[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

说明书

本发明涉及水下图像处理技术领域，具体公开了一种基于条件生成对抗网络的水下图像增强方法，其构建了基础图像增强模型，提出了分步式对抗训练策略，同时在训练策略中构建了目标损失函数(由对抗损失函数、L2损失函数和角度损失函数线性组合而成)组成的像素级损失，具有很好的鲁棒性和有效性，即使在缺乏真实水下成对训练数据，使用人工合成的配对数据，依然可以有效地实现对真实水下图像的增强，高效地解决水下图像中存在雾化模糊问题，提高图像的对比度，并且能很好地去除水下图像偏蓝、偏绿的色偏问题，同时可以增强图像中目标物的细节信息，提升图像的能见度，使更远处的目标可以被看得更清晰，促使生成图像更加逼近真实场景。

技术领域

本发明涉及水下图像处理技术领域，尤其涉及一种基于条件生成对抗网络的水下图像增强方法。

背景技术

水下图像处理技术能够快速有效地提升水下图像的质量，相比于昂贵的硬件支撑，它的实现成本较低，因此水下图像处理技术等到了受到广泛的关注。这些技术在众多的海洋工程和科研任务中扮演着重要的角色，例如：水下珊瑚监测、海洋生物迁移监测、海底电缆及参劾检测、深海勘探等。水下图像降质的主要原因是由水对光的强吸收、散射作用导致的。水中含有大量的悬浮颗粒，如：微生物、灰尘等，当光线在水中传播与这些颗粒发生碰撞时，光的原始传播方向就会发生偏转；同时水对不同波段的光还有一定的吸收作用，随着的水深的增加，波长较长的光(如：红色光)首先被吸收；因此水下拍摄的图像、视频往往存在着低对比度、雾化模糊、颜色失真等问题。

通常，为了提升水下视野的可见范围，在水下采集图像时会使用照明设备进行人为的光线补偿，然而这不但增加了能源开销，同样给水下图像处理技术带来了额外的挑战。

为了通过图像处理技术改善水下图像因受到水对光的吸收和散射作用，目前出现了一些图像增强方法、图像复原方法和基于生成对抗网络的图像处理方法。

图像增强方法是指：在图像处理过程中，不考虑对水下成像过程建模，通常是重新分配给定图像的像素值来增加对比度或实现颜色校正。其优点是：处理速度相对较快。其缺点是：由于没有考虑到水下成像模型而直接操作图像的像数值，往往存在着过度增强、颜色失真与偏移等问题。

图像复原方法是指：在图像处理过程中考虑到了光传播及成像过程等物理机制，首先要建立水下成像模型，然后再根据一些先验知识或是观测值去估计出成像模型中的关键参数，最后通过反演成像模型恢复出原始清晰图像。其优点是：考虑到水下成像模型，复原出的图像更具有理论推理性。其缺点是：由于涉及到诸多的先验知识，水下图像复原算法的针对性较强，普适性较差，同时涉及到大量的复杂运算，推理的时间较长。

基于生成对抗网络的图像处理方法是指：利用生成对抗网络构建图像处理模型，对图像处理模型进行训练后，可将低质量降质图像转译为高质量清晰图像。其优点是：在数据合成上效果良好。其缺点是：由于采用人工合成的伪水下图像进行模型训练，在真实水下数据上的表现较差(实用泛化能力较差)，模型的性能会有所下降，还存在合成图像缺乏细节、颜色失真、过度引入噪声等问题。

发明内容

本发明提供一种基于条件生成对抗网络的水下图像增强方法，解决的技术问题是：现有基于生成对抗网络的图像处理方法实用泛化能力较差，还存在合成图像缺乏细节、颜色失真、过度引入噪声等问题。

为解决以上技术问题，本发明提供一种基于条件生成对抗网络的水下图像增强方法，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。

进一步地，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；