[发明专利]一种多模块级联的水下图像增强方法

说明书

本发明提供一种多模块级联的水下图像增强方法，属于计算机视觉技术领域。所述方法包括：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；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。采用本发明，能够解决水下成像中不同类型的退化问题。

技术领域

本发明涉及计算机视觉技术领域，特别是指一种多模块级联的水下图像增强方法。

背景技术

近年来，作为图像增强研究中的一个重点问题，水下图像增强受到越来越多研究人员的关注。作为海洋信息的重要载体，水下图像对我们探索海洋环境，合理开发和利用海洋资源有着至关重要的作用。但由于水下成像环境的复杂性，获得的水下图像往往伴随着模糊、低对比度、色彩失真、可见性差等退化问题，这严重影响了基于水下视觉的任务的性能。因此，提高水下图像的质量是迫切需要的。

在过去的几十年里，人们提出了很多方法来提高水下图像的质量，这些方法可以简单的分为非学习的方法和基于深度学习的方法。在非学习的方法中，一种是直接将经典的空气图像增强方法或其变体（如直方图均衡化、白平衡等）应用在水下图像上；另一种是针对水下图像的成像特点或结合水下图像的物理成像模型，专门设计的一些算法，如Retinex-based, Fusion-based，GDCP-based等。虽然这些方法提高了水下图像的质量，但由于估计物理模型参数的不适定性以及先验知识的不准确性，这些方法容易受到退化图像类型的影响，泛化能力差。随着深度学习的发展，研究人员提出了一系列基于深度学习的水下图像增强方法，如Water-Net, UIEC2^Net, Ucolor等，直接对退化的图像和清晰的图像进行建模，缓解了估计模型参数的不适定性，极大的提高了水下图像的质量，但是这些方法没有考虑到由于与波长相关的衰减而导致的R、G、B通道之间衰减的差异性，所以增强之后的图像有的还是会存在色偏，并且这些方法依旧受到水下图像退化类型的限制，并不能同时解决水下图像中同时存在的退化问题。通过一个单独的网络来解决水下图像中并存的各种退化问题仍然是一个巨大的挑战。

发明内容

本发明实施例提供了一种多模块级联的水下图像增强方法，能够解决水下图像中存在的不同类型的退化问题。所述技术方案如下：

本发明实施例提供了一种多模块级联的水下图像增强方法，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；

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。

进一步地，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。

进一步地，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：