[发明专利]一种基于多分支生成对抗网络的水下图像增强方法

摘要

本发明公开一种基于多分支生成对抗网络的水下图像增强方法。本发明将水下退化原始图像、同一场景下的融合处理后的水下清晰图像、同一场景下的水下清晰生成图像作为训练样本集合，输入到属性分支网络和判别分支网络得到属性图和判别图。通过属性图和判别图各自的代价函数梯度下降更新GAN网络权值。直到本次网络训练结束，得到对退化水下图像增强的模型。本发明的关键在于使用生成对抗网络数据驱动的特点和较强的模仿能力，模仿对于不同因素导致退化的水下图像的增强策略。可以用一个模型解决多种由不同原因造成的水下图像退化问题，模型更具通用性。利用属性分支和判别分支这种多分支的结构增强学习的综合性和鲁棒性。

主权项

1.一种基于多分支生成对抗网络的水下图像增强方法，其特征在于该方法具体是：步骤(1)、训练样本的获取1.1获取水下退化原始图像；1.2获取与水下退化原始图像同一场景下的融合处理后水下清晰图像：对退化的水下原始图像采用现有水下图像增强算法进行处理，再在上述增强处理后的清晰图像中挑选主客观指标选择效果较好的图像进行融合处理，然后经过进一步筛选得到与退化原始图像同一场景下的融合处理后水下清晰图像的训练样本集合；1.3获取与水下退化原始图像非同一场景下的水下清晰图像；1.4获取与水下退化原始图像同一场景下的水下清晰生成图像：使用CycleGAN对水下退化原始图像集与非同一场景下的水下清晰图像集进行训练；X为水下退化原始图像集合，Y为非同一场景下水下清晰图像集合，通过CycleGAN的训练得到X图像集到Y图像集的映射F；将水下退化原始图像通过映射F得到同一场景下的水下清晰生成图像，具体表示为：进一步筛选得到与水下退化原始图像同一场景下的水下清晰生成图像集合；1.5将水下退化原始图像、步骤1.2得到的同一场景下的融合处理后的水下清晰图像、步骤1.4得到的同一场景下的水下清晰生成图像作为训练样本集合；步骤(2)、将步骤1.5得到的训练样本集合输入到属性分支网络和判别分支网络得到属性图和判别图：属性分支网络和判别分支网络的输入均为步骤1.5所得到的训练样本集合，属性分支网络判断水下清晰生成图像的增强效果，判别分支网络输出对输入数据的类别的判断；步骤(3)、通过属性图和判别图各自的代价函数梯度下降更新GAN网络权值；将GAN的代价函数细分为二个子代价函数：通过属性图计算图像特性代价函数和通过判别图计算的图像对抗代价函数；假设输入生成网络G的原始图像为x，生成网络G产生的图像为y：y＝G(x；z)，其中z是噪声信号；属性图的代价函数的具体表示为：其中，LFeature‑D是判别器的代价函数，LFeature‑G是生成器的代价函数，Du()是属性分支网络对输入的判别结果，U()是对输入的图像计算其水下图像特性指标，U数值越大，说明其对应的图像越符合水下图像特性；Ey()、Ex,z()、Ez()皆为对输入计算其数学期望；对抗代价函数的具体表示为：其中，LGAN‑D是判别网络的代价函数，LGAN‑G是生成网络的代价函数，Da是判别分支网络对输入数据的类别判断；a＝1，b＝0分别是真实图像与生成图像的标签；对代价函数LFeature‑D、LFeature‑G、LGAN‑D、LGAN‑G分别做梯度下降，更新属性分支网络和判别分支网络的网络各层权值；步骤(4)、重复步骤2、步骤3，迭代设定的固定次数，直到本次网络训练结束，得到对退化水下图像增强的模型。