[發明專利]一種由卷積網絡引導模型映射的水下圖像增強方法

在審

• 申請號: 202210637356.0
• 申請日: 2022-06-07
• 公開（公告）號: CN115035010A
• 公開（公告）日: 2022-09-09
• 發明（設計）人: 趙寅森;高發榮;張啟忠
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: G06T5/50
• 分類號: G06T5/50;G06V10/80;G06T5/00;G06N3/04;G06N3/08
• 代理公司: 北京盛凡佳華專利代理事務所(普通合伙) 11947
• 代理人: 龔楠

本發明公開了一種由卷積網絡引導模型映射的水下圖像增強方法，所述由卷積網絡引導模型映射的水下圖像增強方法包括以下步驟；步驟一：搭建水下圖像增強網絡結構；步驟二：利用深度稠密殘差模塊提取并融合不同層次的特征；步驟三：利用注意力機制關注具有代表性的特征通道。與現有技術相比的優點在于：本發明提出一種由卷積網絡引導模型映射網絡的水下圖像增方法，在改進水下成像模型的幫助下，充分結合成像模型的水下場景理解能力和卷積網絡的數據驅動能力，在實驗結果中通過視覺感知比較和圖像質量評價表明，該網絡具有靈活的自適應調整能力，能夠準確地對色彩校正。此外，注意力機制的引入能夠突出主體的細節特征，進一步提高圖像增強質量。

技術領域

本發明涉及水下圖像增強處理研究技術領域，具體是指一種由卷積網絡引導模型映射的水下圖像增強方法。

背景技術

海洋蘊藏著無數的珍貴自然資源，在人類探索和開發海洋的過程中，完成水下任務是具有挑戰性的。水下場景的獲取和感知對于完成海洋生物識別、水下場景重建、水下考古、水下環境監測等至關重要。通常情況下，想要獲得效果較好的水下場景信息，往往依賴于攝像機傳感器拍攝清晰、完整的水下圖像或視頻。然而，由于水中光信號的衰減和散射效應，通過攝像機獲得的圖像通常存在顏色失真、對比度低、細節模糊等問題。因此，將水下圖像轉化成一種更適合人或者機器進行分析和處理的形式是有必要的。

水下圖像增強旨在不損失任何信息的情況下提高圖像質量，是一種效率高、成本低的圖像處理技術。通過調整圖像的像素來改善其視覺效果，常用的方法包括直方圖均衡、顏色校正和圖像融合等方法。這些圖像增強方法在一定程度上可以改善視覺質量，但由于缺乏水下場景知識，可能會加重噪聲、引入偽影并導致顏色失真。深度學習技術憑借其優秀的特征表達能力和數據驅動能力，在水下圖像增強領域發揮了令人印象深刻的性能，例如。卷積神經網絡(CNN)和生成對抗網絡(GAN)是典型的方法。這些數據驅動的方法通過學習色彩、結構、紋理等特征實現視覺重構，但是大多情況下只適用于特定的水下場景，主要原因是深度網絡忽視了水下成像領域的知識。當面對陌生水域時，從訓練數據集中學習到的先驗知識和固定的特征不能很好地推廣到不斷變化的實際場景中，這限制了深度學習方法的實用價值。

基于模型的方法和基于學習的方法是處理水下圖像的兩種不同范式，成像模型方法根據水下場景先驗知識進行圖像復原，而深度學習方法根據提前訓練的先驗參數進行圖像增強。通過集成這兩個模塊，存在從兩種范式中互補受益的可能性。早期研究從水下場景知識注入和使用網絡優化參數的角度來探索成像模型和卷積網絡的結合。有些研究工作側重于水下場景知識的注入，從而用于合成數據集或者增強網絡性能。例如Chen等人提出一種混合的水下圖像合成網絡，該網絡融合了物理先驗和數據驅動，以合成高質量的水下圖像訓練數據集。 Li等人提出了一種通過介質傳輸引導的多色空間嵌入的水下圖像增強網絡(Ucolor)，其中將模型估計的傳輸映射圖作為CNN的注意特征，進一步提升水下圖像視覺質量。另一種是側重于使用網絡來優化參數。例如Liu等人提出了一種基于傳輸的圖像增強任務的統一范式，將數據驅動的CNN作為先驗集合，自動識別并設定不同場景的屬性和數據分布。Li等人提出了一種水下圖像超分辨率增強方法(AOA-U-Net)，其中將CNN網絡和成像模型串聯使用，使用CNN網絡的數據驅動能力解決部分復雜參數。事實上，基于模型方法和基于學習方法是在互補的，它們之間的潛在關系尚未得到充分利用。

為定量和定性地研究水下圖像增強技術在不同場景中的表現能力，本發明提出一種由卷積網絡引導模型映射的水下圖像增強方法，模型參數是由神經網絡引導的，該方法能夠在不同水下場景中還原真實的圖像色彩，色彩還原性能和泛化性能得到提升。

發明內容

本發明要解決的技術問題是克服以上技術困難，提供一種由卷積網絡引導模型映射的水下圖像增強方法(IMM-Net)。

為解決上述技術問題，本發明提供的技術方案為：

一種由卷積網絡引導模型映射的水下圖像增強方法，所述由卷積網絡引導模型映射的水下圖像增強方法包括以下步驟；