系数，一般取值为0～0.5，为使图像处理更加均匀，常设为0.2；
10、通过直方图均衡提高输入图像的对比度，处理后的图像灰度为：
11、
12、式中：dmax为最大灰度值；da为处理前的图像灰度；为da的概率密度函数；μ为积分变量；
13、通过伽马校正照亮输入图像的暗区域，校正后的相应像素灰度值为：y(x)＝xγ(γ＞0) (3)
14、式中：x∈[0，l-1]指输入图像的像素灰度值，l是灰度级的数量；γ是伽马校正的参数值，不同成像设备具有不同的伽马参数值；当γ的值大于1时，图像的高光部分会被压缩而暗调部分会被扩展；当γ的值小于1时，图像的高光部分会被扩展而暗调部分会被压缩。
15、作为本专利技术的优化方案，在步骤(2)中，在编码器中加入通道注意力机制，使基于unet的主干网络能够自主地对每个特征通道赋予增益系数，从而提高网络对图像全局色彩偏移的校正能力；特征图的第c个特征元素表达如下：
16、
17、式中：uc为se通道注意力机制对输入特征图进行特征映射得到的输出特征图的第c张特征子图；sc为生成的每个通道所对应调制权值集合的第c个元素。
18、作为本专利技术的优化方案，在编码器与解码器间的跳跃连接中，添加可变形卷积使感受野通过可学习的偏移来接近物体的形状，进一步增强网络对复杂空间结构的特征提取能力；输出特征图y上的任意位置p0的可变形卷积计算方式如下：
19、
20、式中：x(p0+pn+δpn)表示特征图中采样位置p0+pn+δpn的像素值；w(pn)代表采样点p0+pn+δpn的权重。
21、作为本专利技术的优化方案，在步骤(3)中，将特征转换单元中第三个卷积层替换为可变形卷积，增强对图像空间特征的提取。提高了网络结构对图像细节的处理能力。
22、作为本专利技术的优化方案，步骤(4)中，将步骤(2)输出的置信度图与步骤(3)输出的特征图分别相乘后融合，结果如下：
23、ien＝rwb⊙cwb+rhe⊙che+rgc⊙cgc (6)
24、式中：ien是图像增强后的结果；⊙表示矩阵的元素生成；rwb、rhe和rgc为特征转换单元处理后的细化结果；cwb、che和cgc为学习到的置信度图。
25、本专利技术具有积极的效果：1)本专利技术利用改进waternet网络实现模糊图像与清晰图像之间非线性结构的端对端训练优化，通过离线对大量水下图像进行训练，使得神经网络模型充分表征模糊图像与清晰图像之间数学关系，在线输出高清晰、高保真的水下图像；
26、2)本专利技术将waternet算法的主干网络替换为unet，增强算法的特征提取能力；
27、3)本专利技术将通道注意力机制加入主干网络的编码器，使网络能够自主地对每个特征通道赋予增益系数，从而提高网络对图像全局色彩偏移的校正能力；
28、4)本专利技术将可变形卷积加入主干网络的跳跃连接，并将特征转换单元的最后一个卷积层替换为可变形卷积，增强网络对复杂空间结构的提取能力，提高网络对图像对比度以及模糊的改善能力。与传统水下图像增强方法相比，本专利技术提出的方法充分挖掘了深度学习网络对水下图像的特征提取能力，面对存在较大程度色偏和模糊等严重问题的低质量水下图像，依然能较为明显地提升图像的视觉质量。
本文档来自技高网...【技术保护点】
1.基于改进WaterNet算法的水下图像增强方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于改进WaterNet算法的水下图像增强方法，其特征在于：步骤(1)中，通过白平衡校正输入图像的色彩，矫正后的图像光谱分布表达式如下：
3.根据权利要求2所述的基于改进WaterNet算法的水下图像增强方法，其特征在于：在步骤(2)中，在主干网络的编码器中加入通道注意力机制，使基于Unet的主干网络能够自主地对每个特征通道赋予增益系数，从而提高网络对图像全局色彩偏移的校正能力；特征图的第c个特征元素表达如下：
4.根据权利要求3所述的基于改进WaterNet算法的水下图像增强方法，其特征在于：在编码器与解码器间的跳跃连接中，添加可变形卷积使感受野通过可学习的偏移来接近物体的形状，进一步增强网络对复杂空间结构的特征提取能力；输出特征图y上的任意位置p0的可变形卷积计算方式如下：
5.根据权利要求1所述的基于改进WaterNet算法的水下图像增强方法，其特征在于：在步骤(3)中，将特征转换单元中第三个卷积层替换为可变形卷积，增强对图
6.根据权利要求5所述的基于改进WaterNet算法的水下图像增强方法，其特征在于：步骤(4)中，将步骤(2)输出的置信度图与步骤(3)输出的特征图分别相乘后融合，结果如下：
...【技术特征摘要】
1.基于改进waternet算法的水下图像增强方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于改进waternet算法的水下图像增强方法，其特征在于：步骤(1)中，通过白平衡校正输入图像的色彩，矫正后的图像光谱分布表达式如下：
3.根据权利要求2所述的基于改进waternet算法的水下图像增强方法，其特征在于：在步骤(2)中，在主干网络的编码器中加入通道注意力机制，使基于unet的主干网络能够自主地对每个特征通道赋予增益系数，从而提高网络对图像全局色彩偏移的校正能力；特征图的第c个特征元素表达如下：
4.根据权利要求3所述的基于改进watern...
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。