System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind() 一种水下图像增强处理方法技术_技高网

一种水下图像增强处理方法技术

技术编号:43818596 阅读:3 留言:0更新日期:2024-12-27 13:31
本申请提供的一种水下图像增强处理方法,其构建了RetinexNet图像增强模型,首先使用Decom网络模型将输入图像分解成反射分量和照明分量,接着将双重反转去雾算法融合到Relight网络中对图像的照明分量进行调整,经过基于双重反转去雾改进的RetinexNet的水下图像增强算法的改进后图像的细节更加突出,色彩更鲜艳,检测目标更加明显,尤其适用于水下图像的增强。

【技术实现步骤摘要】

本专利技术涉及图像处理,具体为一种水下图像增强处理方法


技术介绍

1、随着智能汽车的飞速发展,可涉水车辆对于对于那些经常行驶在水路或是频繁处理水下工作的专业人群来说是必然的选择,则车辆搭载水下各类目标物检测功能将成为一种竞争力,水下目标检测与汽车的结合必将成为未来不可或缺的一部分。因为水下环境存在例如光线衰减、散射、吸收等因素的干扰,会引起水下采集的图像中目标物体的模糊不清,而水下环境中,不同波长的光线被水吸收的程度不同,这会导致图像中的颜色失真,使得水下目标物体的纹理信息变得模糊不清。这都会影响针对水下采集的图像进行水下目标检测时的效果和准确性。所以水下目标检测方法中,对水下图像进行增强处理显得尤为重要。

2、随着技术的发展,深度学习算法被引入了针对水下采集图像的增强算法中。经过检索,在现有技术中,有技术人员使用如下方法进行改进图像增强处理的方法:

3、1、使用简单特征的增强级联的快速目标检测算法(p. viola and m. jones, "rapid object detection using a boosted cascade of simplefeatures,"proceedings of the 2001 ieee computer society conference on computer visionand pattern recognition. cvpr 2001, kauai, hi, usa, 2001, pp.i-i.)提出了一种用于水下图像增强的双重生成式对抗网络,该网络使用两个判别器分别使用不同的训练策略完成对水下图像不同区域的对抗学习,从而得到增强的图像。

4、2、一种有效的水下图像增强框架(zhang h, sun l, wu l, et al. du gan: aneffective framework for underwater image enhancement[j]. iet imageprocessing, 2021, 15(9): 2010-2019.)提出了基于照度域分析的水下图像增强算法,经过增强图像在对比度上还是比较低;生成式对抗网路的兴起,为图像增强引入了新的方法。

5、然而,在实际使用中发现,上述两种技术方案仍然存在需要优化的空间,存在着并不能有效矫正水下图像的颜色、水下图像的亮度增强不明显、色彩偏移减少幅度小、对比度增加幅度低、目标物体的细节突出不足等问题。


技术实现思路

1、为了解决现有技术中基于深度学习算法实现的水下图像增强处理方法对图像的增强效果仍显不足的问题,本专利技术提供一种水下图像增强处理方法,其可以使目标图像增强后的细节更加突出,色彩更鲜艳,检测目标更加明显。

2、本专利技术的技术方案是这样的:一种水下图像增强处理方法,其特征在于,其包括以下步骤:

3、s1:构建双重反转去雾模块;

4、所述双重反转去雾模块包括:依次连接的取反操作、暗通道先验去雾操作和取反操作;

5、所述暗通道先验去雾操作包括:计算暗通道、大气光估计、透射率估算和传输优化;

6、所述暗通道先验去雾操作的计算公式为:

7、j(x)=((i(x)-a)/max(t(x),t0))+a;

8、其中,j(x)为暗通道先验去雾操作后得到图像,i(x) 代表待处理的图,t(x) 代表透射率,a代表全局大气光值;t0为待处理图像的透射率;

9、s2:构建亮度调节模块relightnet;

10、所述亮度调节模块relightnet对输入图像的亮度进行增强;

11、s3:构建分量增强模块decomnet;

12、所述分量增强模块decomnet对输入图像的指定分量进行优化;

13、s4:构建retinexnet图像增强模型;

14、所述retinexnet图像增强模型包括:两个并联的分量增强模块decomnet,以及并联的亮度调节模块relightnet和双重反转去雾模块;

15、输入图像同时送入到并联的两个所述分量增强模块decomnet中;两个所述分量增强模块decomnet分别优化输入图像的亮度分量和反射分量,且两个所述分量增强模块decomnet之间共享权重,最后输出亮度分量和反射分量同时优化后的输入图像,并将图像分别送入到并联的所述亮度调节模块relightnet和所述双重反转去雾模块中;

16、所述亮度调节模块relightnet对输入图像的亮度进行优化;所述双重反转去雾模块对输入图像进行去雾操作;所述亮度调节模块relightnet和所述双重反转去雾模块的输出经过卷积操作取优后合并,得到最终的输出图像。

17、其进一步特征在于:

18、所述取反操作为将原始图像在像素上取反主要操作是分别提取rgb图像的红r绿g蓝b三通道,并将其反转成对应的像素值r'g'b',公式表达为:

19、r'=255-r;

20、g'=255-g;

21、b'=255-b;

22、所述暗通道先验去雾操作中的透射率t(x),通过卷积神经网络学习得到;

23、所述亮度调节模块relightnet的网络模型包括依次连接的连续5个卷积层、连续3个分层调整模块和1个1×1卷积层;所述分层调整模块包括:一个最临近差值resize操作和一个卷积操作;

24、输入图像经过5个卷积层对亮度进行优化,然后通过连续的3个最临近差值resize操作对图像的亮度进行分层调整,最终通过1*1卷积连接到同一个通道特征图中达到全局亮度均匀增强的效果;

25、所述分量增强模块decomnet包括:连续的5个卷积层和一个sigmoid激活函数,每个卷积层后设置一个激活函数relu;

26、对于输入图像,指定需要增强的分量,通过5个连续的卷积层利用关键的约束条件对指定分量进行学习,通过最小化分解后的指定分量与原始图像之间的差异来对输入图像的指定分量进行优化;

27、所述分量增强模块decomnet对所述指定分量的学习,包括:对低亮度与正常光图像共享的一致反射率的学习,以及对光照的平滑度权重的学习。

28、本申请提供的一种水下图像增强处理方法,其构建了retinexnet图像增强模型,首先使用decom网络模型将输入图像分解成反射分量和照明分量,接着将双重反转去雾算法融合到relight网络中对图像的照明分量进行调整,经过基于双重反转去雾改进的retinexnet的水下图像增强算法的改进后图像的细节更加突出,色彩更鲜艳,检测目标更加明显,尤其适用于水下图像的增强。

本文档来自技高网...

【技术保护点】

1.一种水下图像增强处理方法,其特征在于,其包括以下步骤:

2.根据权利要求1所述一种水下图像增强处理方法,其特征在于:所述取反操作为将原始图像在像素上取反主要操作是分别提取RGB图像的红R绿G蓝B三通道,并将其反转成对应的像素值R'G'B',公式表达为:

3.根据权利要求1所述一种水下图像增强处理方法,其特征在于:所述暗通道先验去雾操作中的透射率t(x),通过卷积神经网络学习得到。

4.根据权利要求1所述一种水下图像增强处理方法,其特征在于:所述亮度调节模块RelightNet的网络模型包括依次连接的连续5个卷积层、连续3个分层调整模块和1个1×1卷积层;所述分层调整模块包括:一个最临近差值Resize操作和一个卷积操作;

5.根据权利要求1所述一种水下图像增强处理方法,其特征在于:所述分量增强模块DecomNet包括:连续的5个卷积层和一个sigmoid激活函数,每个卷积层后设置一个激活函数ReLU;

6.根据权利要求5所述一种水下图像增强处理方法,其特征在于:所述分量增强模块DecomNet对所述指定分量的学习,包括:对低亮度与正常光图像共享的一致反射率的学习,以及对光照的平滑度权重的学习。

...

【技术特征摘要】

1.一种水下图像增强处理方法,其特征在于,其包括以下步骤:

2.根据权利要求1所述一种水下图像增强处理方法,其特征在于:所述取反操作为将原始图像在像素上取反主要操作是分别提取rgb图像的红r绿g蓝b三通道,并将其反转成对应的像素值r'g'b',公式表达为:

3.根据权利要求1所述一种水下图像增强处理方法,其特征在于:所述暗通道先验去雾操作中的透射率t(x),通过卷积神经网络学习得到。

4.根据权利要求1所述一种水下图像增强处理方法,其特征在于:所述亮度调节模块relightnet的网络模型包括依...

【专利技术属性】
技术研发人员:梁腾毛小明许勤军胡圣
申请(专利权)人:无锡车联天下信息技术有限公司
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1