[发明专利]一种基于多残差联合学习的水下图像增强方法

说明书

本发明涉及一种基于多残差联合学习的水下图像增强方法，属于深度学习技术领域。包括：1)将包含降质图像与对应参考图像的水下图像数据集中不同分辨率的图片随机裁剪成相同分辨率的图像，建立水下图像增强模型的训练集；2)对训练集中裁剪后的降质图像分别采用多种预处理方法进行处理，每种预处理方法对应得到一张预处理后的图像；3)以参考图像作为降质图像的标签，将降质图像的原始图像和经过预处理后的降质图像输入多残差联合学习的多分支卷积神经网络中进行训练，得到图像增强模型；4)将待增强图像输入所述图像增强模型中，得到处理后的增强图像。

技术领域

本发明涉及深度学习技术领域，具体地说，涉及一种基于多残差联合学习的水下图像增强方法。

背景技术

水下图像增强技术由于其在海洋工程和水上机器人领域的重要意义而备受关注。由于复杂的水下环境，摄像机在水下拍摄的图像会出现对比度低、颜色偏差和细节模糊等问题。

由于在成像过程中受到很多因素的影响，如辅助照明光源发出的光准直性差、在摄像场景中光照明强度分布不均匀，摄取到的水下图像背景亮暗分布具有较大的差异。另外，由于水对光具有吸收和散射作用，光在水中传输时受到强烈的衰减，水下摄像环境能见度低，获得的水下图像的细节特征不清晰，对比度低。目前成熟的水下成像技术虽然在一定程度上改善了水下图像质量，但仍具有光照非均匀性、对比度差、信噪比低等特点的水下图像无法满足人们的实际应用需求。

近几年提出了许多水下图像增强算法，并且可以将其分为：基于非物理模型，基于物理模型以及数据驱动的方法。基于非物理模型的方法旨在修改图像像素值以提高视觉质量，忽略了水下光学特性。

基于物理模型的方法将水下图像的增强视为反问题，其中从给定图像估计图像形成模型的潜在参数。这些方法通常遵循相同的流程：建立退化的物理模型；估计未知模型参数；解决这个逆问题。其依赖于假设条件和先验知识，而这些条件和知识并不能完全适应水下环境。

发明内容

本发明的目的是提供一种基于多残差联合学习的水下图像增强方法，可以很好的适应各种水下环境。

为了实现上述目的，本发明提供的基于多残差联合学习的水下图像增强方法，包括以下步骤：

1)将包含降质图像与对应参考图像的水下图像数据集中不同分辨率的图片随机裁剪成相同分辨率的图像，建立水下图像增强模型的训练集；

2)对训练集中裁剪后的降质图像分别采用多种预处理方法进行处理，每种预处理方法对应得到一张预处理后的图像；

3)以参考图像作为降质图像的标签，将降质图像的原始图像和经过预处理后的降质图像输入多残差联合学习的多分支卷积神经网络中进行训练，得到图像增强模型；

4)将待增强图像输入所述图像增强模型中，得到处理后的增强图像。

步骤1)中，所述的预处理方法包括：

对图像进行sigmoid纠正；

对图像进行gamma校正；

对图像进行限制对比度自适应直方图均衡处理；

对图像进行白平衡处理。

步骤1)中，将图片随机裁剪成256*256大小的相同分辨率图像。

步骤2)中，所述的多分支卷积神经网络包括第一分支—通道注意分支网络和第二分支—卷积增强分支网络，所述第一分支设有实现下采样的第一卷积单元和第二卷积单元，以及连接在所述第一卷积单元和第二卷积单元之后的若干包含多个残差通道注意块的残差组；

所述第二分支设有实现卷积操作的第三卷积单元、第四卷积单元和第五卷积单元；

所述第一分支和第二分支级联合并后设有第六卷积单元。