[发明专利]基于卷积神经网络的水下图像复原方法

摘要

本发明公开了一种单幅水下图像复原方法，主要解决现有技术在处理水下图像时色偏校正和清晰化处理效果欠佳的问题。其方案是：在Caffe框架下分别构建环境光估计网络和透射率估计网络；获取一组深度图像集J和d(J)，随机生成透射率T和环境光A，合成水下图像集I；将I、A按批量依次循环输入至环境光估计网络进行训练；再将I、T按批量依次循环输入至透射率估计网络进行训练；将待处理的图像Ic输入至完成训练的神经网络，输出环境光Ac和透射率Tc；根据Ac和Tc计算得到清晰图像Jc。本发明提高了图像对比度并能校正色偏，其峰值信噪比、结构相似性和色差公式三个指标均优于现有技术，可用于水下图像的清晰化处理。

主权项

1.一种基于卷积神经网络的单幅水下图像复原方法，包括：1)在Caffe框架下分别构建水下图像环境光估计网络A‑net和透射率估计网络T‑net，其中:所述环境光估计网络A‑net，包括四个卷积层和两个池化层；所述透射率估计网络T‑net，包括一个下采样模块、一个融合模块以及一个上采样模块，三个模块依次串联；2)获取一组清晰图像集Jt及相应深度图集d(Jt)，根据设定的环境光值A和蓝色通道透射率Tb计算得到透射率估计网络训练图像集Tt和环境光估计网络训练图像集At；4)将透射率估计网络训练图像集Tt按批量大小分别平分为多个配对的图像组，并同时输入Tt的第一图像组训练透射率估计网络T‑net，得到T‑net各个卷积操作的初始权值Wn和初始偏置值Bn；5)将初始权值Wn和初始偏置值Bn应用至透射率估计网络T‑net中，得到第一次参数更新后的神经网络T‑net；再将第二图像组输入至第一次参数更新后的神经网络T‑net，得到第二次参数更新后的神经网络T‑net；以此类推，直至最后一组图像组输入至前一次更新后的神经网络T‑net，得到一次训练后的神经网络T‑net；6)再将Tt的所有图像组依次输入至完成一次训练的神经网络T‑net，得到二次训练后的神经网络T‑net；以此类推，直至所有图像组均被输入20000次，完成对透射率估计网络T‑net的训练；7)采用环境光估计网络训练图像集At，按照步骤4，5，6所述方法训练环境光估计网络A‑net；8)将一幅需要复原处理的水下图像Ic分别输入至完成所有训练的环境光估计网络A‑net和透射率估计网络T‑net，分别输出rgb三通道的环境光值Ac和蓝色通道的透射率Tb；9)根据8)的结果，计算得到红色通道透射率和绿色通道的透射率再计算得到高质量清晰图像：J_c＝(I_c‑A_c)/T_c+A_c，c∈{r,g,b}。