【技术实现步骤摘要】
本专利技术涉及海洋环境感知、数字图像处理、水下图像清晰化，具体涉及一种基于径向梯度迭代网络的水下光晕图像清晰化方法。
技术介绍
1、随着人类对海洋探索的发展，水下机器人成为获取海底信息的重要工具。然而，由于水介质对光线的强烈吸收和散射和复杂的水下环境，水下环境存在严重弱光照现象，因此水下机器人通常需要携带人工照明装置进行辅助照明，以提高对周围环境的可见度。然而人工光源的引入会使拍摄的图像存在亮度渐晕，对比度低等一些问题从而使捕获的图像效果较差，给后续基于特征提取及边缘检测等视觉任务带来了极大影响。现有水下图像增强方法虽已得到飞速发展，但鲜有考虑到人工光源在水下真实作业环境中产生的严重影响，实用性较差。
技术实现思路
1、鉴于现有技术的不足，本专利技术提供一种基于径向梯度迭代网络的水下光晕图像清晰化方法，根据陆地光晕图像亮度分布特性的相似性，借鉴陆地光晕照图像形成原理，将水下光晕图像定义为低质无光晕的水下图像ilow和光晕层v的乘性结合，可有效去除人工强光源带来的光晕效应，降低其对后续计算机视觉任务带来的严重干扰，并显著提升水下图像质量。
2、本专利技术采用的技术手段如下：
3、一种基于径向梯度迭代网络的水下光晕图像清晰化方法，包括以下步骤：
4、s1、构建基于径向梯度迭代网络的水下光晕图像清晰化模型，所述基于径向梯度迭代网络的水下光晕图像清晰化模型包括光晕提取网络和增强网络，所述光晕提取网络用于将带有光晕的水下图像分解为光晕图和低质水下图像的像素
5、s2、构建第一模型训练数据集，所述第一模型训练数据集包括带有光晕的水下图像和真实的光晕层；
6、s3、基于第一模型训练数据集对所述光晕提取网络进行训练，训练时基于径向梯度约束迭代权重正则化构建损失函数指导提取光晕图；
7、s4、构建第二模型训练数据集，所述第二模型训练数据集包括光晕提取网络输出的低质水下图像和清晰的水下图像；
8、s5、基于所述第二模型训练数据集对所述增强网络进行训练，训练时计算增强网络输出的图像与清晰的水下图像间的损失值，根据所述损失值进行误差反向传播，对增强子网络的权重进行更新；
9、s6、获取待处理的水下光晕图像，将所述待处理的水下光晕图像输入基于径向梯度迭代网络的水下光晕图像清晰化模型，从而获取清晰的水下图像。
10、进一步地，训练时基于径向梯度约束迭代权重正则化构建损失函数指导提取光晕图，包括构建以下损失函数指导模型训练：
11、
12、s2＝p(s1)p-1
13、其中，代表真实光晕的径向梯度，代表第k次迭代所求水下光晕图像中光晕的径向梯度，vgt代表生成的光晕，vlow代表水下光晕图像求出来的光晕，λ代表控制不同项重要性的常量系数，p是代表约束系数。
14、进一步地，基于第一模型训练数据集对所述光晕提取网络进行训练，还包括计算重构损失，根据重构损失值进行误差反向传播，对光晕提取网络的权重进行更新，所述重构损失的计算公式如下：
15、
16、其中，μ1代表控制不同项重要性的常量系数，代表求出不带光晕的水下低质图像的径向梯度，代表正常光照的水下图像的径向梯度。
17、进一步地，基于第一模型训练数据集对所述光晕提取网络进行训练，还包括计算平滑损失，根据平滑损失值进行误差反向传播，对光晕提取网络的权重进行更新，所述平滑损失的计算公式如下：
18、
19、其中，代表提取光晕的梯度，代表真实光晕的梯度。
20、进一步地，根据以下公式训练时计算增强网络输出的图像与清晰的水下图像间的损失值：
21、lef＝λ1||spre-snormal||2
22、
23、其中，spre是增强网络输出的图像，snormal是清晰的水下图像，重建损失lef，λ1λ2λ3控制不同项重要性的常量系数，ssim(spre,snormal)结构相似损失，分别代表预测的水下图像图像和真实水下图像的径向梯度。
24、进一步地，所述光晕提取网络每次迭代经历五层网络结构，第一层网络到第四层网络都为卷积核大小为3*3的卷积层和一个relu层，第五层是一个卷积核大小为3*3的卷积层；第一层网络的输入是带有光晕的低质水下图像，第一层网络输出的结果会作为第二层、第三层、第四层、第五层网络的输入，第二层网络输入是第一层的输出，第三层网络的输入是第一层网络和第二层网络输出结果的和，第四层网络的输入是第一层、第二层和第三层网络输出结果的和，第五层网络的输入是第一层、第二层、第三层和第四层网络输出结果的和。
25、进一步地，所述增强网络包括浅层特征提取块、独立密集块、全局残差学习块和全局特征融合块，除了全局特征融合块的卷积核大小为1*1的卷积层外，其余为卷积核大小为3*3的卷积层，在网络中将特征下采样到不同的尺度，然后从小尺度到大尺度进行处理、去采样和融合。
26、较现有技术相比，本专利技术具有以下优点：
27、本专利技术提出一种径向梯度基于迭代优化网络的水下光晕图像清晰化方法。该方法可有效避免现有水下图像清晰化方法在面临人工光源辅助导致的光晕区域过曝光、背景暗区欠增强的普遍缺陷，在去除光晕的同时，提高水下图像质量，具有有效性和鲁棒性，从而为海底全景观测等后续视觉任务奠定理论技术基础。
本文档来自技高网...【技术保护点】
1.一种基于径向梯度迭代网络的水下光晕图像清晰化方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于径向梯度迭代网络的水下光晕图像清晰化方法，其特征在于，训练时基于径向梯度约束迭代权重正则化构建损失函数指导提取光晕图，包括构建以下损失函数指导模型训练：
3.根据权利要求2所述的一种基于径向梯度迭代网络的水下光晕图像清晰化方法，其特征在于，基于第一模型训练数据集对所述光晕提取网络进行训练，还包括计算重构损失，根据重构损失值进行误差反向传播，对光晕提取网络的权重进行更新，所述重构损失的计算公式如下：
4.根据权利要求2所述的一种基于径向梯度迭代网络的水下光晕图像清晰化方法，其特征在于，基于第一模型训练数据集对所述光晕提取网络进行训练，还包括计算平滑损失，根据平滑损失值进行误差反向传播，对光晕提取网络的权重进行更新，所述平滑损失的计算公式如下：
5.根据权利要求1所述的一种基于径向梯度迭代网络的水下光晕图像清晰化方法，其特征在于，根据以下公式训练时计算增强网络输出的图像与清晰的水下图像间的损失值：
6.根据权利要
7.根据权利要求1所述的一种基于径向梯度迭代网络的水下光晕图像清晰化方法，其特征在于，所述增强网络包括浅层特征提取块、独立密集块、全局残差学习块和全局特征融合块，除了全局特征融合块的卷积核大小为1*1的卷积层外，其余为卷积核大小为3*3的卷积层，在网络中将特征下采样到不同的尺度，然后从小尺度到大尺度进行处理、去采样和融合。
...【技术特征摘要】
1.一种基于径向梯度迭代网络的水下光晕图像清晰化方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于径向梯度迭代网络的水下光晕图像清晰化方法，其特征在于，训练时基于径向梯度约束迭代权重正则化构建损失函数指导提取光晕图，包括构建以下损失函数指导模型训练：
3.根据权利要求2所述的一种基于径向梯度迭代网络的水下光晕图像清晰化方法，其特征在于，基于第一模型训练数据集对所述光晕提取网络进行训练，还包括计算重构损失，根据重构损失值进行误差反向传播，对光晕提取网络的权重进行更新，所述重构损失的计算公式如下：
4.根据权利要求2所述的一种基于径向梯度迭代网络的水下光晕图像清晰化方法，其特征在于，基于第一模型训练数据集对所述光晕提取网络进行训练，还包括计算平滑损失，根据平滑损失值进行误差反向传播，对光晕提取网络的权重进行更新，所述平滑损失的计算公式如下：
5.根据权利要求1所述的一种基于径向梯度迭代网络的水下光晕图像清晰化方法，其特征在于，根据以下公式训练时计算增强网络输出的图像...
【专利技术属性】
技术研发人员：王辉兵，魏玉琳，姜帅勇，李昱东，米泽田，付先平，
申请(专利权)人：大连海事大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。