[发明专利]基于深度级联残差网络的水下图像增强方法及系统

说明书

本发明涉及一种基于深度级联残差网络的水下图像增强方法及系统，该方法包括：S1：构建深度级联残差网络；按比例构建训练集和测试集；S2：将输入图像分块，然后分别输入到深度级联残差网络的三个级联子网中，让网络进行前向传播获得训练后网络输出的清晰图像；S3：计算输出图像相较于目标图像的损失值，根据损失值进行误差反向传播以更新网络权重；S4：判断深度级联残差网络是否训练完毕，是则挑选出网络的最佳模型；S5：将测试集输入最佳模型进行测试，判断最佳模型是否达到预期；S6：将水下退化图像输入通过测试的深度级联残差网络，获得增强后的水下图像。该方法及系统有利于纠正水下图像的颜色偏差，提高对比度和清晰度，提高整体视觉效果。

技术领域

本发明属于图像增强与复原技术领域，具体涉及一种基于深度级联残差网络的水下图像增强方法及系统。

背景技术

由于光线在水中传播时遭受衰减，水下图像经常受到噪音、颜色失真和低对比度的影响。这些问题增加了各种任务的难度，如鱼类和海洋物种环境的自动检测和识别。因此，大量水下图像增强方法已经被提出来恢复或增强退化的水下图像。为了提高水下图像的质量，各种基于先验增强、物理模型和深度学习的方法得到了充分的探索。基于先验的方法旨在直接处理图像像素值以增强特定图像的特征，如颜色、对比度和亮度等；基于物理模型的方法则利用图像特性和物理成像模型来恢复清晰的图像。最近，深度神经网络由于其强大的建模能力和能够从大量训练数据中学习丰富的特征，使其在高级视觉任务和图像处理上都取得了显著的性能。同时，一些基于深度学习的水下图像增强方法也被提出，通过从合成数据中提取有效的特征来提高图像质量。尽管这些基于深度学习的方法在水下图像任务中取得了较大进展，但目前方法的性能仍有很大的提升空间。水下图像有不同类型的失真，一些基于深度学习的方法采用固定的端到端监督训练方式，缺乏足够的灵活性来处理退化的图像，导致图像的细节损失。

发明内容

本发明的目的在于提供一种基于深度级联残差网络的水下图像增强方法及系统，该方法及系统有利于纠正水下图像的颜色偏差，提高对比度和清晰度，提高整体视觉效果。

为实现上述目的，本发明采用的技术方案是：一种基于深度级联残差网络的水下图像增强方法，包括以下步骤：

步骤S1：构建深度级联残差网络并对其进行参数设置；按比例构建训练集和测试集，训练集中包括水下退化图像和其所对应的真实图像；

步骤S2：将训练集中的水下退化图像按照设定比例进行分块，然后分别输入到所述深度级联残差网络的三个级联子网中，让深度级联残差网络进行前向传播获得训练后网络输出的清晰图像；

步骤S3：计算所述深度级联残差网络的输出图像相较于对应的真实图像的损失值，根据所述损失值进行误差反向传播以对深度级联残差网络的权重值进行更新；

步骤S4：判断深度级联残差网络是否训练完毕，是则挑选出训练后的深度级联残差网络的最佳模型并执行步骤S5，否则返回执行步骤S2；

步骤S5：将所述测试集输入至所述深度级联残差网络的最佳模型进行测试，并根据测试结果判断所述最佳模型是否达到预期要求，是则执行下一步骤S6，否则返回重新执行步骤S2；

步骤S6：将待增强的水下退化图像输入至通过测试的深度级联残差网络，获得增强后的水下图像。

进一步地，所述深度级联残差网络由三个级联子网组成，利用三个级联子网从粗到细逐步恢复退化水下图像；将输入图像按照4-2-1的比例进行分块并输入深度级联残差网络，即将图像分成4个不重叠的块输入第一子网，将图像分成2个不重叠的块输入第二子网，将原始图像输入第三子网；前两个子网采用门控编解码器子网络，用于学习上下文信息，第三个子网采用原始分辨率子网络，用于在不使用任何上下采样操作的条件下保留所需的精细纹理；为了进一步提高子网间信息传递以及视觉质量，所述深度级联残差网络在不同的子网之间嵌入不同的模块：嵌入细节增强模块DEB来学习图像的多尺度特征；嵌入监督复原模块SRB来融合之前的信息以进行最终复原。