[发明专利]一种基于深度学习的水下图像增强方法

权利要求书

1.一种基于深度学习的水下图像增强方法，其特征在于，包括以下步骤：

步骤1，通道拆分：将输入的原始图像拆分为三个单通道矩阵；

步骤2，多尺度退化特征提取：将步骤1得到的三个单通道矩阵分别输入到三个多尺度融合注意力模块中提取不同通道下的水下衰减特征，得到三个不同通道的特征矩阵；

步骤3，通道堆叠：将步骤2输出的不同通道的特征矩阵使用通道堆叠的方式融合为高维度的特征图；

步骤4，感兴趣特征区域提取：依据步骤3得到多通道特征图，运用通道注意力(Channel-wise Attention，CA)机制关注目标中感兴趣的区域像素，且不改变特征图的维度；

步骤5，1×1的卷积运算：利用1×1的卷积运算，将步骤4处理后的多通道特征图的维度压缩到与原始输入图像相同的通道维度，得到新的特征图；

步骤6，特征融合：运用跳层连接的思想，将步骤5得到的新的特征图与原始输入图像在相对应的像素坐标位置上直接相加并更新步骤5得到的特征图；

步骤7，将步骤的6得到特征融合结果和步骤1中的原始图像进行通道堆叠后再利用步骤5的方法降低特征图维度，重复多次步骤1-6；

步骤8，将步骤7输出的结果利用卷积运算得到增强的特征图像，并与原始图像直接相加得到水下增强图像；

步骤9，使用均方差损失函数、图像质量损失函数与改进的颜色损失函数以及反向误差传播算法对上述步骤1-8进行训练，训练完成后保存水下图像增强网络模型和权重；其中，该步骤可以分为如下2个步骤：

步骤9-1，将步骤步骤8得到的水下增强图像R_f(x,y)与参考图像T(x,y)使用改进的颜色损失函数来描述它们之间的颜色空间向量的方向一致性，首先求出两张图像的余弦相似度similarity和两张图像在红色通道上的余弦相似度similarity_r：

其中，T_r(x,y)表示T(x,y)的红色通道图，R_f^r(x,y)表示R_f(x,y)的红色通道图，ω和ζ的均为常数；

步骤9-2，将步骤9-1得到similarity和similarity_r分别计算反余弦三角函数再相加得到改进的颜色损失函数L_CL:

L_CL＝f_c(similarity)+λ·f_c(similarity_r)

其中，f(·)表示反余弦三角函数，λ为一个常数；

步骤10，使用步骤9已训练好的网络模型和权重，增强输入的水下测试图像。