[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

说明书

本发明公开一种基于多尺度颜色迁移参数预测的水下图像增强方法，属于图像处理技术领域，用于提升水下拍摄图像的视觉质量。该方法通过构建水下图像增强训练样本，搭建并训练基于多尺度颜色迁移参数预测的水下图像增强网络，实现以水下退化图像为输入，预测多尺度颜色迁移参数，即颜色迁移基础参数作为全局迁移参数引导和颜色迁移偏置参数矩阵作为局部差异迁移参数引导，最终利用上述参数对原图进行颜色迁移，输出视觉质量增强图像。本发明通过在流程中添加图像降采样模块，可实现对高分辨率、大尺寸图像的高效处理，在后续流程中添加融合颜色迁移参数矩阵插值模块，可在不牺牲较多增强细节的条件下，有效提升增强效率。

技术领域

本发明公开一种基于多尺度颜色迁移参数预测的水下图像增强方法，属于图像处理技术领域。

背景技术

随着人们对水下无人观测和操作需求的日益增长，促使了遥控潜水器ROV和自主水下航行器AUV的研究和应用。视觉作为ROV和AUV的主要观测信息源之一，在水下任务中起着重要的作用。然而水下场景中摄影的图像往往存在明显的退化，包括颜色偏差、外观模糊、视觉对比度低、能见度差。迫切需要一种适用于提高多样水下场景下高分辨率图像视觉质量的高效水下图像增强算法。

目前，水下图像视觉增强算法主要可以分为传统的水下图像增强方法和基于深度学习的水下图像增强方法。对于传统的水下图像增强方法，由于水下环境的复杂性，不同水体环境中光的衰减和散射情况各有差异，单一的物理模型往往无法适用于多样的水下场景，泛化性较差，图像增强结果中会存在色偏问题。同时，基于非物理模型的水下图像增强方法具有一定的图像质量改善效果，但在处理过程中往往会引入其他噪声和颜色失真的问题，尤其是对于极端退化的场景，此类方法通常无法进行有效地处理。另外，由于水体环境的差异和复杂性，不同水下场景所成图像的退化情况各有差异，因此基于非物理模型的水下图像增强方法面对不同场景的退化图像往往不具有较强的泛化性，难以取得良好的图像处理效果。

随着深度学习技术的进步，得益于良好的特征学习和预测表达能力，水下图像视觉增强研究取得了快速的发展，但仍面临着较大的局限性。首先，真实水下图像样本仍相对有限，在真实环境中获取水下图像样本难度巨大。基于匮乏的训练样本，端到端地学习由退化图像到非退化图像的像素级映射关系是相对困难的，其增强结果往往会引入颜色失真和过度校正的问题。其次，对于极端退化场景，由于退化情况更加复杂且对应于此类场景的样本相对有限，现有的深度学习模型对极端退化场景往往无法取得理想的增强效果。此外，以往基于深度学习的水下图像增强方法受模型自身结构与运算量的影响，对于高分辨率图像甚至超高分辨率图像的处理效率较低。

发明内容

本发明的目的在于提供一种基于多尺度颜色迁移参数预测的水下图像增强方法，以解决现有技术中，水下图像处理效果差的问题。

一种基于多尺度颜色迁移参数预测的水下图像增强方法，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；

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。

S1包括：

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包括：