[发明专利]一种基于卷积神经网络的水下图像增强与复原方法

说明书

一种基于卷积神经网络的水下图像增强与复原方法，包括：使用该幅待处理水下图像退化多幅常规图像，然后将多幅常规图像与其对应退化之后的常规图像组成训练集，并依次输入到卷积神经网络中进行训练；之后，将前述待处理水下图像输入到训练完成的卷积神经网络中，输出第一图像；对该图像进行CIELAB颜色空间变换，提取该图像的L亮度通道、A颜色通道和B颜色通道；最后对前述的待处理水下图像进行纹理增强，并将纹理增强后的图像替换第一图像的L亮度通道，并与第一图像中的A颜色通道和B颜色通道共同组合得到最终的图像。该方法中解决了水下图像训练数据缺失的问题，且避免了传统水下成像模型复杂的计算，较好地改善了水下图像的质量。

技术领域

本发明涉及水下图像增强与复原领域，特别涉及一种基于卷积神经网络的水下图像增强与复原方法。

背景技术

获取水下图像对水下环境的探测开发具有重要意义。在拍摄水下图像的过程中，由于红光在传播过程中迅速衰减，且水中的微粒造成光线散射，因而导致采集到的水下图像通常会有对比度低、亮度不均衡、纹理不清晰和色差严重等缺点。因此，人们通常对水下图像实施增强和复原等处理，以保证水下环境作业的顺利开展。

近年来，水下图像处理技术受到越来越多学者的关注，多种水下图像增强与复原方法已经被提出。基于水下成像模型提出的多种水下图像增强与复原方法虽然在一定程度上改善了水下图像的质量，但由于水下成像模型的准确度依赖于复杂多样的水体数据，所以这些方法具有复杂度高、灵活性差等缺点。空气中传统的去雾增强算法也被应用在水下图像处理中，He等人在分析大量大气雾天图像中提出了对常规大气图像暗通道先验去雾算法，Galdran等人针对水下红光衰减较强设计了基于红色暗通道先验算法的水下图像复原方法，Berman等人基于经典的灰度世界假设，结合两个全局参数建立了水下图像复原模型。这些方法对水下图像的颜色校正和提高纹理清晰度具有一定的效果，但是依然存在主观感觉不自然的色差和纹理失真。Ancuti等人提出将颜色改善、伽马校正和纹理增强三种方法处理后的水下图像进行参数融合，但这类算法复杂度较高而且图像易于出现过度增强造成的伪影。除此之外，传统方法需要大量环境数据例如水体散射系数、场景深度等，这些数据难以从单独一张图像中获取。因此，需要进一步改进水下图像增强和复原方法。

发明内容

本发明所要解决的技术问题是针对现有技术的现状，提供一种基于卷积神经网络的水下图像增强与复原方法，该方法能有效复原与增强水下图像的特征，提高图像质量。

本发明解决上述技术问题所采用的技术方案为：一种基于卷积神经网络的水下图像增强与复原方法，包括以下步骤：

步骤1、输入一幅待处理水下图像和多幅常规图像，并使用该幅待处理水下图像退化多幅常规图像，得到多幅退化之后的常规图像，其中多幅常规图像均在大气中拍摄而成，且待处理水下图像与所有常规图像的大小和像素均相同；

步骤2、将多幅常规图像与其对应退化之后的常规图像组成训练集，然后将训练集中的每对数据依次输入到卷积神经网络中进行训练，得到训练完成的卷积神经网络，其中，退化之后的常规图像作为输入数据，常规图像作为输出数据；

步骤3、将步骤1中的待处理水下图像输入到步骤2训练完成的卷积神经网络中，输出第一图像；

步骤4、对步骤1中的待处理水下图像进行纹理增强，得到第二图像；

步骤5、对第一图像进行CIELAB颜色空间变换，得到颜色空间变换后的第一图像，并提取颜色空间变换后的第一图像的L亮度通道、A颜色通道和B颜色通道；

步骤6、将第二图像替换颜色空间变换后的第一图像的L亮度通道，并与颜色空间变换后的第一图像中的A颜色通道和B颜色通道共同组合得到第三图像，该第三图像为待处理水下图像复原与增强后的图像。

作为改进，所述步骤1中使用待处理水下图像退化任一幅常规图像的具体步骤为：