论文部分内容阅读
水下图像在水下机器人智能捕捞、水下导航以及水下工程探测等领域有举足轻重的地位,清晰的水下图像能为水下目标检测分类、水下矿物勘探等大型水下工程提供强有力的帮助和支撑。但是在实际水下工程中,水下场景拍摄难度较大,水下成像环境和光照条件较为复杂,导致水下图像出现非常严重的纹理模糊、对比度低以及色彩失衡等现象,严重限制着水下图像在海洋地理以及海洋军事等领域的应用。因此,对水下图像质量提升的深入研究,具有非常宝贵的理论意义和重要的实际应用价值。所以,本文针对水下图像存在的局部或整体模糊、色彩饱和度低等问题,提出一种基于深度学习的水下图像增强算法。首先,采用一种残差递归对抗网络模型对水下图像进行去模糊处理。该模型采用多尺度体系结构,每个尺度上网络模型保持一致,均采用包含四个残差块的递归块结构和卷积长短时记忆网络单元构成。由于模型中使用递归结构,使得该模型在去模糊过程的运行时间大幅降低。本文还构建内容损失和对抗损失相结合的损失函数,降低模型在训练过程中的收敛难度。而且该模型在每个尺度网络中引入卷积长短时记忆网络单元,采用跳跃连接的方式,实现水下图像“端到端”的信息传递。该模型相较于其他场景去模糊模型,能够有效去除水下图像的模糊现象,并且在一定程度上提高了图像的色彩对比度。其次,采用一种利用图像子空间稀疏特征的超分辨率图像重建算法对去模糊后的结果图像进行细节增强。在此过程中,先利用加入高斯函数的PCANet模型对图像进行子空间特征提取,通过求解其特征图的最佳左右投影矩阵,实现对子空间特征进行稀疏优化。然后采用学习得到的低通滤波器将子空间稀疏特征分解为多个特征映射,迭代更新得到其最优解后,结合低分辨率图像的稀疏特征和映射函数估计出超分辨率图像的稀疏特征表示。最后结合相应的高通滤波器进行卷积求和得到最终重建图像。该方法让图像的边缘纹理和细节信息得以增强,同时解决了水下图像色彩失衡和对比度低的问题。最后,通过仿真实验,阐明去模糊阶段和超分辨率图像重建过程中的模型选择以及参数设置。实验结果表明,本文提出的水下图像增强算法提升了图像的主观视觉效果,使得水下图像具有更好的可观察性。同时,通过和其他水下图像增强算法对比发现,本文算法在峰值信噪比、结构相似度和视觉信息保真度等客观评价指标上也取得了相对较好的结果。