[发明专利]水下图像增强生成对抗网络的训练方法、介质及装置

权利要求书

1.一种水下图像增强生成对抗网络的训练方法，其特征在于，包括以下步骤;

获取原始图片，并将所述原始图片输入到水下图像失真模型，以生成所述原始图片对应的第一水下图片；

对所述第一水下图片进行数据扩充，以生成多个第二水下图片，并根据所述原始图片和所述第二水下图片生成对应每个所述第二水下图片的训练数据对；

根据所述训练数据对进行生成对抗网络的训练，以获取水下图像增强生成对抗网络；

其中，所述水下图像失真模型的生成步骤包括：

获取同一场景对应不同色温的场景图片，并根据每个色温对应的场景图片计算非线性颜色映射函数，以便根据所述非线性颜色映射函数将原始图片转换为第一水下图片；

其中，对所述第一水下图片进行数据扩充，以生成多个第二水下图片，包括：

获取多个待镶嵌图片，并将每个待镶嵌图片分别与所述第一水下图片进行泊松融合，以生成对应所述待镶嵌图片的多个第二水下图片；

其中，所述水下图像增强生成对抗网络的conv层采用两个stride为2的conv进行下采样，并采用两个densenet模块，以有效传递conv层输出信号的特征信息；

所述水下图像增强生成对抗网络使用upsample+conv组合来进行上采样操作，每个卷积层都采用conv+INinstance norm+leakyrelu结构。

2.如权利要求1所述的水下图像增强生成对抗网络的训练方法，其特征在于，对所述第一水下图片进行数据扩充，以生成多个第二水下图片，包括：

对所述第一水下图片进行裁剪，以生成多个裁剪图片，并对所述多个裁剪图片进行翻转处理和/或镜像处理，以及对处理后的裁剪图片进行拼接，以生成多个第二水下图片。

3.如权利要求1或2所述的水下图像增强生成对抗网络的训练方法，其特征在于，所述水下图像增强生成对抗网络的生成模型端包括三个步长为2的卷积层和两个densenet模块；

所述水下图像增强生成对抗网络的判决模型端包括局部判决器、全局判决器和亮度判决器；

所述水下图像增强生成对抗网络的优化器为Adamoptimizer。

4.一种计算机可读存储介质，其特征在于，其上存储有水下图像增强生成对抗网络的训练程序，该水下图像增强生成对抗网络的训练程序被处理器执行时实现如权利要求1-3中任一项所述的水下图像增强生成对抗网络的训练方法。

5.一种水下图像增强生成对抗网络的训练装置，其特征在于，包括：

获取模块，所述获取模块用于获取原始图片；

图像失真模块，所述图像失真模块用于将所述原始图片输入到水下图像失真模型，以生成所述原始图片对应的第一水下图片；

训练数据生成模块，所述训练数据生成模块用于对所述第一水下图片进行数据扩充，以生成多个第二水下图片，并根据所述原始图片和所述第二水下图片生成对应每个所述第二水下图片的训练数据对；

训练模块，所述训练模块用于根据所述训练数据对进行生成对抗网络的训练，以获取水下图像增强生成对抗网络；

其中，所述水下图像失真模型的生成步骤包括：

获取同一场景对应不同色温的场景图片，并根据每个色温对应的场景图片计算非线性颜色映射函数，以便根据所述非线性颜色映射函数将原始图片转换为第一水下图片；

其中，对所述第一水下图片进行数据扩充，以生成多个第二水下图片，包括：

获取多个待镶嵌图片，并将每个待镶嵌图片分别与所述第一水下图片进行泊松融合，以生成对应所述待镶嵌图片的多个第二水下图片；

其中，所述水下图像增强生成对抗网络的conv层采用两个stride为2的conv进行下采样，并采用两个densenet模块，以有效传递conv层输出信号的特征信息；

所述水下图像增强生成对抗网络使用upsample+conv组合来进行上采样操作，每个卷积层都采用conv+INinstance norm+leakyrelu结构。

6.如权利要求5所述的水下图像增强生成对抗网络的训练装置，其特征在于，对所述第一水下图片进行数据扩充，以生成多个第二水下图片，包括：

对所述第一水下图片进行裁剪，以生成多个裁剪图片，并对所述多个裁剪图片进行翻转处理和/或镜像处理，以及对处理后的裁剪图片进行拼接，以生成多个第二水下图片。