[发明专利]一种基于渐进式反馈网络的水下图像增强方法

权利要求书

1.一种基于渐进式反馈网络的水下图像增强方法，其特征在于：包括以下步骤：

步骤S1：将用于训练的水下图像数据进行配对处理，接着对其进行数据增强和归一化处理，得到待训练配对图像；

步骤S2：把待训练配对图像输入可在每个阶段结合离散小波变换与注意力反馈机制对图像进行增强的多阶段渐进图像增强网络，训练可对水下图像进行增强的图像增强模型，网络各阶段之间使用监督注意力模块进行校正；

步骤S3：设定图像增强网络的目标损失函数；

步骤S4：使用配对的训练图像增强网络收敛到纳什平衡；

步骤S5：对待增强的水下图像进行归一化处理，然后输入训练好的图像增强模型，输出增强后的图像；

所述步骤S1包括以下步骤：

步骤S11：将用于训练的水下图像与对应的标签图像进行配对处理；

步骤S12：将所有待训练配对图像进行统一的随机翻转操作，对数据进行增强；

步骤S13：将所有待训练图像进行归一化处理，给定图像I(i，j)，其归一化处理后的图像为在像素位置(i，j)处，计算归一化值的公式如下：

其中，(i，j)表示像素的位置，将归一化后的配对图像作为后续步骤的输入图像和标签图像对；

所述步骤S2包括步骤S21、步骤S22、步骤S23；

所述步骤S21具体为：设计多阶段渐进图像增强网络，网络的输入为归一化后的水下图像输出为增强后的水下图像；网络分为三个阶段渐进执行，每个阶段结合离散小波变换与注意力反馈机制对图像进行增强，三个阶段的网络结构相同，阶段之间使用监督注意力模块对该阶段的特征进行监督，即在第一个和第二个阶段之后均使用监督注意力模块对此阶段增强的图像进行监督；所述步骤S22具体为：设计步骤S21中的三个阶段网络，三个阶段网络结构相同；每个阶段网络从上至下可分为三个层次，每个层次由小波池化层、残差注意力模块、小波反池化层以及注意力反馈模块组成；

步骤S23具体为：设计步骤S21中监督注意力模块网络，网络输入为第一或第二阶段网络输出的增强后的图像特征F1_out或F2_out以及归一化后的水下图像以第一个监督注意力模块为例，首先将输入的图像特征F1_out经过一个卷积核为3x3、步长为1的卷积得到残差图像，再将残差图像与水下图像按像素相加得到一张阶段水下增强图像R₁，将得到的阶段水下增强图像R₁与归一化后的标签图像G按照步骤S3计算损失；再将阶段水下增强图像R₁作为卷积核为3x3、步长为1的卷积层的输入，得到R₁的图像特征，再经过sigmoid函数得到特征权重w4，将该特征权重作为对监督注意力模块网络输入图像特征的指导权重；即将最初输入的增强图像特征F1_out乘以权重w4得到校正后的增强图像特征F2_in，作为监督注意力模块网络的输出；计算公式如下：

第一阶段和第二阶段网络输出的增强后的图像特征F1_out和F2_out经过监督注意力模块网络后分别得到校正后的特征F2_in和F3_in，且生成阶段水下增强图像R₁和R₂；所述步骤S3包括以下步骤；

步骤S31：设计网络目标损失函数，网络总目标损失函数如下：

其中，和分别是L₁损失和风格损失，λ₁和λ₂是各项损失平衡系数，·为实数的点乘操作；其中各项损失具体的计算公式如下：

其中R为设计的水下图像增强网络的最终输出结果，R₁和R₂分别是两个监督注意力模块中生成的阶段水下增强图像，G为归一化后的标签图像，||.||₁是取绝对值操作；

其中表示Frobenius平方范数，h表示第j层，φ表示特征提取网络，此处使用预训练好的VGG16网络，表示网络φ提取出的第j层激活特征的Gram矩阵，定义如下：

使用其中x表示输入图像，φ表示特征提取网络，此处使用预训练好的VGG16网络，φ_j(x)_h，w，c表示输入图像x在特征提取网络φ中得到的第j层激活特征，φ_j(x_{)h，w，c′}表示输入图像x在特征提取网络φ中得到的第j层激活特征的转置，c，c′表示特征通道数量，h表示特征高度，w表示特征宽度，C_j×H_j×W_j为第j层激活特征的尺寸。