[发明专利]适用于人工与自然光源的卷积神经网络水下图像复原方法

摘要

适用于人工与自然光源的卷积神经网络水下图像复原方法。本发明公开了一种单幅水下图像复原方法，其方案是：构建环境光估计网络A‑net、人工光源强度估计网络L‑net和透射率估计网络T‑net；获取一组深度图像集；随机生成透射率T、环境光A与人工光源强度L，合成水下图像集I；将I、T、A批量依次循环输入至A‑net进行训练；将I、T、L批量依次循环输入至L‑net进行训练；将I、T批量依次循环输入至T‑net进行训练；将待处理的图像Ic输入到训练好的T‑net，输出透射率Tc；将Ic、Tc分别输入到训练好的A‑net及L‑net，分别输出人工光源强度L和环境光Ac；根据Ic、Ac、L和Tc计算清晰图像Jc。本发明提高了图像清晰度、改善了图像色偏，减小了人工光源对图像复原的影响，可用于自然光或人工光源环境下的水下图像清晰化处理。

主权项

1.一种适用于人工与自然光源的卷积神经网络水下图像复原方法，其特征在于包括：1)在Caffe框架下分别构建水下图像环境光估计网络A‑net、人工光源强度估计网络L‑net及透射率估计网络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；所述人工光源强度估计网络L‑net，包括4个卷积层和2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)从数据集中获取一组清晰图像集J_t及相应深度图集d(J_t)，根据设定的环境光值A、人工光源强度值L和蓝色通道透射率T_b，计算得到透射率估计网络训练图像集T_t、环境光估计网络训练图像集A_t及人工光源强度估计网络训练图像集L_t；3)采用透射率估计网络训练集T_t，对透射率估计网络T‑net进行训练：3a)将透射率估计网络训练图像集T_t按批量大小分别平分为多个配对的图像组，并同时输入T_t的第一图像组，得到T‑net各个卷积操作的初始权值W_n和初始偏置值B_n；3b)将初始权值W_n和初始偏置值B_n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；3c)将T_t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；4)采用环境光估计网络训练图像集A_t，按照步骤3a)‑3c)的方法，对环境光估计网络A‑net进行训练，得到训练好的环境光估计网络；5)采用人工光源强度估计网络训练图像集L_t，按照步骤3a)‑3c)的方法，对人工光源强度估计网络L‑net进行训练，得到训练好的人工光源强度估计网络；6)将一幅需要复原处理的水下图像I_c输入至训练好的透射率估计网络T‑net，输出蓝色通道的透射率T_b′；7)将需要复原处理的水下图像I_c与6)中得到的蓝色通道透射率T_b′相拼接，分别输入至训练好的环境光估计网络A‑net和人工光源强度估计网络L‑net，分别输出rgb三通道的环境光值A_r′、A_g′、A_b′和人工光源强度值L′；8)根据6)和7)的结果，计算得到红色通道透射率和绿色通道的透射率9)根据6)至8)的结果，得到高质量清晰图像：J_c′＝(I_c‑A_c′)/T_c′+A_c′‑L′T_c′，c∈{r,g,b}。