[发明专利]一种基于改进生成对抗网络的提高水下图像分辨率方法

说明书

本发明公开了一种基于改进生成对抗网络的提高水下图像分辨率方法，首先改进了生成对抗网络，在保留了生成对抗网络能进行对抗训练的前提下，通过改善生成器模块的结构，将残差块改为三层恒等残差块，并引入了密集跳跃连接的结构，增加了低级特征和高级特征之间的联系，使得生成的图像更真实，纹理更清晰，同时考虑到BN层并不适用于做图像超分辨率重建，因此减去了生成器模块中的BN层，将生成器模块的激活函数由Sigmoid改为Relu以防止梯度爆炸问题，减少了整个网络的计算量，提高了网络的实时性。本发明可以针对水下机器人拍摄的水下图像进行超分辨率重建，以达到提高水下图像质量的目的。

技术领域

本发明涉及图像处理与深度学习技术领域，尤其涉及一种基于改进生成对抗网络的提高水下图像分辨率方法。

背景技术

近年来，随着全球人口的增长，陆地上的资源消耗日益加快，而海洋占据了地球上的大部分面积，并且拥有丰富的生物及石油资源，因此开发海洋资源是未来发展的一个重要方向。

在探索开发海洋资源时，通过水下机器人获取水下信息是目前的主流方式，然而水下环境较为复杂，比如水下环境的湍流、海水的悬浮物引起光照的散射、光照的衰减造成的颜色通道缺失等，使得水下图像呈现色偏、细节缺失以及对比度低等，这也使得水下图像很难用于检测、分割等应用。因此如何提升水下图像质量、解决水下图像细节缺失与模糊的问题具有重要意义。

图像超分辨率重建技术是指将低分辨率图像，通过一定的算法，恢复成高分辨率图像。图像超分辨率重建技术可以用来改善图像的细节、去图像模糊化，进而提升图像质量，这对于解决水下图像存在的细节缺失与模糊问题有所帮助。同时，图像超分辨率重建技术可以减少在特定条件下每一个图像系统的内部分辨率的一些限制，进而提高图像的每个图像系统所处理的分辨率。图像超分辨率重建技术在许多领域有着重要的应用，如安全监控，医学图像和无人机遥感技术等领域皆应用到了图像超分辨率重建技术。

基于生成对抗网络的图像超分辨重建在目前的图像重建方面是一种比较常用的方法，通过建立模型，学习低级特征与高级特征之间的映射方式，利用先前所学习到的先验知识，来对图像的高频细节进行恢复以达到重建的目的，这相比于传统方法能有一个更好的结果。

生成对抗网络的网络结构是由一个生成器和一个判定器构成，对生成器和判定器进行交替迭代训练，以达到生成器生成的样本足够逼真的效果。使用生成对抗网络进行图像超分辨率重建的优点是不依赖预设分布，其缺点是用于水下图像超分辨率重建时，由于水下环境复杂，特征不能被很好地学习，导致生成的图像缺乏细节信息，因此需要进行改进。

发明内容

本发明的目的在于提供一种基于改进生成对抗网络的提高水下图像分辨率方法，将改进的生成对抗网络模型应用到水下图像处理中，更好地训练生成器模块，进而提高水下图像质量，增加水下图像细节信息。

为实现上述目的，本发明提供了一种基于改进生成对抗网络的提高水下图像分辨率方法，包括下列步骤：

构建改进生成对抗网络模型；

获取已有水下图像，并制作训练所需数据集，同时对其进行数据增强和数据集划分；

训练所述改进生成对抗网络模型，获得训练好的网络模型；

获取实时水下图像并处理为小块图像；

将所述小块图像输入所述训练好的网络模型，获得网络输出结果；

拼接所述网络输出结果，获得最终结果。

其中，所述改进生成对抗网络模型的基础模块由生成器模块和判定器模块组成，所述生成器模块里的残差卷积改为三层恒等残差块，每个所述三层恒等残差块的输出结果都作为后续每一层的输入特征，激活函数由Sigmoid改为Relu。