[发明专利]一种基于视觉自注意力模型的水下图像增强方法有效

专利信息
申请号: 202310351943.8 申请日: 2023-04-04
公开(公告)号: CN116152116B 公开(公告)日: 2023-07-21
发明(设计)人: 邢文;曲思瑜;严浙平;孙岩;卢春雨 申请(专利权)人: 青岛哈尔滨工程大学创新发展中心
主分类号: G06T5/00 分类号: G06T5/00;G06N3/0464;G06N3/08;G06T5/40
代理公司: 哈尔滨市松花江联合专利商标代理有限公司 23213 代理人: 岳昕
地址: 266400 山东*** 国省代码: 山东;37
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 一种 基于 视觉 注意力 模型 水下 图像 增强 方法
【说明书】:

一种基于视觉自注意力模型的水下图像增强方法,本发明涉及基于视觉自注意力模型的水下图像增强方法。本发明的目的是为了解决水下图像有着颜色扭曲、对比度低、细节模糊的成像特点,这些质量较低的水下图像严重影响了光学摄像机在水下环境中的使用,限制了水下无人航行器的感知能力的问题。过程为:步骤一、采用图像增强算法对水下图像进行处理,得到增强后的水下图像,作为训练集;步骤二、构建水下图像增强视觉自注意力模型;步骤三、对水下图像增强视觉自注意力模型进行训练,获得训练好的视觉自注意力模型;步骤四、将待测水下图像输入训练好的视觉自注意力模型,完成待测水下图像识别。本发明属于水下图像增强技术领域。

技术领域

本发明涉及基于视觉自注意力模型的水下图像增强方法,本发明属于水下图像增强技术领域。

背景技术

通常情况下,水下图像有着颜色扭曲、对比度低、细节模糊的成像特点,这些质量较低的水下图像严重影响了光学摄像机在水下环境中的使用,导致了水下无人航行器在水下执行任务时大多依靠声纳对周边环境或者目标进行探测,而声纳信号中包含的噪声较多,对声纳信号的处理也较为复杂,限制了水下无人航行器的感知能力。具有高质量的水下图像是其他水下高级别计算机视觉任务的基础保证,如水下环境探查、水下目标搜寻、水下物体抓取等。因此,水下图像增强技术对于我国的海洋发展战略布局具有重大意义并且有广阔的应用前景。深度学习技术是依靠深度神经网络的计算实现从一个域到另一个域的映射。

发明内容

本发明的目的是为了解决水下图像有着颜色扭曲、对比度低、细节模糊的成像特点,这些质量较低的水下图像严重影响了光学摄像机在水下环境中的使用,限制了水下无人航行器的感知能力的问题,而提出一种基于视觉自注意力模型的水下图像增强方法。

一种基于视觉自注意力模型的水下图像增强方法具体过程为:

步骤一、采用图像增强算法对水下图像进行处理,得到增强后的水下图像,作为训练集;

步骤二、构建水下图像增强视觉自注意力模型;

步骤三、对水下图像增强视觉自注意力模型进行训练,获得训练好的视觉自注意力模型;

步骤四、将待测水下图像输入训练好的视觉自注意力模型,完成待测水下图像识别。

本发明的有益效果为:

本发明的目的是为了利用深度学习技术实现水下图像的准确增强,利用重新设计的适用于水下图像的视觉自注意力模型强大的拟合能力搭配合适的网络训练策略实现对具有色彩扭曲、对比度低、细节模糊等特点的水下图像进行准确增强。

视觉自注意力模型常常应用于高级别计算机视觉任务中,如图像分类,目标识别等。本方法通过重新设计视觉自注意力模型使其适用于水下图像增强这样的低级别计算机视觉任务。训练网络时,由于直接映射水下图像到其标签图像的跨度较大,网络难以捕捉其特点,因此,在训练的初步阶段采用的标签为经过一些经典的图像增强算法增强过的水下图像,这些图像有各自优点的同时也保留着原始算法的缺点。通过这样的标签迁移策略,可以使网络随着训练的深入学到越来越困难的图像关系,有利于进一步提升水下图像的增强效果,增强网络的鲁棒性。

经过本发明所提出的视觉自注意力模型增强的水下图像具有良好的对比度,色彩及结构清晰度,十分贴近标签图像。经过测试,增强效果在多个水下图像数据集上都达到了领先水平。此外,本方法使用的标签迁移学习策略提升了网络的训练速度与鲁棒性,经过准确地增强后的水下图像对于水下高级别计算机视觉任务具有重要意义和价值。

附图说明

图1为水下图像增强视觉自注意力模型示意图,分片嵌入模块为Patch Embeding模块,H为特征图的高度,W为特征图的宽度,C为特征图的通道数;

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于青岛哈尔滨工程大学创新发展中心,未经青岛哈尔滨工程大学创新发展中心许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202310351943.8/2.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top