【技术实现步骤摘要】
本专利技术涉及对水下图像进行增强处理的，尤其是涉及一种基于金字塔网络的水下图像动态增强方法及应用。
技术介绍
1、在水下环境中，由于光的散射、吸收以及水体中悬浮颗粒的影响，导致水下图像通常会出现颜色失真、对比度低、清晰度差等问题。这些因素严重影响了水下图像的质量，从而给水下探测、搜索、监测等任务带来了困难。随着水下探测和监控技术的广泛应用，例如海洋考古、海洋资源开发、海洋生物研究等领域，对水下图像的处理与增强提出了更高的需求。通过图像增强技术来提高水下图像的可视性和细节复原，对于提升这些任务的成功率至关重要。
2、现有的水下图像增强技术主要针对光学失真和颜色失真问题，开发了一系列方法来提升图像质量。然而，现有技术仍无法完全克服水下环境中复杂的光学条件，且在图像复原过程中，容易引入噪声或造成细节丢失。传统的增强方法虽然在一定程度上改善了图像的视觉效果，但对于不同水深、光照条件以及不同水体成分的适应性较差，未能实现动态场景下的实时增强。
3、目前，现有的水下图像增强技术方案主要分为两类：基于物理模型的图像增强方法和基于图像处理算法的增强方法。
4、(1)基于物理模型的方法：该类方法利用水下成像的物理特性，建立光的传播模型来逆向推导和校正水下图像的退化。典型的物理模型包括大气散射模型（dcp）和颜色补偿模型（ccm），通过对散射光和背景光进行分离，恢复图像中的真实颜色和对比度。这类方法的优势在于其物理解释性强，但由于模型建立依赖于水体的光学参数，当水质变化或环境复杂时，模型表现出适应性差的问题。p>
5、如公开号为cn110851965a的中国专利文件，公开了一种基于物理模型的光源优化方法及优化系统，构建水下相机模型、构建水下光源模型、构建水效应模型、构建完整的水下光学成像模型、仿真方法参数设定、图像质量评估标准、优化算法、实验验证。
6、(2)基于图像处理算法的方法：这类方法不依赖于水下环境的物理模型，主要通过图像增强算法如直方图均衡、对比度增强等技术来提升图像的视觉质量。近年来，深度学习技术在水下图像增强领域也得到了广泛应用，基于卷积神经网络（cnn）等深度学习模型，训练网络来自动增强图像。然而，深度学习方法依赖大量标注数据，且对水下复杂环境的泛化能力有限，容易在复杂场景下出现性能下降的问题。
7、如公开号为cn115034965a的中国专利文件，公开了基于深度学习的超分辨率水下图像增强方法及系统，该方法包括：基于生成对抗网络与深度残差乘法器，构建改进生成对抗网络模型；将水下图像输入改进生成对抗网络模型进行训练，生成增强超分辨率水下图像。该系统包括：构建模块和训练模块。通过使用本专利技术，能够在提高水下图像分辨率的同时改善水下图像的视觉质量。
8、由此可见，在现有技术方案中，存在如下技术缺点：
9、适应性差：基于物理模型的方法通常依赖于水体的光学特性，如浊度、深度和光线方向等参数，因此在水体环境变化时，模型的适应性较差。不同的水深和光照条件会导致增强效果不稳定，无法在各种复杂环境下实现一致的图像质量提升。
10、颜色失真问题：水下环境中特定波长的光会被不同程度地吸收，导致图像中的颜色出现失真。现有方法往往难以有效校正颜色偏差，恢复真实的自然颜色。即使有些方法可以进行颜色补偿，但在某些条件下容易引入过度的色彩增强，造成图像不自然的效果。
11、噪声引入：由于水下图像本身的质量较差，尤其在深水中光线不足的情况下，图像增强方法可能会放大图像中的噪声。某些基于对比度提升的技术在增强图像细节时，容易将噪声同时放大，导致图像的可视性下降。
12、细节丢失：部分增强方法在提高图像整体对比度和颜色饱和度时，容易忽略细节的复原，尤其是在强烈散射光影响下的水下图像。现有技术常常无法在保证图像清晰度的同时保留足够的细节信息，导致复原后的图像缺乏精细结构。
13、由此，有必要对现有技术进行改进，从而克服上述技术缺点。
技术实现思路
1、本专利技术为克服上述情况不足，旨在提供一种能解决上述问题的技术方案。
2、本专利技术提供一种基于金字塔网络的水下图像动态增强方法，包括如下步骤：
3、步骤1，首先将初始的输入水下图像，使用拉普拉斯金字塔网络分解为一共l层的分层图像组，其中第l层为低频层输入图像，第1层至第l-1层为一组高频层输入图像组；
4、步骤2，使用确定性颜色映射网络，对低频层输入图像进行颜色校正和光照补偿处理，使其转换为低频层输出图像；
5、步骤3，使用双卷积注意力模块，对第n层的输入图像进行输入特征的提取与增强操作，得到输入图像增强后的输入特征dn；
6、步骤4，使用分组扩张前馈网络，对第n+1层的输出图像进行输出特征的细化操作，得到输出图像细化操作后的逐像素掩码mn+1；
7、步骤5，把步骤3中第n层输入图像增强后的输入特征，与步骤4中第n+1层输出图像细化操作后的逐像素掩码，进行运算操作，得到第n层的高频层输出图像的高频分量hn；
8、步骤6，对步骤3、步骤4和步骤5进行重复操作，重复l-1次后，得到一组高频分量集hf，hf=[hl-1,…,hn+1,hn,…,h2,h1]；
9、步骤7，使用拉普拉斯金字塔网络，对低频层输出图像与高频分量集hf，进行重构，得到增强后的输出水下图像。
10、作为本专利技术进一步的方案：在步骤2中，所述确定性颜色映射网络，是一种卷积神经网络，其转换过程包括如下步骤:
11、步骤2.1，将低频层输入图像展开为二维矩阵；
12、步骤2.2，使用投影矩阵p(k，3)与二维矩阵进行矩阵乘法运算，从而把低频层输入图像中的每个像素嵌入到一个k维向量空间中；
13、步骤2.3，将嵌入后的k维向量空间与颜色映射矩阵t(k，k)进行矩阵乘法运算，从而对颜色进行调整；
14、步骤2.4，使用投影矩阵q(3，k)与调整后的向量空间进行矩阵乘法运算，将调整后的向量空间转换回rgb颜色空间，并将每个像素重新组合为原始尺寸的图像，从而输出颜色增强后的低频层输出图像。
15、作为本专利技术进一步的方案：在步骤3中，优选的，所述双卷积注意力模块，具体包括如下步骤：通过两个卷积层提取输入图像的输入特征，并使用leakyrelu激活函数进行非线性激活。
16、作为本专利技术进一步的方案：在步骤4中，所述细化操作还包括，使用至少两块分组扩张前馈网络，组成多块分组扩张前馈网络，并分别对输出图像的输出特征进行细化调整，具体包括如下步骤：
17、步骤4.1，使用多块分组扩张前馈网络，进行依次级联，并逐级对输出图像的输出特征进行调整，从而逐步校正输出特征；
18、步骤4.2，馈送到每个分组扩张前馈网络的校正特征，也密集连接到最后一个分组扩张前馈网络的输出端，并进行©连接，形成多块分组扩张前馈网络的总输出特征；
19、步本文档来自技高网...
【技术保护点】
1.一种基于金字塔网络的水下图像动态增强方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于金字塔网络的水下图像动态增强方法，其特征在于，在步骤2中，所述确定性颜色映射网络，是一种卷积神经网络，其转换过程包括如下步骤:
3.根据权利要求1所述的一种基于金字塔网络的水下图像动态增强方法，其特征在于，在步骤3中，优选的，所述双卷积注意力模块，具体包括如下步骤：通过两个卷积层提取输入图像的输入特征，并使用LeakyReLU激活函数进行非线性激活。
4.根据权利要求1所述的一种基于金字塔网络的水下图像动态增强方法，其特征在于，在步骤4中，所述细化操作还包括，使用至少两块分组扩张前馈网络，组成多块分组扩张前馈网络，并分别对输出图像的输出特征进行细化调整，具体包括如下步骤：
5.根据权利要求1所述的一种基于金字塔网络的水下图像动态增强方法，其特征在于，在步骤4中，所述分组扩张前馈网络，具体包括如下方法：
6.根据权利要求1所述的一种基于金字塔网络的水下图像动态增强方法，其特征在于，在步骤5中，把第n层输入图像增强后的输
7.根据权利要求1所述的一种基于金字塔网络的水下图像动态增强方法，其特征在于，在步骤4中，第L层的低频层图像的逐像素掩码，采用如下步骤进行获得：
8.一种基于金字塔网络的水下图像动态增强系统，其特征在于，所述系统包括：
9.一种设备，其特征在于，包括：
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被计算机处理器执行时，实现如权利要求1至7中任一项所述的一种基于金字塔网络的水下图像动态增强方法。
...【技术特征摘要】
1.一种基于金字塔网络的水下图像动态增强方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于金字塔网络的水下图像动态增强方法，其特征在于，在步骤2中，所述确定性颜色映射网络，是一种卷积神经网络，其转换过程包括如下步骤:
3.根据权利要求1所述的一种基于金字塔网络的水下图像动态增强方法，其特征在于，在步骤3中，优选的，所述双卷积注意力模块，具体包括如下步骤：通过两个卷积层提取输入图像的输入特征，并使用leakyrelu激活函数进行非线性激活。
4.根据权利要求1所述的一种基于金字塔网络的水下图像动态增强方法，其特征在于，在步骤4中，所述细化操作还包括，使用至少两块分组扩张前馈网络，组成多块分组扩张前馈网络，并分别对输出图像的输出特征进行细化调整，具体包括如下步骤：
5.根据权利要求1所述的一种基于金字塔网络的水下图像动态增强方法，其特征在于，在步骤4...
【专利技术属性】
技术研发人员：王志华，姜文超，易圣辉，谭颖晴，
申请(专利权)人：深圳北理莫斯科大学，
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。