[发明专利]一种仿生机器鱼水下视觉图像增强方法及系统

权利要求书

1.一种仿生机器鱼水下视觉图像增强方法，包括：

利用仿生机器鱼获取原始目标图像；

对原始目标图像采用非线性映射的方式进行预处理；

将原始目标图像输入到预先训练好的深度卷积生成对抗网络DCGAN中，输出增强后的初始目标图像。

2.如权利要求1所述的方法，其特征是，所述方法还包括：

将增强后的初始目标图像与原始目标图像进行融合，得到最终增强后的目标图像。

3.如权利要求1所述的方法，其特征是，对原始目标图像采用非线性映射的方式进行预处理；具体步骤包括：

对原始目标图像进行卷积运算处理；

使用群组归一化将卷积结果进行规范化操作；

使用激活函数对规范化后的卷积结果进行处理。

4.如权利要求1所述的方法，其特征是，将原始目标图像输入到预先训练好的深度卷积生成对抗网络DCGAN中，输出增强后的初始目标图像；其中，预先训练好的深度卷积生成对抗网络DCGAN的训练步骤包括：

构建深度卷积生成对抗网络DCGAN；所述深度卷积生成对抗网络DCGAN为具有U-Net结构的深度卷积生成对抗网络DCGAN；

构建训练集，利用训练集对深度卷积生成对抗网络DCGAN进行训练，在训练的过程中，生成网络生成图像，生成网络将生成图像输入到判别网络中，同时还将正常照度的图像也输入到判别网络中，判别网络对图像的真假进行判断，当损失函数达到最小值时，得到训练好的深度卷积生成对抗网络；

或者，

所述训练集，构建过程包括：

从COCO数据库中选取N张正常照度的图像；对N张正常照度的图像进行雾化、添加噪声或高斯模糊处理得到N张低照度图像；将N张正常照度的图像与N张低照度的图像进行标签化处理，然后按比例划分为训练集、测试集和验证集；

或者，

训练结束的标准为深度卷积生成对抗网络DCGAN的总损失函数达到最小值时，停止训练；否则，继续训练；

所述深度卷积生成对抗网络DCGAN的总损失函数，包括：

均方误差MSE损失函数、生成网络的重建损失函数adv和判别网络的对抗损失函数；

或者，

将原始目标图像输入到预先训练好的深度卷积生成对抗网络DCGAN中，输出增强后的初始目标图像；具体步骤包括：

将原始目标图像输入到预先训练好的深度卷积生成对抗网络DCGAN的生成网络中，生成网络输出生成图像；

利用自动色彩增强算法对生成网络输出的生成图像进行色彩增强处理；将色彩增强处理后的图像作为增强后的初始目标图像；

或者，

所述生成网络中，除网络最后的输出层使用tanh激活函数外，其余激活层均使用ReLU函数激活；

或者，

判别网络中，激活函数除最后一层外均使用LeakyReLU函数，最后一层激活函数使用sigmoid全连接层。

5.如权利要求1所述的方法，其特征是，将增强后的初始目标图像与原始目标图像进行融合，得到最终增强后的目标图像；具体步骤包括：

将增强后的初始目标图像与原始目标图像，采用主成分变换PCA算法进行图像融合；得到最终增强后的目标图像。

6.一种仿生机器鱼水下视觉图像增强系统，其特征是，包括：

获取模块，其被配置为：利用仿生机器鱼获取原始目标图像；

预处理模块，其被配置为：对原始目标图像采用非线性映射的方式进行预处理；

输出模块，其被配置为：将原始目标图像输入到预先训练好的深度卷积生成对抗网络DCGAN中，输出增强后的初始目标图像。

7.一种电子设备，其特征是，包括：一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序；其中，处理器与存储器连接，上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存储器存储的一个或多个计算机程序，以使电子设备执行上述权利要求1-5任一项所述的方法。