[发明专利]一种基于深度学习的侧扫声呐瀑布图像中间区域修复方法

说明书

本发明提供一种基于深度学习的侧扫声呐瀑布图像中间区域修复方法，制作样本时，对原始侧扫声呐瀑布图像进行斜距校正后，从瀑布图像的左右两侧不含模糊区域的图像中截取图像并进行缩放来作为真实图像，并制作相同大小的掩模图像，根据掩模图像可以确定待修复图像中需要修复的中间区域。通过深度学习训练得到了深度学习网络的模型参数，对于要修复的声呐瀑布图像，则可以直接输入到该网络模型中，即可得到修复后的声呐瀑布图像，修复后的图像能够消除斜距校正后中间区域的模糊，并实现图像中间不连续区域的平滑过渡，可以提升图像的整体视觉效果，还可以用于后续声呐瀑布图像的进一步处理，对于声呐瀑布图像的实际应用有着重要意义。

技术领域

本发明涉及一种基于深度学习的侧扫声呐瀑布图像中间区域修复方法，具体来说就是针对斜距校正后的侧扫声呐瀑布图像中间区域进行修复，采用深度学习的方法去除声呐图像中间的模糊区域并进行修复，并使声呐图像中间不连续区域能够实现平滑过渡，同时尽可能恢复图像中的部分细节信息，属于数字图像处理及深度学习领域。

背景技术

侧扫声呐系统通过向海底发射、接收声波，可以得到相应的海底回波强度数据，而解析得到的侧扫声呐瀑布图像则能够反映海底底质的变化情况，有利于我们对海底地貌的的勘测、对海底目标的搜寻，然而由于原始的侧扫声呐瀑布图像是按照斜距进行采集的，因此其在与航迹垂直方向上会存在一定的形变，从而无法反映真实的海底底质变化情况。因此要对声呐图像进行斜距校正，但是斜距校正后的声呐图像在中间区域会出现模糊和不连续的现象，从而无法反映真实的海底。目前，还没有人针对声呐图像这一问题提出相应的解决方法，而现有的图像修复方法也主要是应用在光学图像上，比较经典的方法包括：

基于全变分模型的图像修复算法：由于图像不平滑以及可能受到噪声的影响，一些模型的实际修复效果可能会受到影响，而本方法将图像看作是一个分段平滑函数，并在有界变分空间上对图像进行建模，而全变分模型能够起到延长图像边缘的作用，在使用本方法时确定局部的待修复区域，且可以根据待修复区域附近的信息来确定修复内容，能够修复断裂的狭窄边缘。

基于样本的图像修复算法：基于样本块的修复每次匹配合成一块区域，效率比较高。而基于样本点的每次匹配只能合成一个像素，效率较低，修复速度较慢。基于样本的图像修复关键技术包括样本块的采样方式、修复顺序、样本块采样范围和最佳匹配块。

基于纹理合成的图像修复算法：常用纹理合成方法修复纹理图像，基本思想是从已知图像中选择合适的块采样，合成或者复制到缺损区域中，要同时保证纹理结构相似性和连续性。由于图像纹理的多样性，在考虑纹理相似性同时，还要保证结构连续性。此时，匹配、搜索和合成过程以及修复优先级的确定最为重要。

发明内容

本发明的目的是为了提供一种基于深度学习的侧扫声呐瀑布图像中间区域修复方法，本发明针对经过斜距校正后的侧扫声呐瀑布图像中间模糊区域进行修复，本发明对声呐图像的修复效果比较好，能够较好地消除图像中间区域的模糊，并实现图像中间区域的平滑过渡，增强了声呐图像整体的显示效果。

本发明的目的是这样实现的：步骤如下：

步骤(1)：获取原始侧扫声呐瀑布图像后，在每Ping的基础上根据地形高度信息进行斜距校正处理，校正后，得到能够反映真实海底横向比例的侧扫声呐瀑布图像；

步骤(2)：将经过斜距校正后的侧扫声呐瀑布图像分别截取左右两边不含中间模糊区域部分的图像以及进行适当缩放的图像来作为真实图像，并制作相同大小的掩模图像，掩模图像由0和255组成，0对应着真实图像中待修复的区域，掩模图像和真实图像进行逻辑与可以作为待修复的图像，且待修复区域的横向宽度可变，则与真实图像对应可以生成多个中间修复区域不同尺寸的样本，并通过旋转、平移、缩放、裁剪的方法对数据集进一步扩增；

步骤(3)：训练完后获得网络模型权重。

本发明还包括这样一些结构特征：