一种基于脑视觉原理的水下图像增强方法、系统及终端

本发明属于信息技术服务，尤其涉及一种基于脑视觉原理的水下图像增强方法、系统及终端。

背景技术：

1、随着海洋经济发展，海洋开发引起了许多国家的高度重视。海洋开发涉及海底地形探测、海洋资源保护、海洋生物多样性研究等相关领域，包括能源、生物、地理等。水下图像和视频作为水下信息载体尤为重要。在实际应用中，高质量的水下图像和视频可以提供准确的水下目标观测数据和规律的水下目标分布。如何获得高质量的水下图像是困扰海洋研究人员多年的问题。

2、由于成像环境复杂，相机模糊、悬浮粒子对光线的散射和吸收、深水光线不足等，往往会导致水下图像对比度低、亮度低、色彩偏差、细节难以区分、噪声明显的视觉退化效应，限制了水下图像的应用。

3、目前水下图像增强通常采用传统方法和基于深度学习的方法。传统方法可以进一步分为基于物理模型和基于非物理模型的方法。

4、非物理模型方法不依赖特定的成像模型，在一定程度上提高图像的视觉效果，然而，由于它没有考虑到水下图像成像的光学特性，往往会引入色彩偏差，以及过饱和、不饱和问题。基于物理模型的方法主要是对水下图像退化过程进行建模，并根据模型估计参数，这类方法有暗通道先验、红通道先验、最小信息先验等。基于物理模型的方法过分依赖于水下成像的建模，这种建模通常基于某些先验假设，在将水下图像推广到不同场景应用方面存在局限性。

5、随着人工智能的快速发展，深度学习在各种视觉任务中取得优秀的效果，深度学习被广泛应用于水下图像增强。chen等利用水下成像模型对模糊的水下图像进行清晰化处理，并利用处理后的清晰图像和对应的模糊图像构建成对的数据集，用于训练水下图像增强网络。fabbri等提出一种基于wasserstein gan的水下图像增强网络，但该方法模型参数较多。slam等基于生成对抗网络对水下图像实现快速增强，但该方法泛化性还有待提升，导致部分增强图像和参考图像色差较大。chen等通过特征金字塔网络与注意力机制相结合，在去模糊、改善色偏等方面表现良好，但在提升图像细节的效果还有待改善。

6、通过上述分析，现有技术存在的问题及缺陷为：

7、现有的水下图像增强方法在视觉上提高了水下图像质量，但是在图像恢复的效果方面还存在细节丢失、色偏严重、对比度较差、特征提取能力不足等问题。基于深度学习网络的图像处理算法存在明显的缺点，如图像训练集真实准确性不高，网络处理能力差，实验设备要求指标高等。

技术实现思路

1、针对现有技术存在的问题，本发明提供了一种基于人脑视觉成像原理的水下图像增强方法、系统及终端。

2、本发明的目的是为了解决光对水下图像造成的衰减、退化，进而导致水下图像存在特征提取困难，色偏严重，这些缺失了部分特征的水下图像对数字海洋领域发展造成了极大困扰，限制了水下信息的传输准确性基于此类问题，本发明提出了一种基于灵长类脑视觉成像机制的水下图像特征增强方法及系统。

3、本发明是这样实现的，一种基于灵长类脑视觉成像机制的水下图像特征增强方法，包括：

4、步骤一、采用solidworks设计密封装置对摄像头模块进行防水、水密封装，得到usb接口的防水相机，可用于拍摄水下图像并在pc端显示；

5、步骤二、采用增强算法对水下图像进行处理，得到初步增强的水下图像，作为本算法的训练集；

6、步骤三、对水下采集图像进行浅层视觉特征提取，得到水下采集图像的颜色特征、方向特征、亮度特征以及其他特征，并将其与原图像r、g、b特征融合；

7、步骤四、构建深度学习网络对在浅层特征基础上对初级特征进行加工后得到深层视觉特征；

8、步骤五、构建跳跃深监督模块，分阶段将提取到的深层视觉特征引入深监督模块，对其结果进行监督修正；

9、步骤六、使用预先整理好的训练集对网络进行训练，获得训练好的深层非对称特征提取模型；

10、步骤七、将防水相机采集到的待测水下图像输入训练好的深层非对称特征提取模型，完成待测水下图像特征增强；

11、步骤八、使用python设计人机交互界面，实现增强效果可视化。

12、本发明的另一目的在于提供一种应用所述的基于灵长类脑视觉原理的水下图像特征增强系统，基于脑视觉原理的水下图像特征增强系统包括：

13、防水摄像模块，用于采集水下信息，并传回pc端；

14、人脑视觉浅层提取模块，用于以高灵活性来处理并提取多维度特征；

15、下采样模块，用于对图像进行缩小，方便后续对目标的特征提取；

16、上采样模块，用于对图像进行放大，防止出现多次下采样后丢失小目标的情况，改善图像的梯度流及感受野，提升特征提取能力；

17、深层非对称特征提取模块，用于在浅层特征基础上对初级特征进行加工后得到高维信息；

18、python人机交互界面，用于将增强后的图像可视化。

19、本发明的另一目的在于提供一种信息数据处理终端，信息数据处理终端用于实现所述的基于灵长类脑视觉原理的水下图像增强系统。

20、结合上述的技术方案和解决的技术问题，本发明所要保护的技术方案所具备的优点及积极效果为：

21、第一，本发明提供的基于灵长类脑视觉原理的水下图像增强方法在浅层特征提取的基础上使用了深度学习网络，构建了深层非对称特征提取模块，在图像初级特征的基础上保留了更多的高维信息特征，能够很好地实现对具有特征模糊、色偏严重特点的水下图像进行准确增强。

22、第二，灵长类的脑视觉理论常应用于医学成像领域，如人脑成像机制、人脑注意力机制。本发明通过借鉴灵长类脑视觉理论，重新设计了基于脑视觉的水下图像增强方法，将医学成像领域的思想应用于计算机视觉任务。在深度学习网络构建过程中，数据集的参考可用性和网络训练的协调性常困扰相关学者，本发明充分考虑了网络复杂度与网络鲁棒性之间的权衡关系，多次实验调整网络参数，可以使网络随着数据集的复杂程度自适应地调整训练参数，有利于进一步提升基于深度学习的水下图像增强方法的简洁性，进而增强基于灵长类脑视觉原理的水下图像增强系统的稳定性。

23、第三，本发明提供的基于灵长类脑视觉原理的水下图像增强方法在多个公开水下图像数据集上进行了实验测试对比，结果表明，本发明实现的方法psnr、ssim、vif指标领先于其他经典算法。此外，经过本发明处理后的图像保留了更多的细节特征、结构特征，在符合人眼视觉系统的基础上，为提供了数字海洋图像传输过程中图像信息特征丢失提供了优良的解决方案。

技术特征：

1.一种基于脑视觉原理的水下图像增强方法，其特征在于，包括：

2.如权利要求1所述的基于脑视觉原理的水下图像增强方法，其特征在于，具体包括：

3.如权利要求1所述的基于脑视觉原理的水下图像增强方法，其特征在于，基于脑视觉原理的水下图像增强方法中，网络更加注意到由于光的散射导致的模糊区域和图像的高频区域的细节特征，实现了对输入图像的浅层特征提取。

4.如权利要求1所述的基于脑视觉原理的水下图像增强方法，其特征在于，基于脑视觉原理的水下图像增强方法成像机制为首先对图像初级特征进行初步提取，然后对初级特征进行加工后得到高维信息。

5.一种应用所述权利要求1～4的水下图像增强方法的基于脑视觉原理的水下图像增强系统，其特征在于，包括：

6.一种计算机设备，计算机设备包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行如权利要求1～3所述的基于脑视觉原理的水下图像增强方法的步骤。

7.一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行如权利要求1～3所述的基于脑视觉原理的水下图像增强方法的步骤。

8.一种信息数据处理终端，信息数据处理终端用于实现如权利要求4所述的基于脑视觉原理的水下图像增强系统。

技术总结
本发明属于信息技术服务技术领域，公开了一种基于脑视觉原理的水下图像增强方法、系统及终端，结合人脑视觉成像原理对图像浅层特征进行提取，为了减少后续特征融合时原图像的特征流失，将原图像的RGB特征与方向、颜色、亮度特征进行融合，进而得到12个通道的初级特征。其次结合人脑视觉中自上而下神经回路的思想，构建了一个深度学习网络，对水下图像细节特征、模糊特征进一步增强，对不相关的无信息特征进行抑制实现深层非对称特征提取。本发明提供的基于脑视觉原理的水下图像增强方法PSNR指标较高，算法处理后的图像与原图像之间的失真较小，算法处理后的图像获得了更适合的亮度、对比度、结构特征、细节特征，更加符合人眼视觉。

技术研发人员：贺锋涛,姚欣钰,赵伟琳,王炳辉,杨祎,张建磊,封一博,张娟,闵展望
受保护的技术使用者：西安邮电大学
技术研发日：
技术公布日：2024/1/15