[发明专利]一种基于生成对抗网络的浑浊水下偏振图像复原方法

说明书

本发明提供了一种基于生成对抗网络的浑浊水下偏振图像复原方法。包括以下步骤：步骤1、搭建水下主动成像系统，拍摄清晰水下强度图像和浑浊水下的偏振图像；步骤2、建立数据集；将数据集按8:1:1的比例分为训练集、验证集、测试集；步骤3、构建生成网络；步骤4，预训练；利用步骤二中的数据集对所述生成网络进行预训练；步骤5、构建一个判别网络；步骤6、构建生成对抗网络；与步骤四中预训练好的生成网络构成一个生成对抗网络，利用交叉熵作为损失函数对生成对抗网络进行训练；步骤7、利用训练好的生成对抗网络进行图像复原。与现有技术相比，本发明可实现高浑浊度水下偏振图像复原。

技术领域

本发明涉及深度学习技术与偏振成像技术领域，具体涉及一种基于生成对抗网络的浑浊水下偏振图像复原方法。

背景技术

水下图像作为研究水下世界的主要方式，在水下能源勘测、水下考古、水下生态环境监测保护、水下军事、等诸多领域的研究有着重要作用。然而，水下有非常多的粒子，由于后向散射光的影响，在传统的水下光学成像时会严重影响成像质量，例如对比度低、亮度低、物体细节模糊等。这导致基于图像的目标检测与分析在水下难以使用。目前，水下图像复原方法主要是分为两类，包括基于物理模型的复原方法和基于非物理模型的图像增强方法。基于物理模型的复原方法需要考虑图像的退化过程，对水下成像过程进行数学建模，估计模型参数通过逆推进行图像复原，或者利用深度学习技术对映射函数的学习进而复原图像。基于非物理模型的图像增强方法主要有直方图均衡化方法、颜色校正方法、基于融合的方法等。两种技术在一定程度上都是对图像进行改善，提高图像质量。相对而言，图像增强一般是增强视觉感受，偏向于人的主观判断，丢失的细节信息不会得到修复。而图像复原方法则是根据图像退化的模型，进行图像建模，设计映射函数来恢复出原始图像。偏振成像技术是目前研究较广泛的一种图像复原技术，但成像效果仍存在一定局限性，影响了进一步的应用。

发明内容

为了克服现有技术的不足，本发明利用偏振成像技术与深度学习技术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。使用该网络对浑浊水下图像进行复原，可有效提高图像的质量。

本发明的技术方案

一种基于生成对抗网络的浑浊水下偏振图像复原方法，包括以下复原步骤：

步骤1、搭建水下主动成像系统，拍摄水下目标物清晰的强度图像与浑浊水下目标物的偏振图像；

步骤2、建立数据集；将步骤1得到的偏振图像进行裁剪，通过翻转和旋转扩大数据集后按8:1:1的比例分为训练集、验证集、测试集；

步骤3、构建生成网络；生成网络由特征提取、残差密集块、特征融合和残差学习构成；生成网络有4个输入，分别为偏振方向为0°、45°、90°的偏振图像和圆偏振图像，使用2个卷积层做特征提取，使用4个残差密集块对更高维度的特征进行提取，再使用特征融合、残差学习和一个卷积层对4个输入进行非线性映射，最后输出一个预测的复原图像；

步骤4、预训练；利用步骤2中的数据集对所述生成网络进行预训练；训练的标签为偏振图像对应的水下目标物清晰的强度图像；使用均方误差作为损失函数，对网络参数进行优化；

步骤5、构建一个判别网络；所述判别网络的输入为尺寸为200*200的图像，通过6个卷积层对图像大小进行压缩、对通道进行扩增，判断输入判别网络的图像是水下目标物清晰的强度图像或者是由步骤三中生成网络输出的预测的复原图像；

步骤6、构建生成对抗网络；与步骤四中预训练好的生成网络构成一个生成对抗网络；利用交叉熵分别对判别网络和生成网络构造损失函数；生成网络的损失是生成的图片经判别网络的输出与水下目标物清晰的强度图像的标签计算交叉熵；判别网络的损失由两部分构成，一部分是对生成图片的判别损失，另一部分是对清晰图片的判别损失，两者相加得到判别网络总的损失函数；

步骤7、对生成对抗网络进行训练；将训练好的生成对抗网络对浑浊水中拍摄的偏振图像进行预测，最终可以得到提升明显的复原图像。