基于深度学习的水下图像增强算法研究
发布时间：2021-06-06 01:05
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...
【文章来源】：兰州交通大学甘肃省
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
长短时记忆神经网络基本结构
兰州交通大学工程硕士学位论文-7-遗忘门之后保留在tc中的成分是tt1fc。3.输出门该门的目的是利用控制单元tc确定输出to中有多少成分输出到隐藏层ts中；首先，经过输入门与遗忘门之后的状态C,即tc实现公式为：1tttttcicfc(2.3)其中前一项为输入门后保留在tc中的成分，后一项是遗忘门后保留在tc中的成分。其次，为了确定tc有多少成分保留在ts中，先给出输出的实现公式为：1+totototoUxWsVc(2.4)式中的to为t时刻的输出层的状态，最后，经过输出门，保留在隐藏层的成分为：tanhttthoc(2.5)虽然长短期记忆神经网络单元能够有效处理时序数据，并且被广泛应用于语音识别[36]、机器翻译[37-38]、视频识别[39]等机器学习的诸多任务中。但是当时序数据的维度较高且空间信息较为丰富，数据特征之间具有较强的空间相关性时，长短期记忆神经网络单元表现不佳。所以，文献[40]中提出卷积长短期记忆神经网络(ConvLSTM)，该网络模型延续长短期记忆神经网络单元中“端到端”的思想，但它将原始网络中“端到端”的全连接形式改变为卷积形式。该网络模型可以最大程度地利用时序数据的空间相关性，对于捕捉和提取图像、视频的空间特征更加有效。卷积长短时记忆神经网络的状态更新图和其内部结构如图所示：图2.2长短时记忆神经网络状态更新
兰州交通大学工程硕士学位论文-8-图2.3长短时记忆神经网络内部结构根据上图可以得出卷积长短时记忆神经网络在t时刻的状态更新方程为：111111(**)(**)tanh(**)(**)tanh(**)tanh()txithitcititxfthftcftfttttxcthctctxothotcototxcthctctttiWXWHWCbfWXWHWCbcfCiWXWHboWXWHWCbgWXWHbhoc(2.6)式中1()(1)xxe将输入值压缩至[0,1]范围;tanh()2(2)1xxxxeexxee，它同样是将输入值压缩至[0,1]范围内。2.2生成对抗网络2.2.1基本概念生成式对抗网络是一种生成模型，其核心思想是从训练样本中学习所对应的概率分布，以期根据概率分布函数获取更多的“生成”样本来实现数据的扩张。另外，它包括两个子网络模型，一个是生成模型(使得生成的“伪”图像尽可能与“自然”图像的分布一致)，一个是判别模型(在生成的“伪”图像与“自然”图像之间做出正确判断，即二分类器)，实现整个网络训练的方法便是让这两个网络相互竞争，最终生成模型通过学习“自然”数据的本质特性，从而刻画出“自然”样本的分布模型，生成与“自然”样本相似的新数据。其基本原理图如下:图2.4生成对抗网络基本原理图
【参考文献】：
期刊论文
[1]基于优势特征图像融合的水下光学图像增强[J]. 林森,迟凯晨,李文涛,唐延东. 光子学报. 2020(03)
[2]基于双透射率水下成像模型的图像颜色校正[J]. 王国霖,田建东,李鹏越. 光学学报. 2019(09)
[3]基于多特征融合的单幅水下图像清晰化[J]. 杨爱萍,田鑫,杨炳旺,王建. 天津大学学报(自然科学与工程技术版). 2018(10)
[4]基于卷积神经网络的水下图像增强方法[J]. 徐岩,孙美双. 吉林大学学报(工学版). 2018(06)
[5]基于深度反卷积神经网络的图像超分辨率算法[J]. 彭亚丽,张鲁,张钰,刘侍刚,郭敏. 软件学报. 2018(04)
[6]序列图像特征提取与匹配算法的改进[J]. 林汀,娄小平,刘锋,李伟仙. 计算机工程与应用. 2017(09)
[7]基于三次样条插值的图像放大的离散算法[J]. 王忠谦,朱宁. 苏州大学学报(自然科学版). 2005(02)
硕士论文
[1]基于多特征多尺度字典学习的超分辨率重构算法[D]. 黎剑晖.华南理工大学 2014
本文编号：3213273
【文章来源】：兰州交通大学甘肃省
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
长短时记忆神经网络基本结构
兰州交通大学工程硕士学位论文-7-遗忘门之后保留在tc中的成分是tt1fc。3.输出门该门的目的是利用控制单元tc确定输出to中有多少成分输出到隐藏层ts中；首先，经过输入门与遗忘门之后的状态C,即tc实现公式为：1tttttcicfc(2.3)其中前一项为输入门后保留在tc中的成分，后一项是遗忘门后保留在tc中的成分。其次，为了确定tc有多少成分保留在ts中，先给出输出的实现公式为：1+totototoUxWsVc(2.4)式中的to为t时刻的输出层的状态，最后，经过输出门，保留在隐藏层的成分为：tanhttthoc(2.5)虽然长短期记忆神经网络单元能够有效处理时序数据，并且被广泛应用于语音识别[36]、机器翻译[37-38]、视频识别[39]等机器学习的诸多任务中。但是当时序数据的维度较高且空间信息较为丰富，数据特征之间具有较强的空间相关性时，长短期记忆神经网络单元表现不佳。所以，文献[40]中提出卷积长短期记忆神经网络(ConvLSTM)，该网络模型延续长短期记忆神经网络单元中“端到端”的思想，但它将原始网络中“端到端”的全连接形式改变为卷积形式。该网络模型可以最大程度地利用时序数据的空间相关性，对于捕捉和提取图像、视频的空间特征更加有效。卷积长短时记忆神经网络的状态更新图和其内部结构如图所示：图2.2长短时记忆神经网络状态更新
兰州交通大学工程硕士学位论文-8-图2.3长短时记忆神经网络内部结构根据上图可以得出卷积长短时记忆神经网络在t时刻的状态更新方程为：111111(**)(**)tanh(**)(**)tanh(**)tanh()txithitcititxfthftcftfttttxcthctctxothotcototxcthctctttiWXWHWCbfWXWHWCbcfCiWXWHboWXWHWCbgWXWHbhoc(2.6)式中1()(1)xxe将输入值压缩至[0,1]范围;tanh()2(2)1xxxxeexxee，它同样是将输入值压缩至[0,1]范围内。2.2生成对抗网络2.2.1基本概念生成式对抗网络是一种生成模型，其核心思想是从训练样本中学习所对应的概率分布，以期根据概率分布函数获取更多的“生成”样本来实现数据的扩张。另外，它包括两个子网络模型，一个是生成模型(使得生成的“伪”图像尽可能与“自然”图像的分布一致)，一个是判别模型(在生成的“伪”图像与“自然”图像之间做出正确判断，即二分类器)，实现整个网络训练的方法便是让这两个网络相互竞争，最终生成模型通过学习“自然”数据的本质特性，从而刻画出“自然”样本的分布模型，生成与“自然”样本相似的新数据。其基本原理图如下:图2.4生成对抗网络基本原理图
【参考文献】：
期刊论文
[1]基于优势特征图像融合的水下光学图像增强[J]. 林森,迟凯晨,李文涛,唐延东. 光子学报. 2020(03)
[2]基于双透射率水下成像模型的图像颜色校正[J]. 王国霖,田建东,李鹏越. 光学学报. 2019(09)
[3]基于多特征融合的单幅水下图像清晰化[J]. 杨爱萍,田鑫,杨炳旺,王建. 天津大学学报(自然科学与工程技术版). 2018(10)
[4]基于卷积神经网络的水下图像增强方法[J]. 徐岩,孙美双. 吉林大学学报(工学版). 2018(06)
[5]基于深度反卷积神经网络的图像超分辨率算法[J]. 彭亚丽,张鲁,张钰,刘侍刚,郭敏. 软件学报. 2018(04)
[6]序列图像特征提取与匹配算法的改进[J]. 林汀,娄小平,刘锋,李伟仙. 计算机工程与应用. 2017(09)
[7]基于三次样条插值的图像放大的离散算法[J]. 王忠谦,朱宁. 苏州大学学报(自然科学版). 2005(02)
硕士论文
[1]基于多特征多尺度字典学习的超分辨率重构算法[D]. 黎剑晖.华南理工大学 2014
本文编号：3213273
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3213273.html
