[发明专利]一种多模块级联的水下图像增强方法

权利要求书

1.一种多模块级联的水下图像增强方法，其特征在于，包括：

将现有的空气图像增强网络与颜色校正网络级联，构建多模块级联增强网络，其中，空气图像增强网络用于解决水下图像中与空气图像相似的退化问题，颜色校正网络用于校正水下图像中存在的色偏；

其中，所述将现有的空气图像增强网络与颜色校正网络级联，构建多模块级联增强网络，包括：

选择现有的空气图像增强网络作为第一级增强网络E1；

将颜色校正网络作为第二级增强网络E2；

将E1和E2之间通过残差方式进行连接，得到多模块级联增强网络E；

获取成对水下图像数据集，利用获取的成对水下图像数据集训练所述多模块级联增强网络；

获取待增强的水下图像，将待增强的水下图像送入训练好的多模块级联增强网络，得到增强后的水下图像；

其中，颜色校正网络的处理步骤包括：

A1，将第一级增强网络E1的输出图像与输入图像通过残差结构相连，获得第二级增强网络E2的输入图像，然后分别提取其红色通道图像，绿色通道图像和蓝色通道图像，其中，分别表示图像的高度和宽度，为维度符号；

A2，对步骤A1中获得的三通道的图像分别进行卷积操作，得到红色通道特征图、绿色通道特征图和蓝色通道特征图：

其中，都表示带层的卷积操作；

A3，使用绿色通道的特征图分别对红色通道和蓝色通道特征图的信息进行补偿，得到补偿后的红色通道特征图和蓝色通道特征图，并对绿色通道的特征图进行卷积、拼接操作，得到绿色通道特征图：

其中，都表示补偿参数，表示按通道进行拼接操作；

A4，将步骤A3获得的补偿后的特征图送入通道-空间注意力模块，对特征做进一步的提取与精炼，得到红色通道特征图、绿色通道特征图和蓝色通道特征图：

其中，表示通道-空间注意力模块；

A5，对于步骤A4获得的特征图，再使用绿色通道的特征图对其余两个通道特征图的信息进行补偿，得到颜色校正后的特征图和：

其中，都表示补偿参数，颜色校正后的绿色通道的特征图；

A6，将颜色校正后的特征图分别变为单通道的特征图，并按通道进行拼接，得到颜色特征图：

其中，都表示卷积操作；

A7，将颜色特征图送入卷积模块重建清晰的水下图像，即最终的增强后的水下图像：

其中，表示卷积操作，表示卷积块。

2.根据权利要求1所述的多模块级联的水下图像增强方法，其特征在于，所述通道-空间注意力模块的处理步骤包括：

A41，输入特征图，通过卷积操作得到新的特征图；

其中，表示按元素求和，具体为步骤A3获得的补偿后的特征图、；

A42，将A41得到的特征图分别送入通道注意力分支CA_brach和空间注意力分支SA_brach，获得通道特征描述符和空间特征描述符，之后，将特征图分别与通道特征描述符和空间特征描述符按元素相乘，得到CA_brach和 SA_brach的输出；其中，表示按元素相乘；

A43，对步骤A42中CA_brach和SA_brach的输出按通道拼接并进行卷积操作处理后获得最终的输出特征图：

其中，具体为。

3.根据权利要求1所述的多模块级联的水下图像增强方法，其特征在于，所述训练所述多模块级联增强网络，包括：

确定多模块级联增强网络E的损失函数：

其中，表示第一级增强网络E1原始使用的损失函数，表示感知损失函数，表示感知损失函数的权重；

确定多模块级联增强网络E的初始学习率，其中，第一级增强网络E1的初始学习率至少比原始空气图像增强网络中设置的初始学习率小一个数量级，第二级增强网络E2的初始学习率为原始空气图像增强网络中设置的初始学习率；

利用获取的成对水下图像数据集，对多模块级联增强网络E进行训练。