[发明专利]一种基于卷积神经网络的水下图像复原方法

权利要求书

1.一种基于卷积神经网络的水下图像复原方法，其特征在于，包括以下步骤：

(1)建立水下光学成像模型；水下光学成像模型表示为：

I_c(x)＝J_c(x)t_c(x)+B_c(1-t_c(x)),c∈{r,g,b}

x表示场景中的点，c表示红(r)、蓝(b)、绿(g)3个颜色通道，I_c(x)是水下退化图像，J_c(x)是未退化的清晰图像，B_c是背景光，t_c(x)是媒介透射率；J_c(x)t_c(x)表示直接传输分量，B_c(1-t(x))表示后向散射分量，前向散射相比于后向散射可以忽略不计；假设介质是均匀的，媒介透射率可以表示为：

β_c是c颜色通道的衰减率，d(x)是相机到场景点的距离；

(2)利用水下光学成像模型和现有的室内深度数据集合成训练数据；

(3)建立参数估计网络，包括共享层、全局背景光估计子网络和红通道透射率估计子网络三个部分；共享层为两个子网络提取共同特征，全局背景光估计子网络和红通道透射率估计子网络将共享层的输出作为输入，分别映射到全局背景光和红通道透射；

全局背景光估计子网络包含4个卷积层，除了最后一个卷积层，其余三层都有ReLU激励函数；全局背景光子网络的输出与输入图像的维度相同以便于训练，且全局背景光图中每个像素处的值相等；为避免出现像素值不等的情况，将估计的全局背景光与全局背景光标签之间的结构相似形指标SSIM作为全局背景光估计子网络的损失函数；

红通道透射率估计子网络由7层卷积稠密块组成，卷积稠密块能够加强特征传递并且减少梯度消失问题，并将预测的透射率与透射率标签之间的均方误差作为损失函数；所述参数估计网络的损失函数是全局背景光估计子网络的结构相似性损失函数与透射率估计子网络的均方误差损失函数的线性相加；

(4)复原水下图像；通过参数估计网络得到预测的全局背景光与红通道透射率图之后，根据水体的固有特性，计算得到蓝绿通道的透射率，最后进行水下图像的复原，即可得到清晰化的水下图像；具体如下：

(401)计算蓝绿通道透射率；基于水下光线衰减的光学特性，使用红通道的透射率图和背景光计算蓝、绿通道的透射率图，对水下固有光学特性分析，蓝、绿通道的衰减率β_b,β_g与红通道的衰减率β_r的关系为：

λ_r＝620nm、λ_b＝450nm、λ_g＝540nm分别表示红光、蓝光、绿光的标准波长，m＝-0.00113，i＝1.62517；

得出蓝、绿通道透射率与红通道透射率之间的关系为：

估计出全局背景光和红通道的透射率t_r(x)，计算蓝、绿通道的透射率：

(402)依据水下图像成像模型，在背景光和透射率已知的情况下，由原图像I_c(x)复原出清晰的水下图像J_c(x)：

2.根据权利要求1所述一种基于卷积神经网络的水下图像复原方法，其特征在于，步骤(2)中现有的室内深度数据集采用NYU-v2 Depth数据集，基于该数据集提供的原图和深度图，依据海洋光学参数，给定衰减率和背景光，即可得到传输图和退化水下图像。

3.根据权利要求1所述一种基于卷积神经网络的水下图像复原方法，其特征在于，步骤(3)中共享层包含四个卷积层，每个卷积跟随ReLU激励函数；卷积层用于提取图像特征，卷积层的卷积过程为：使用n1个大小为h×w的卷积核对输入的n0个特征图进行卷积操作，输出n1个特征图，如式所示：

F_out＝σ(W*F_in+b)

式中，W为卷积层的权重，b为偏置，F_out表示卷积层的输出也是下一卷积层的输入，*表示卷积操作，F_in为卷积层的输入，σ表示ReLU激励函数。