[发明专利]一种基于渐进式反馈网络的水下图像增强方法

说明书

本发明提出一种基于渐进式反馈网络的水下图像增强方法，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；本发明有利于提高水下图像质量。

技术领域

本发明涉及图像处理及计算机视觉技术领域，尤其是一种基于渐进式反馈网络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下机器人领域的重要意义而倍受关注。水下成像的质量对水下作业有着较大的影响，例如海底勘探和水下目标检测等视觉依赖的任务对水下图像的质量要求较高，低质量的水下图像会导致这些任务的效率和准确率严重下降。由于水下环境和光照条件的复杂性，水下图像的增强是一个具有挑战性的问题。通常，水下图像会受到波长相关的吸收和散射的影响，包括前向散射和后向散射，前向散射是指水中物体反射的光在传输到相机时发生小角度偏移的散射现象，导致图像细节模糊。后向散射是指当照射水中物体时，水中的杂质被散射并直接被相机接收，导致图像对比度低。此外，在海洋中，许多浮游生物、植物、泥沙和尘土等的上下沉降浮动，会引入噪音并增加散射的影响。这些不利的影响降低了能见度，降低了对比度，甚至引入了色彩偏差, 这些问题导致了水下图像的质量严重下降，阻碍了海洋工程以及水下作业的进行。

现有的水下图像增强方法主要分为两类：一是基于深度学习的方法，将水下图像到正常图像的转化看成是一种映射关系，利用网络的学习拟合能力学习这种映射变化，从而实现水下图像到正常图像的转化，但是这类方法对数据量的大小以及类别要求比较高，并且在学习过程中通常伴随着对图像的编码解码操作，在这过程中可能会产生一些图像信息的损失，造成增强后的图像出现局部细节模糊现象。二是使用物理模型的方法，先建立水下图像退化过程的数学模型，通过对退化过程的反演得到清晰的水下图像,此类方法需要对模型参数进行估计。然而，水下环境复杂，光照等条件多变，对参数的估计比较困难且精度较低，导致增强后的图像质量普遍较低，同时不同的环境考虑的因素不同，需要建立的模型也不同，使得这些方法具有较大的局限性。

现有的方法在图像增强过程中通常会伴随着信息损失,导致增强后的图像容易出现细节模糊现象。我们提出一种基于渐进式反馈网络的增强方法，将图像增强过程分为多个阶段，每个阶段对图像进行单独增强，并对每个阶段的输出与标签图像对比进行反馈校正，再将校正后的结果输入下一阶段，实现逐步优化提升，能够显著提高水下图像质量。

发明内容

本发明提出一种基于渐进式反馈网络的水下图像增强方法，有利于提高水下图像的质量。

本发明采用以下技术方案。

一种基于渐进式反馈网络的水下图像增强方法，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：