【技术实现步骤摘要】
本申请涉及水下图像增强，尤其涉及水下图像增强方法、存储介质及计算机程序产品。
技术介绍
1、相对于在空气中拍摄，由于光在水介质中的吸收和散射，水下摄像头拍摄的图像和视频会有严重的质量下降。为了水下图像质量下降的问题，需要提取水下场景有价值的信息来校正颜色，来提高清晰度，以及解决图像模糊和背景散射的问题，图像增强算法因此被提出。
2、目前，水下图像增强算法分为基于传统数字图像处理方法和基于深度学习的方法。其中传统数字图像处理的方法也可以细分为基于图像成像模型(image formationmodel,ifm)和不基于ifm的算法。例如，基于ifm的增强方法有暗通道先验(dark channelprior,dcp)、水下暗通道先验(underwater dark channel prior,udcp)，红色通道先验(red channel prior,rcp)，模糊先验(blurriness prior,bp)最大强度先验(maximumintensity prior,mip)水下光衰减先验(underwater light attenuation prior,ulap)等。这类水下增强方法通过以上算法的先验信息可以求出背景光和透视图，然后在ifm中恢复图像原来的色彩。
3、不基于ifm的算法主要有空间域增强、变换域增强等方法。其中，空间域增强具有代表性的方法有直方图均衡化(histogram equalization，he)、对比度有限自适应直方图均衡化(contrast limited adaptive
4、基于深度学习的图像增强具有代表性的方法有uie-net(underwater imageenhancement-net)，watergan，underwater-gan等。这类方法主要通过生成式网络，以原始模糊的水下图像作为输入，通过深度网络生成更加清晰的图像，而且自适应能力强，是现在水下图像增强方法研究的热点。
5、对于基于传统数字图像处理的方法，存在的缺点如下：
6、(1)基于ifm的图像增强模型算法复杂度高，对处理器的要求较高，难以做到实时视频增强。容易出现色斑色块的效应，在低对比度的水下远处的背景环境，会出现块效应，增强效果不好。
7、(2)对于不基于ifm的方法，如空间域增强、变换域增强，由于需要对图像进行分块、均衡化和插值处理，因此对计算资源要求较高；算法对参数设置敏感，需要有一定的专家知识，难以实现智能自适应地增强图像的效果；对于亮度不均匀的原始图像，由于对比度的限制，增强图像的视觉效果可能不佳。
8、对于基于深度学习的图像增强方法，存在的缺点如下：
9、深度学习可以很好地适应变化的水下场景，效果相对其他方法都要有优势。但是其模型参数众多，训练难度大，需要更高的计算资源才可以部署使用，难以适应硬件经济性的需求。
10、综上所述，由于传统数字图像处理方法和基于深度学习的图像增强方法均存在各自的缺点，因此，如何解决基于传统数字图像处理方法需要专家知识手动调参，自适应能力差和效果不佳的缺点，以及基于深度学习方法需要大量算力支持的缺点，是目前亟需解决的一个问题。
技术实现思路
1、本申请的主要目的在于提供一种水下图像增强方法、存储介质及计算机程序产品，旨在解决基于传统数字图像处理方法需要专家知识手动调参，自适应能力差和效果不佳，以及基于深度学习方法需要大量算力支持的技术问题。
2、为实现上述目的，本申请提出一种水下图像增强方法，所述水下图像增强方法包括：
3、s10，获取水下采集到的待增强图像；
4、s30，利用预先训练的水下图像增强模型处理所述待增强图像，得到增强后的图像数据；其中，所述水下图像增强模型基于对比学习约束的生成式对抗网络并结合知识蒸馏模型训练得到。
5、在一实施例中，所述获取水下采集到的待增强图像的步骤包括：
6、a101，利用水下摄像头获取所述待增强图像，其中，所述待增强图像为无标签样本。
7、在一实施例中，所述利用预先训练的水下图像增强模型处理所述待增强图像，得到增强后的图像数据的步骤之前，还包括：
8、s201，对所述待增强图像进行直方图均衡化处理，得到第一增强图像；
9、s203，基于所述待增强图像，利用生成器生成第二增强图像；
10、s205，利用判别器判别所述第二增强图像和所述第一增强图像，得到判别损失，基于所述判别损失更新所述生成器的参数；
11、s207，对所述待增强图像和所述第二增强图像进行切片，得到待增强图像切片和第二增强图像切片，利用所述生成器学习所述待增强图像切片和所述第二增强图像切片的共性信息，得到对比学习损失，基于所述对比学习损失更新所述生成器的参数；
12、s209，利用二值化卷积神经网络进行蒸馏学习，得到蒸馏损失，基于所述蒸馏损失更新所述二值化卷积神经网络的参数；
13、s211，基于联合损失公式进行计算，得到联合损失，基于所述联合损失对所述二值化卷积神经网络进行梯度更新；
14、s213，重复执行步骤s205、步骤s207、步骤s209和步骤s211，直至达到预设迭代次数后，得到目标二值化卷积神经网络，所述目标二值化卷积神经网络即为训练好的水下图像增强模型。
15、在一实施例中，所述基于所述待增强图像，利用生成器生成第二增强图像的步骤之前，还包括：
16、s202，基于堆栈二维卷积神经网络构建所述生成器，其中，所述堆栈二维卷积神经网络的参数是随机初始化的。
17、在一实施例中，所述利用判别器判别所述第二增强图像和所述第一增强图像，得到判别损失，基于所述判别损失更新所述生成器的参数的步骤包括：
18、a2051，利用所述判别器对所述第一增强图像和所述第二增强图像进行判别，得到图像为真实样本的概率；
19、a2053，根据所述判别器的判别损失函数，得到判别损失，根据所述判别损失通过梯度回传更新所述生成器的参数；所述判别损失函数的公式如下：
20、lgan(g,,,)＝er～rlogd()+ef～flog(1-d(g(f)))
21、其中，lgan代表所述判别损失，g、d分别代表所述生成器和所述判别器，f代表由虚假图像构成的集合；r代表来自r域的真实图像，即所述第一增强图像；d(r)代表所述判别器对所述第一增强图像r的判别结果；er～r代表判别器d对来自r域的真实图像r判断为真实图像的概率，即判别器d对所述第一增强图像r判断为真实图像的概率；
22、r代表由真实图本文档来自技高网...
【技术保护点】
1.一种水下图像增强方法，其特征在于，所述水下图像增强方法包括：
2.如权利要求1所述的方法，其特征在于，所述获取水下采集到的待增强图像的步骤包括：
3.如权利要求1所述的方法，其特征在于，所述利用预先训练的水下图像增强模型处理所述待增强图像，得到增强后的图像数据的步骤之前，还包括：
4.如权利要求3所述的方法，其特征在于，所述基于所述待增强图像，利用生成器生成第二增强图像的步骤之前，还包括：
5.如权利要求3所述的方法，其特征在于，所述利用判别器判别所述第二增强图像和所述第一增强图像，得到判别损失，基于所述判别损失更新所述生成器的参数的步骤包括：
6.如权利要求3所述的方法，其特征在于，所述对所述待增强图像和所述第二增强图像进行切片，得到待增强图像切片和第二增强图像切片，利用所述生成器学习所述待增强图像切片和所述第二增强图像切片的共性信息，得到对比学习损失，基于所述对比学习损失更新所述生成器的参数的步骤包括：
7.如权利要求3所述的方法，其特征在于，所述利用二值化卷积神经网络进行蒸馏学习，得到蒸馏损失，基于
8.如权利要求3所述的方法，其特征在于，所述基于联合损失公式进行计算，得到联合损失，基于所述联合损失对所述二值化卷积神经网络进行梯度更新的步骤之前，还包括：
9.一种存储介质，其特征在于，所述存储介质为计算机可读存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至8中任一项所述的水下图像增强方法的步骤。
10.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现如权利要求1至8中任一项所述的水下图像增强方法的步骤。
...【技术特征摘要】
1.一种水下图像增强方法，其特征在于，所述水下图像增强方法包括：
2.如权利要求1所述的方法，其特征在于，所述获取水下采集到的待增强图像的步骤包括：
3.如权利要求1所述的方法，其特征在于，所述利用预先训练的水下图像增强模型处理所述待增强图像，得到增强后的图像数据的步骤之前，还包括：
4.如权利要求3所述的方法，其特征在于，所述基于所述待增强图像，利用生成器生成第二增强图像的步骤之前，还包括：
5.如权利要求3所述的方法，其特征在于，所述利用判别器判别所述第二增强图像和所述第一增强图像，得到判别损失，基于所述判别损失更新所述生成器的参数的步骤包括：
6.如权利要求3所述的方法，其特征在于，所述对所述待增强图像和所述第二增强图像进行切片，得到待增强图像切片和第二增强图像切片，利用所述生成器学习所述待增强图像切片和所述第二增强图...
【专利技术属性】
技术研发人员：何琛，杨仁友，郑凯健，秦浩，叶威，
申请(专利权)人：南方海洋科学与工程广东省实验室湛江，
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。