【技术实现步骤摘要】
本专利技术涉及计算机视觉，具体来说，涉及一种基于无监督扩散模型的水下图像增强方法。
技术介绍
1、水下生物探测、海洋牧场捕捞等水下作业对水下机器人的环境感知精度具有较高的要求。水下图像作为海洋环境感知的载体，其清晰度决定着水下机器人环境感知能力的强弱。因此，水下图像增强技术一直是研究者们探索海洋奥秘的关键研究方向之一。
2、然而，海洋生物丰富导致水质混浊，水体属性导致光在水中的吸收和衰减极其严重且具有波长依赖性，水中悬浮颗粒造成的光折射导致水下成像过程复杂。因此，直接从水下机器人拍摄的水下图像中获取充足的水下信息较为困难。为解决这一难题，越来越多的学者们加入水下图像增强这一领域，致力于设计一个高效鲁棒的水下图像增强方法，改善水下图像的质量，提高水下机器人的环境感知能力。
3、水下图像增强技术主要可以分为三类，主要包括基于非物理模型的方法，基于物理模型的方法以及基于数据驱动的方法。其中非物理模型的方法主要通过逐像素增强图像，包括基于融合的方法，基于retinex理论以及颜色恒常性等方法，此类方法忽略水下降质过程，其...
【技术保护点】
1.一种基于无监督扩散模型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所述的一种基于无监督扩散模型的水下图像增强方法，其特征在于，所述基于对抗性对比学习的预增强网络的损失函数根据以下计算获取：
3.根据权利要求2所述的一种基于无监督扩散模型的水下图像增强方法，其特征在于，所述表示生成器G的最小二乘GAN损失根据以下计算获取：
4.根据权利要求2所述的一种基于无监督扩散模型的水下图像增强方法，其特征在于，生成器G的一致性损失根据以下计算获取：
5.根据权利要求2所述的一种基于无监督扩散模型的水下图像增...
【技术特征摘要】
1.一种基于无监督扩散模型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所述的一种基于无监督扩散模型的水下图像增强方法，其特征在于，所述基于对抗性对比学习的预增强网络的损失函数根据以下计算获取：
3.根据权利要求2所述的一种基于无监督扩散模型的水下图像增强方法，其特征在于，所述表示生成器g的最小二乘gan损失根据以下计算获取：
4.根据权利要求2所述的一种基于无监督扩散模型的水下图像增强方法，其特征在于，生成器g的一致性损失根据以下计算获取：
5.根据权利要求2所述的一种基于无监督扩散模型的水下图像增强方法，其特征在于，所构建的预增强网...
【专利技术属性】
技术研发人员：付先平，李圆圆，郝书媛，米泽田，王辉兵，张军，
申请(专利权)人：大连海事大学，
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。