[发明专利]一种基于多尺度颜色迁移参数预测的水下图像增强方法

权利要求书

1.一种基于多尺度颜色迁移参数预测的水下图像增强方法，其特征在于，包括：

S1：获得待处理的图像数据集，构建深度学习增强模型训练与学习过程中所需的训练样本，一个训练样本包含：水下退化图像，与该水下退化图像对应的参考增强图像，将在CIELab颜色空间中三个通道的均值及标准差作为颜色迁移基础参数预测模型训练的参考均值真值及参考标准差真值；

S1.1：计算三个通道的均值作为颜色迁移基础参数预测模块训练的参考均值真值，参考均值真值记为，：

；

其中，和是图像的高和宽，h，w，c是的高、宽和长；

S1.2：利用步骤S1.1计算获得的，进一步计算的三个通道的标准差作为颜色迁移基础参数预测模块训练的参考标准差真值，参考标准差真值记为，：

；

S1.3： 、、以及共同组成一组用于深度学习增强网络的样本；

S2：搭建深度学习增强网络；

S3：训练深度学习增强网络，得到深度学习增强模型，利用参数回归损失对颜色迁移基础参数预测模块进行约束优化，利用像素值差异损失和结构相似度损失约束深度学习增强网络的总体输出，反馈优化整个深度学习增强网络的模型参数；

S4：将一幅视觉质量退化的水下图像作为深度学习增强网络的模型，经过颜色迁移参数预测、内置颜色迁移模块处理后，输出一幅视觉质量得到改善的增强图像。

2.根据权利要求1所述的一种基于多尺度颜色迁移参数预测的水下图像增强方法，其特征在于，S2包括：

S2.1：搭建深度学习增强网络，包括RGB转Lab颜色空间模块、颜色迁移基础参数预测模块、颜色迁移偏置参数矩阵预测模块和内置的颜色迁移模块和Lab转RGB颜色空间模块。

3.根据权利要求1所述的一种基于多尺度颜色迁移参数预测的水下图像增强方法，其特征在于，S2包括：

S2.2：根据深度回归网络结构，搭建用于获取全局迁移参数的颜色迁移基础参数预测模块，以Lab颜色空间表征的退化图像为输入，预测输出用于颜色迁移的六个基础参数，即目标迁移图像的三个通道的均值及标准差；

颜色迁移基础参数预测模块由深度编码模块和深度回归模块组成，其中深度编码模块采用卷积层-激活层-池化层，以深度特征提取结构堆叠而成，提取输入图像的各层次深度特征表达；深度回归模块采用全连接结构，获取全局迁移参数引导，预测输出用于颜色迁移的六个基础参数。

4.根据权利要求1所述的一种基于多尺度颜色迁移参数预测的水下图像增强方法，其特征在于，S2包括：

S2.3：基于编码-解码结构，搭建用于获取局部差异迁移参数的颜色迁移偏置参数矩阵预测模块，包含三个预测分支，分别以Lab颜色空间表征的退化图像三通道为输入，分别输出目标迁移图像的三个通道的迁移偏置参数矩阵；

颜色迁移偏置参数矩阵预测模块包括自注意力谱感知模块、通道特征提取模块和基于编码-解码模块的颜色迁移偏置参数矩阵预测模块，其中自注意力谱感知模块以输入图像的各通道的归一化矩阵计算获得，通道c的自注意力谱为：

；

通道特征提取模块以各通道归一化矩阵为输入，在自注意力谱的引导下提取用于迁移偏置参数矩阵预测的特征，结构采用卷积层-激活层-池化层，以典型深度特征提取结构堆叠而成；

深度编码-解码模块采用获取局部差异迁移参数引导，预测生成均值和标准差分别对应的两个颜色迁移偏置参数矩阵和。

5.根据权利要求1所述的一种基于多尺度颜色迁移参数预测的水下图像增强方法，其特征在于，S2包括：

S2.4：将预测的6组基础迁移参数与颜色迁移偏置参数矩阵进行对应矩阵通道逐像素相加，获得用于进行颜色迁移的融合颜色迁移参数矩阵：

，；

其中，为数值与矩阵的逐元素加法。