[发明专利]一种基于深度学习的水下图像恢复方法

权利要求书

1.一种基于深度学习的水下图像恢复方法，其特征在于，包括以下步骤：

步骤1，将水下退化图像I(z)输入到暗通道先验(Dark Channel Prior，DCP)模型中，得到水下退化图像的水下透射率图t(z)和水下散射图B(z)，并将其标注为目标图像作为辅助训练标签；

步骤2，结构恢复网络(Structure Restoration Network，SRN)训练：该结构恢复网络主要用于水下图像结构恢复；其中，该步骤又可以分为如下4个步骤：

步骤2-1，利用步骤1中的暗通道先验模型得出水下退化图像I(z)的先验图像，即暗通道图D(x)、水下散射图B(z)和水下透射率图t(z)：

(1)暗通道图D(x)

其中，x表示图像的每个像素点坐标，Ω(x)表示以x为中心的一块领域区域，c表示图像的R、G、B三个通道；

(2)水下散色图B(z)

从D(x)中按照亮度的大小取前0.1％的像素点位置Γ{D(x)}，再从I(z)中寻找与Γ{D(x)}在对应位置且数量最多的像素值作为B(z)；

(3)水下透射率图t(z)

其中，z表示图像的每个像素点坐标，Ω(z)表示以z为中心的一块领域区域，w是一个常数；

步骤2-2，将I(z)作为残差密集网络(Residual Dense Network，RDN)的输入，并使用步骤2-1得到的水下透射率图t(z)作为该网络模型的目标图像；

步骤2-3，将I(z)作为U-Net网络的输入，并使用步骤2-1得到的水下散射图B(z)作为该网络模型的目标图像；

步骤2-4，将步骤2-2、步骤2-3中的网络模型进行联合训练得到SRN的模型和权重；

步骤3，颜色校正网络(Color Correction Network，CCN)训练：该颜色校正网络主要用于水下图像颜色校正；其中，该步骤又可以分为如下5个步骤：

步骤3-1，使用步骤2-2和步骤2-3训练好的网络模型进行预测得到水下透射率图和水下散射图再通过水下物理成像模型，即反演得到水下结构恢复图像J(z)；

步骤3-2，将J(z)依次输入到多尺度融合模块(Multi-Scale Fusion Block，MSFB)和注意力模块(Attention Module，AM)中，得到特征图f₁；

步骤3-3，将J(z)输入到图像高频信号提取网络模型中，得到特征图f₂；

步骤3-4，将f₁和f₂进行通道堆叠再通过卷积运算降低堆叠通道的维度；

步骤3-5，将步骤3-2、步骤3-3和步骤3-4中的网络模型进行训练得到CCN的模型和权重；

步骤4，将水下退化测试图像依次输入到步骤2、步骤3训练好的模型中，最终直接输出水下复原图像