[發明專利]一種基于深度神經網絡的海洋勘測圖像質量增強方法

在審

• 申請號: 202010921217.1
• 申請日: 2020-09-04
• 公開（公告）號: CN112116538A
• 公開（公告）日: 2020-12-22
• 發明（設計）人: 王力劭;程小葛;劉詩煒;劉喬瑋;郝日明
• 申請（專利權）人: 海略（連云港）科技有限公司
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06T7/13;G06N3/04;G06N3/08
• 代理公司: 南京鑫之航知識產權代理事務所(特殊普通合伙) 32410
• 代理人: 姚蘭蘭

一種基于深度神經網絡的海洋勘測圖像質量增強方法，其特征在于包括以下步驟：步驟一，原始圖像預處理：采用手動或邊緣檢測算法采集海洋勘測的原始圖像進行圖像的輪廓信息；步驟二，圖像的增強處理；步驟三，生成高分辨率圖像：深度神經網絡DNN模型的最后一個層塊將增強處理后的圖像經過加權處理全局特征和原始圖像像素，得到高分辨率圖像。通過對原始低質量、高噪聲的圖像進行采樣標記，然后在一個多層可訓練的深度神經網絡(DNN)模型中進行推算處理，進而生成高分辨率的圖像，最后將生成的高分辨率圖像與原始圖像拼接并形成一個具有高清晰度和高信噪比的海洋勘測圖像。

技術領域

本發明涉及一種基于深度神經網絡的海洋勘測圖像質量增強方法，屬于圖像處理技術領域。

背景技術

隨著GPU和TPU的不斷發展，深度神經網絡(DNN)在對象分類，對象檢測和圖像質量改善方面表現出明顯的優勢，目前卷積神經網絡(CNN)在圖像處理中的應用越來越廣泛。雖然這些系統在不同領域的應用中展現了一些圖像信號處理能力，但海洋勘測依賴于水下遙控設備(ROV)上的攝像頭來捕捉圖像畫面，由于水、照明和設備視野中微粒/氣泡的干擾，成像效果并不理想，因此在海洋勘測領域并沒有相應圖像質量增強系統的應用。另外在我國南海擁有的九段線以內數百萬平方公里的領海，有諸多資源等待開發利用，而海洋勘測又扮演的舉足輕重的角色，本發明給高質量，高精度的海洋勘測提供了一種可能性，應用前景廣泛。

發明內容

本發明為了解決現有技術中存在的上述缺陷和不足，提供了一種基于深度神經網絡的海洋勘測圖像質量增強方法。

為解決上述技術問題，本發明提供一種基于深度神經網絡的海洋勘測圖像質量增強方法，包括以下步驟：

步驟一，原始圖像預處理：采用手動或邊緣檢測算法采集海洋勘測的原始圖像進行圖像的輪廓信息；

步驟二，圖像的增強處理；

2.1建立具有若干個結構相同層塊的深度神經網絡DNN模型；

2.2將步驟一所選輪廓內的圖像輸入深度神經網絡DNN模型內，由深度神經網絡DNN模型內不同的層塊依次提取所選輪廓內圖像不同的局部特征信息；

2.3深度神經網絡DNN模型將每個層塊提取的局部特征信息和該層塊的標記數據進行匹配，并將匹配度最高的局部特征信息進行權重的分配；

步驟三，生成高分辨率圖像：深度神經網絡DNN模型的最后一個層塊將增強處理后的圖像經過加權處理全局特征和原始圖像像素，得到高分辨率圖像。

其中，步驟2.1還包括對深度神經網絡DNN的訓練過程，具體如下：

2.11對海洋勘測區域進行遠端和近端圖像采集，選取圖像輪廓，并對所選輪廓內的圖像提取RGB數據和位置信息，并把RGB數據和位置信息帶入哈希函數，分別生成遠端和近端所選輪廓內圖像的壓縮簽名或密鑰；

2.12利用余弦相似度檢測的方法，將遠端和近端圖像的壓縮簽名或密鑰匹配進行匹配，生成遠端模糊圖像和近端具有細節特征圖像的匹配對，再通過人工標注的方法對匹配對進行分類，其中清晰度高的圖像的標記數據為“正”，清晰度低的圖像的標記數據為“負”；

2.13標記數據為“正”的圖像在深度神經網絡DNN模型中，生成損失測量值；

2.14若損失測量值為1×10^-3，則獲得具有區分清晰海洋勘測圖像和包含噪音的海洋勘測圖像的深度神經網絡DNN模型；否則，復步驟2.12和步驟2.13，經過若干次迭代，直至損測量值為1×10^-3，獲得具有區分清晰海洋勘測圖像和包含噪音的海洋勘測圖像的深度神經網絡DNN模型。

步驟一中邊緣檢測算法的包括以下步驟：