一种基于多尺度密集生成对抗网络的水下图像增强方法及网络模型的训练方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN114663297A(43)申请公布日2022.06.24(21)申请号202210157800.9G06V10/44(2022.01)(22)申请日2022.02.21G06V10/774(2022.01)G06V10/80(2022.01)(71)申请人南京信息工程大学地址224002江苏省盐城市盐南高新区新河街道文港南路105号(72)发明人刘磊陈海秀颜秋叙金肃钦刘奇巩大康何珊珊陆康(74)专利代理机构南京纵横知识产权代理有限公司32224专利代理师董建林(51)Int.Cl.G06T5/00(2006.01)G06K9/62(2022.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书3页说明书8页附图2页(54)发明名称一种基于多尺度密集生成对抗网络的水下图像增强方法及网络模型的训练方法(57)摘要本发明提供了一种基于多尺度密集生成对抗网络的水下图像增强方法及网络模型的训练方法，多尺度密集生成对抗网络模型包括生成器网络和判别器网络，生成器网络包括由多尺度密集特征提取MSDB模块组成的跳跃连接块。模型除了非饱和损失、L1距离和梯度损失之外，还添加VGG感知损失来增强UWGAN的结构，通过非饱和损和L1损失和梯度损失能够更清晰的保留地面的真实值，感知损失用来比较图像特征空间的差异，使得网络能够更好地恢复水下图像的细节信息，进行水下图像增强，增加图像的清晰度。CN114663297ACN114663297A权利要求书1/3页1.一种基于多尺度密集生成对抗网络的水下图像增强方法，其特征在于，包括：获取水下原始图片；将水下原始图片输入到训练好的的多尺度密集生成对抗网络模型中进行图片增强处理，输出水下增强图片；所述多尺度密集生成对抗网络模型包括生成器网络和判别器网络，生成器网络包括由多尺度密集特征提取MSDB模块组成的跳跃连接块。2.一种多尺度密集生成对抗网络模型的训练方法，其特征在于，训练好的多尺度密集生成对抗网络模型用于权利要求1所述的水下图像的增强，所述多尺度密集生成对抗网络模型的训练方法包括：获取训练数据集，所述训练数据集包括原始图像和与原始图像相映射的失真图像；将训练数据集内的图像样本输入到预建立好的多尺度密集生成对抗网络模型中进行交替迭代训练，直至模型损失函数值不再下降，完成训练。3.根据权利要求2所述的多尺度密集生成对抗网络模型的训练方法，其特征在于，所述训练数据集由循环生成对抗网络生成的不对称数据集。4.根据权利要求2所述的多尺度密集生成对抗网络模型的训练方法，其特征在于，所述预建立好的多尺度密集生成对抗网络模型包括生成器网络和判别器网络。5.根据权利要求4所述的多尺度密集生成对抗网络模型的训练方法，其特征在于，所述生成器网络依次包括两个顺序连接的卷积块、跳跃连接块以及两个顺次连接的反卷积块；卷积块均包括依次连接的卷积层、BN层和LeakyReLU层；第一个反卷积块包括依次连接的反卷积层、BN层和LeakyReLU层；第二个反卷积块包括依次连接的反卷积层和Tanh层；生成器网络中第一个卷积块的输出能直接跳跃连接至第二个反卷积块处作为第二个反卷积块的输入。6.根据权利要求5所述的多尺度密集生成对抗网络模型的训练方法，其特征在于，所述跳跃连接块包括两个依次连接的MSDB模块，在第二个卷积块和第一个MSDB模块之间、第一个MSDB模块和第二个MSDB模块之间、第二个MSDB模块和第一个反卷积块之间以及第二个卷积块和第一个反卷积块之间均采用跳跃连接的方式进行连接。7.根据权利要求6所述的多尺度密集生成对抗网络模型的训练方法，其特征在于，所述MSDB模块的表示方法为：2CN114663297A权利要求书2/3页其中ω代表权重，ω的上标表示卷积层的位置，ω的下标表示相应的卷积层大小，“*”表示卷积，L是LeakyReLU激活函数，[T1,F1,Xn‑1]、[T1,F1,Xn‑1]和[T2,F2,O1,Xn‑1]均指代特征图的串联。8.根据权利要求7所述的多尺度密集生成对抗网络模型的训练方法，其特征在于，MSDB中的每一层都使用步长为1的卷积核。9.根据权利要求4所述的多尺度密集生成对抗网络模型的训练方法，其特征在于，所述判别器网络包括光谱归一化的依次连接的五个卷积块；第一个卷积块包括顺序连接的卷积层和LeakyReLU层；第二个卷积块、第三个卷积块以及第四个卷积块网络结构相同，均包括顺序连接的卷积层、BN层和LeakyReLU层；第五个卷积块包括顺序连接的卷积层和Sigmoid层。10.根据权利要求2所述的多尺度密集生成对抗网络模型的训练方法，其特征在于，所述模型损失函数值的计算方法包括：计算非饱和对抗损失上式中，表示最大化D和