[发明专利]基于生成对抗网络的水下灰度偏振图像复原方法

说明书

本发明公开了一种基于生成对抗网络的水下偏振图像复原方法，步骤1、使用黑白偏振相机在清水下采集清晰的水下偏振图像和浑浊的水下偏振图像；步骤2、进行图像数据预处理，构建成图像数据集；步骤3、构建训练集、验证集和测试集；步骤4、构建包括生成器和判别器的深度神经网络；步骤5、对所述深度神经网络进行训练，生成对抗网络训练模型，最终得到训练好的深度神经网络训练模型；步骤6、将步骤3中的测试集放到训练好的深度神经网络训练模型进行测试，输出最终的水下偏振图像复原结果。与现有技术相比，本发明无需复杂地获取成对的水下偏振图像，通过数据集不配对的方式即可无监督地进行训练并获得清晰的水下偏振复原图像。

技术领域

本发明涉及偏振成像探测技术领域，特别涉及在水下浑浊环境中基于生成对抗网络的灰度偏振图像的复原方法。

背景技术

偏振成像技术在工业生产、军事国防等许多领域都有十分广泛的应用。然而，在水下成像的应用中，因为受到水中各种散射介质的影响，采集得到的图像的对比度会降低，图像质量严重下降。在水下环境中影响物体成像质量的最主要因素是介质反射和散射的光强，这部分光强是部分偏振光，因此可以利用偏振成像技术滤除这部分光强实现图像质量的提高。目前偏振成像技术已经被广泛应用于散射介质下图像的复原和增强，特别是实现了水下成像质量的大幅提升。然而，在高浑浊水下，现有偏振成像技术进行图像复原对图像质量提升有限，尤其是在高浑浊度的水下环境中，成像效果不佳，不能够很好地满足实际生产应用的要求。同时，由于水下偏振数据采集难度大，基于深度学习的浑浊水下偏振图像复原方法无法实现大量数据集的训练，从而容易导致过拟合以及鲁棒性的不足。

发明内容

为了克服现有技术的不足，本发明提出了一种基于生成对抗网络的浑浊水下偏振图像复原方法，本发明将偏振成像技术与深度学习技术相结合，充分利用偏振图像的偏振信息用于图像复原，在较高浓度浑浊水下仍能显著地提高图像质量，同时利用生成对抗网络使用不配对数据集的优势，降低了数据集获取的难度，扩大了数据量，进一步提升图像复原质量。

本发明的一种基于生成对抗网络的水下偏振图像复原方法，该方法包括以下步骤：

步骤1、将使用黑白偏振相机在清水下采集到的清晰的水下偏振图像和浑浊的水下偏振图像；

步骤2、进行图像数据预处理，将每张清晰的水下偏振图像和浑浊的水下偏振图像拆分成偏振方向分别为0°、45°、90°的三幅偏振子图，然后合并成一个具有三个通道的三维数组，最后将其裁剪为大小为400×400×3的三维数组块，构建成图像数据集；

步骤3、将步骤2中所构建的图像数据集中按3:1:1的比例分为训练集、验证集和测试集；

步骤4、构建包括生成器和判别器的深度神经网络，其中，所述生成器包括浅层特征提取模块、残差模块和上采样模块，一共配置有6个残差模块；用于依据输入的经过预处理的清晰的水下偏振图像和浑浊的水下偏振图像生成预测的清晰的水下偏振图像和预测的浑浊的水下偏振图像；所述判别器由五层卷积层组成，用于输出判别真实图像和生成图像的判别结果；

步骤5、对所述深度神经网络进行训练，生成对抗网络训练模型，最终得到训练好的深度神经网络训练模型；

步骤6、将步骤3中的测试集放到训练好的深度神经网络训练模型进行测试，输出最终的水下偏振图像复原结果。

与现有技术相比，本发明能够达成以下有益效果：

本发明无需复杂地获取成对的水下偏振图像，通过数据集不配对的方式即可无监督地进行训练并获得清晰的水下偏振复原图像。

附图说明

图1为本发明的基于生成对抗网络的水下偏振图像复原方法整体流程示意图；

图2为生成对抗结构构建流程示意图；

图3为残差模块结构示意图；