[发明专利]一种对抗生成网络的水下图像增强方法

说明书

本发明公开了一种对抗生成网络的水下图像增强方法，包括步骤：S100，神经网络构架设置四个模块；S200，给定退化的水下图像和相应无退化的真值图像，并将所述退化的水下图像映射至低维潜在特征空间后，映射回RGB空间；S300，将所述退化的水下图像，生成第二图像和未退化的真值图像，并得到对抗生成网络损失。S110，神经网络构架设置四个模块：生成器、判别器、感知特征匹配模块和目标检测特征模块。本发明提出的方法可直接从单张水下图像恢复增强后的结果，并在具体任务上明确提高后续目标检测算法性能。本发明提出使用接近于无退化的真实水下图像合成退化水下图像，并制作大规模数据集对网络进行训练。

技术领域

本发明涉及图像处理方法，尤其涉及一种对抗生成网络的水下图像增强方法。

背景技术

随着图像技术的发展，越来越多的水下作业中，采用水下拍摄设备采集水下图像或视频，并进行人工分析或计算机自动分析。如在水下生态资源监测任务中，放置水下相机进行拍摄，对视频帧中的生物目标进行检测，统计生物目标的种类与数量，评估当前水域的生态水平。然而，由于光线在穿透水体的过程中受到水体吸收衰减变色和水体杂质干扰，导致水下图像出现质量退化和颜色失真问题，影响图像处理和分析算法的性能，进而影响例如生态评估等任务的效率。因此，需要对水下图像进行增强，保证后续计算机视觉算法在图像处理和分析任务上的性能。

目前在水下图像增强领域已提出多种方法，主要可分为基于手动特征和基于神经网络两类；基于手动特征的方法通常需要估计图像中各点位置到相机间的距离，相机所在的水下深度，以及相机白点等参数，而后根据光线衰减与距离的关系模型，光线散射与相机深度间的关系模型，对图像进行增强和白平衡；该类方法较为复杂，并且在距离估计中需要特殊设备或连续多帧拍摄，在实际应用中往往难以实现，因此许多研究者开始尝试使用神经网络进行水下图像增强；使用神经网络可通过大量数据进行训练，从单张图像中直接估计出衰减和散射组分，从原图中减去衰减和散射组分即可获得增强结果。

然而，现有的基于神经网络的水下图像增强方法，仍然建立在衰减散射模型之上；一方面该模型的许多细节目前仍然具有争议，另一方面神经网络可以拟合非常复杂的函数，不必建立在显式的水下图像特化模型之上；除此以外，现有方法仅以主观观察图像质量提升为标准，未针对改进后续目标检测算法性能这一目标。

发明内容

本发明提出一种对抗生成网络的水下图像增强方法，可直接从单张水下图像恢复增强后的结果，并在具体任务上明确提高后续目标检测算法性能，其技术方案如下：

一种对抗生成网络的水下图像增强方法，包括步骤：

S100，神经网络构架设置四个模块；

S200，给定退化的水下图像和相应无退化的真值图像，并将所述退化的水下图像映射至低维潜在特征空间后，映射回RGB空间；

S300，将所述退化的水下图像，生成第二图像和未退化的真值图像，并得到对抗生成网络损失。

优选的，在神经网络构架设置四个模块时，还包括步骤：

S110，神经网络构架设置四个模块：生成器、判别器、感知特征匹配模块和目标检测特征模块。

优选的，在给定退化的水下图像和相应无退化的真值图像时，还包括步骤：

S210，给定退化的水下图像和相应无退化的真值图像，生成器将退化图像映射至低维潜在特征空间后，映射回RGB空间，得到生成图像。

优选的，在将所述退化的水下图像，生成第二图像和未退化的真值图像，并得到对抗生成网络损失时，还包括步骤：

S310，将所述退化的水下图像，生成所述第二图像和所述未退化的真值图像，输入判别器，得到对抗生成网络损失，得到损失函数：，且优化目标为：。

优选的，还包括步骤：

S400，设置感知特征和相应的感知特征匹配损失、生成图像的感知特征为、真值图像的感知特征为，则所述感知特征匹配损失：。