[发明专利]一种基于条件生成对抗网络的水下图像增强方法

权利要求书

1.一种基于条件生成对抗网络的水下图像增强方法，其特征在于，包括步骤：

S1.构建基础图像增强模型，所述基础图像增强模型的网络结构采用UGAN网络结构，但其生成器减少了所述UGAN网络结构中生成器的下采样卷积层数，并在每一层反卷积后增加了步长为1的卷积操作；

S2.采用目标损失函数对所述基础图像增强模型进行“螺旋式”对抗训练，得到优化图像增强模型；

在所述步骤S2中，所述目标损失函数为对抗损失函数、L2损失函数和角度损失函数线性组合而成，其表达式为：

其中，L代表所述目标损失函数，L_{spiral_cGAN}(G,D)代表所述对抗损失函数，L_{spiral_12}(G)代表所述L2损失函数，L_{spiral_angular}(G)代表所述角度损失函数，G、D分别代表所述基础图像增强模型中的生成器与判别器；λ₁、λ₂分别代表所述L2损失函数、所述角度损失函数的线性常数；

所述对抗损失函数的表达式为：

其中，X代表浑浊图片，Y代表增强图片，E_X,Y代表X条件下的判别器D对于Y的判定损失；E_X代表X条件下，判别器D对于X输入条件下螺旋迭代n次后生成器的输出假图的判定损失；D(X,Y)代表判别器D在X条件下对Y的真假判断结果,代表X输入条件下螺旋迭代n次后生成器G的输出，代表判别器D在X条件下对螺旋迭代n次后生成器G的输出图像的真假判断结果；

所述基础图像增强模型的网络结构包括一个所述生成器和一组所述判别器；所述生成器包括编码器和解码器，所述编码器由多个下采样卷积层组成，所述解码器由多个与所述下采样卷积层镜像对应的上采样反卷积层组成，同时在所述下采样卷积层和所述上采样反卷积层之间存在特征图的跨越跳接操作；所述判别器为马尔可夫判别器。

2.如权利要求1所述的一种基于条件生成对抗网络的水下图像增强方法，所述步骤S2具体包括步骤：

S21.向所述基础图像增强模型中输入批量浑浊图片，得到第一级增强图片；

S22.对所述第一级增强图片进行梯度计算，得到第一级梯度；

S23.向所述基础图像增强模型中输入所述第一级增强图片，得到第二级增强图片；

S24.通过所述目标损失函数对所述第二级增强图片进行梯度计算，得到第二级梯度；

S25.按照所述步骤S23-S24相同过程得到与对应预设清晰参考图片一致的第n级增强图片和第n级梯度，n≥2；

S26.根据所述第一级梯度至所述第n级梯度的均值更新所述基础图像增强模型，得到对应的优化图像增强模型。

3.如权利要求2所述的一种基于条件生成对抗网络的水下图像增强方法，其特征在于：在所述步骤S2中，一一对应的一组所述浑浊图片与所述预设清晰参考图片，组成配对图像对，多对所述配对图像对组成配对数据集；所述配对数据集中至少包括上千对配对图像对。

4.如权利要求1所述的一种基于条件生成对抗网络的水下图像增强方法，其特征在于，所述L2损失函数的表达式为：

其中，X代表浑浊图片，Y代表增强图片，E_X,Y代表X条件下的判别器D对于Y的判定损失，G(X)代表X输入条件下生成器G得到的假图，代表X输入条件下螺旋迭代n次后生成器G的输出假图。

5.如权利要求1所述的一种基于条件生成对抗网络的水下图像增强方法，其特征在于，所述角度损失函数的表达式为：

其中，Y代表增强图片，E_X,Y代表X条件下的判别器D对于Y的判定损失，G(X)代表X输入条件下生成器G得到的假图，N代表螺旋迭代最大次数，代表X输入条件下螺旋迭代n次后生成器G的输出假图。

6.如权利要求1所述的一种基于条件生成对抗网络的水下图像增强方法，其特征在于：所述下采样卷积层的卷积核为4×4、步长为2；所述上采样卷积层的卷积核为4×4、步长为1/2；所述步骤S1中增加的步长为1的卷积操作，其卷积核为3×3。