(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111614394.6 (22)申请日 2021.12.27 (71)申请人 哈尔滨工程大 学 地址 150001 黑龙江省哈尔滨市南岗区南 通大街145号哈尔滨工程大学科技处 知识产权办公室 (72)发明人 康崇　张一开　王建生　王水根　 郭靖　李响　陈昌睿　张大鹏　 曹皓　 (51)Int.Cl. G06T 5/00(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于深度学习的轻量级水下图像增强 方法 (57)摘要 本发明公开了一种基于深度学习的轻量级 水下图像增强方法， 该方法通过结合轻量级卷积 神经网络与水下场景成像模型， 对获取的水下场 景图片进行增强， 方法包括： 获取公开水下场景 UIEB数据集； 结合水下成像模型设计了背景散射 光估计网络； 同时防止提取像素的过程中忽略了 原始图像的像素差异性， 设计了稳定像素差异性 网络； 整体网络设计结合残差网路模型结构， 弥 补了像素特征提取中的损失量； 本发 明算法在保 证增强质量的同时满足高实时性， 方便应用于水 下机器人， 整体内存大小仅为156 KB,应用于水下 机器人时并不会占用太多空间； 本发 明算法在满 足图像增强质量与效率的同时也可应用于实际 的工业生产。 权利要求书1页 说明书5页 附图2页 CN 114445288 A 2022.05.06 CN 114445288 A 1.一种基于深度学习的轻量级水下图像增强方法， 其特征在于： 通过结合轻量级卷积 神经网络与水 下场景成像模型， 对获取的水 下场景图片进行增强， 包括如下步骤： 步骤一： 获取公开水 下场景UIEB数据集； 步骤二： 结合水下成像模型设计训练网络： 使用三层卷积神经网络， 其中每层卷积核参 数配置根据网络训练过程中前向传播以及反向传播自适应调整， 每层网络中主要包含两种 网络： 稳定像素差异性网络以及背景散射 光估计网络； 所述稳定像素差异性网络对输入图像每一个像素点进行增强处理， 采用1*1卷积， 在 保 证增强的同时还能还原图像原本像素信息的差异性； 所述背景散射光估计网络采用步长为2的7*7卷积， 实现大跨度特征提取， 在获得图像 全局信息的同时， 结合均值操作可以有效的抑制噪声； 结合残差网络模型结构， 在最终的输出层增叠加了一个7*7卷积的图像信息， 保证了在 对图像进行深层信息提取的过程中不损失原 始图像的特色； 步骤三： 进行数据集训练： 在训练过程中每一个张训练图像都对应一个真实值图像作 为训练目标， 属于有监督模型； 在训练过程中将数据分为batchsize＝12为一组， 其中包括 了训练图片以及真实值图片， 并采用Adam梯度下降法进行了250轮的训练， 输出为最后的增 强图像； 步骤四： 在网络进行特征提取结束之后， 采用均方差损 失函数与训练集提供的真实值 进行损失运 算， 经过多轮迭代使损失函数趋 于0并保持稳定， 得到训练出来的最优权 重； 步骤五： 使用训练出的最优权 重对不同场景 下的水下图片进行增强处 理。 2.根据权利要求1所述的基于深度学习的轻量级水下图像增强方法， 其特征在于： 所述 水下成像模型为： I(x)＝D(x)t(x)+B(1 ‑t(x)) 其中x表示像素点坐标， I(x)是摄像机获得的图像， D(x)表示物体直接反射的光源信 息， t(x)表示水下光线衰减系数， D(x)t(x)代表直接传输光， B代表背景光， B(1 ‑t(x))对应 的就是背景散射 光。 3.根据权利要求1所述的基于深度学习的轻量级水下图像增强方法， 其特征在于： 所述 均方差损失函数为： 其中N代表维度， Ytrain代表本发明算法的输出值， Ytrue代表参考图像值， 在多轮训练之 后使得损失函数L趋 近于0， 得到网络最优权 重。权　利　要　求　书 1/1 页 2 CN 114445288 A 2一种基于深度学习的轻量级水下图像增强方 法 技术领域 [0001]本发明所涉及的是图像处理技术领域， 特别是针对水下场景图片的增强以及恢复 技术的 基于深度学习的轻量级水 下图像增强方法。 背景技术 [0002]随着经济的发展， 人口的增长， 陆地资源逐渐紧缺， 然而地球上海洋的覆盖率高达 70.8％， 具有丰富的资源， 因此人们对海洋资源的探索迫在眉睫！ 由于海洋环境不同于陆 地， 具有更高  的风险性以及不确定性， 如果使用人工进行海下作业会存在生命危险， 因此 水下机器人 可以 有效的代替人工在危险的环境下进行作业。 [0003]水下机器人的视觉系统是其工作时的一个重要组成部分， 也是机器人能否正确检 测、 识 别和跟踪目标的关键所在。 因此就需要采用图像增强技术， 对机器人所采集的图像 中重要的  部分进行增强， 对不重要的部分进行抑制， 从而获得 更高质量的图像效果。 [0004]目前的图像增强算法多用于可见光场景下的陆上环境， 比如 雾天， 暗光等场景， 而 应用 于水下环境的增强算法相对较少 。 在复杂的水下环境中， 由于水对光的色散、 吸收和 折射， 会使水下拍摄的图像呈现偏绿和偏蓝的效果， 因此如果直接使用陆上场景下的图像 增强算法，  并不能取 得良好的效果。 [0005]随着深度学习的发展， 可以发现简单的卷积神经网络能够快速有效的提取图像中 的信息， 并且现在大量的深度学习算法在机器人中落地 实现。 因此将卷积神经网络与水下 成像模型 结 合可以有效的实现水 下图像的增强。 发明内容 [0006]本发明的目的是提供一种基于深度学习的轻量级水下图像增强方法， 在保证增强 质量的 同时满足高实时性， 方便应用于水 下机器人。 [0007]本发明的技 术方案如下： [0008]一种基于深度学习的轻量级水下图像增强方法， 通过结合轻量级卷积神经网络与 水下场 景成像模型， 对获取的水 下场景图片进行增强， 包括如下步骤： [0009]步骤一： 获取公开水 下场景UIEB数据集； [0010]步骤二： 结合水下成像模型设计训练网络： 使用三层卷积神经 网络， 其中每层卷积 核参 数配置根据网络训练过程中前向传播以及反向传播自适应调整， 每层 网络中主要包 含两种网 络： 稳定像素差异性网络以及背景散射 光估计网络； [0011]所述稳定像素差异性网络对输入图像每一个像素点进行增强处理， 采用1*1卷积， 在保 证增强的同时还能还原图像原本像素信息的差异性； [0012]所述背景散射光估计网络采用步长为2的7*7卷积， 实现大跨度特征提取， 在获得 图像 全局信息的同时， 结合均值操作可以有效的抑制噪声； [0013]结合残差网络模型结构， 在最终的输出层增叠加了一个7*7卷积的图像信息， 保证 了在 对图像进行深层信息提取的过程中不损失原 始图像的特色；说　明　书 1/5 页 3 CN 114445288 A 3