[发明专利]一种基于引导滤波的GAN网络对水下图像进行处理的方法

说明书

本发明涉及一种基于引导滤波的GAN网络对水下图像进行处理的方法，包括：获取原始的水下失真图像；将原始的水下失真图像利用引导滤波进行分解，分解成低频水下图像I_lf和高频水下图像I_hf；将生成的低频水下图像I_lf和高频水下图像I_hf同时输入到GAN网络中，生成增强后的低频水下图像以及增强后的高频水下图像将增强后的低频水下图像和增强后的高频水下图像通过像素级相加得到第一阶段的增强水下图像I_mid，将第一阶段的增强水下图像I_mid输入细化模块中，对水下图像I_mid进行增强,生成了最后的水下图像I_out，对生成的最后的水下图像I_out进行监督学习，将经过监督学习的水下图像I_out和真实的水下图像输入到判别器网络中进行打分。

技术领域

本发明涉及水下图像增强和复原技术领域，尤其是涉及一种基于引导滤波的GAN网络对水下图像进行处理的方法。

背景技术

水下图像作为水下信息的重要载体，研究水下方向往往需要高质量的水下图像。但是水下图像往往容易产生颜色失真、对比度低、清晰度差和细节模糊等问题，这给水下机器人、水下目标检测等海洋应用带来了巨大的挑战。近些年来，水下图像的增强和复原在计算机视觉和图像处理领域得到了广泛的关注。一般地，主要有三类方法，第一类是基于空间域的方法，第二类是基于变换域图像方法，第三类就是基于深度学习的方法。

基于空间域的方法是通过对像素点的重新分布去提高图像的质量。此类方法中提升对比度的常用方法有直方图均衡化(HE)，对比度受限自适应直方图均衡化(CLAHE)，伽马矫正(GUM)等，对颜色进行校正的方法有灰色世界(GW)，白平衡(WB)等。由于水下复杂的环境，这些传统的方法效果有限。为了进一步提高水下图像质量，多尺度融合算法被提出，可以不考虑水下图像的退化过程，首先对原图像进行颜色校正和对比度增强，然后和原图像作为输入，通过四种权重将两幅图像融合，得到清晰度好，对比度高的图像。还有基于颜色空间的算法，例如基于Retinex方法将RGB颜色空间转换为Lab颜色空间中，从而对水下图像进行颜色校正；一种新的颜色校正方法利用lαβ颜色空间对水下图像进行颜色校正；此外还有使用基于扩展

多尺度Retinex的方法复原水下图像。这类方法虽然可以提高水下图像的质量，但是没有考虑水下图像的退化过程。

基于变换域的方法是将空间域的图像变换为频域图像做增强，其中频域图像是将图像分解成高低频图像，低频图像是对整幅图像的强度的综合度量，高频图像是对图像的边缘信息和轮廓的度量。频域图像可以用物理方法调整图像像素，常用的有傅里叶变换和小波变换，基于变换域的方法虽然能够提高对比度和可见性，但是容易放大噪声。

深度学习方法广泛进入人们的视野，在水下图像方面取得了不错的效果。深度学习方法可利用大量的训练数据，得到一个好的模型，考虑水下图像的退化过程，进行颜色校正，提高对比度，清晰度和增强细节等。常见的深度学习方法有卷积神经网络(Convolutional Neural Networks)和对抗生成网络(Generative AdversarialNetwork)。

发明内容

本发明所要解决的技术问题是提供

本发明所采用的技术方案是，一种基于引导滤波的GAN网络对水下图像进行处理的方法，该方法包括下列步骤：

(1)、获取原始的水下失真图像；