CN115731199B 一种基于小波变换的非成对水下图像增强方法 （福州大学）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN115731199B(45)授权公告日2025.07.01

(21)申请号202211486776.X

(22)申请日2022.11.24

(65)同一申请的已公布的文献号申请公布号CN115731199A

(43)申请公布日2023.03.03

(73)专利权人福州大学

地址350108福建省福州市闽侯县福州大

学城乌龙江北大道2号福州大学

(72)发明人牛玉贞张凌昕李悦洲何玉琦

(74)专利代理机构福州元创专利商标代理有限公司35100

专利代理师陈明鑫蔡学俊

(51)Int.CI.

GO6T7/00(2017.01)

GO6T5/70(2024.01)

GO6T5/90(2024.01)

GO6T5/50(2006.01)

GO6N3/08(2023.01)

GO6N3/0464(2023.01)

(56)对比文件

牛玉贞；张凌昕；兰杰；许瑞；柯逍.基于分频式生成对抗网络的非成对水下图像增强.《电子学报》.2025,全文.

审查员黄碧琴

权利要求书5页说明书10页附图3页

(54)发明名称

一种基于小波变换的非成对水下图像增强

方法

(57)摘要

CN115731199B本发明涉及一种基于小波变换的非成对水下图像增强方法。包括：将待训练的非成对的数据进行预处理；设计基于小波变换的水下图像增强网络，对输入图像的低频和高频部分进行分别处理，再对高频部分和低频部分进行结合；搭建循环生成对抗网络框架，与基于小波变换的水下图像质量增强网络结合得到基于小波变换的非成对水下图像增强网络；设计用于训练非成对水下图像增强网络的目标损失函数；使用非成对的图像训练基于小波变换的非成对水下图像增强网络收敛到纳什平衡；将待增强水下图像进行归一化处理，然后输入训练好的水下图像增强模型，输出增强图像。本发明能对水下图像进行增

CN115731199B

步骤

步骤S1:将待训练的非成对的数据进行数据预处理、数据增强和归一化处理：

步骤S2:设计基于小波变换的水下图像增强网络，网络将通过小波变换对输入图像的低频和高频部分进行分别处理，低频部分使用低频处理模块对图像低频部分进行校正，高频部分使用高频处理模块进行校正，最后再对高频部分和低频部分进行结合；

步骤S3:搭建循环生成对抗网络框架，与基于小波变换的水下图像质量增强网络结合得到基于小波变换的非成对水下图像增强网络：

步骤S4:设计非成对水下图像增强网络的目标损失函数：

步骤55:使用非成对的图像训练基于小波变换的非成对水下图像增强网络收敛到纳什平

步骤S6:将经过归一化处理的待增强图像输入训练好的基于小波变换的水下图像增强模型，输出增强图像。

CN115731199B权利要求书1/5页

2

1.一种基于小波变换的非成对水下图像增强方法，其特征在于，包括如下步骤：

S1、将待训练的非成对的数据进行数据预处理、数据增强和归一化处理；

S2、设计基于小波变换的水下图像增强网络，通过小波变换对输入图像的低频和高频部分分别处理，低频部分使用低频处理模块进行校正，高频部分使用高频处理模块进行校正，最后再对高频部分和低频部分进行结合；具体实现如下：

S21、基于小波变换的水下图像增强网络的输入为归一化后的水下图像I;将图像输入基于小波变换的水下图像增强网络后，图像经过一个卷积核为1×1、步长为1的卷积，两个卷积核为3×3、步长为1的卷积，提取水下图像初始特征F1ut;水下图像特征F1u通过一个小波池化层被分解为低频特征11和高频特征1h,h1,hh;

S22、设计基于小波变换的水下图像增强网络中的低频处理模块；低频特征11进入结合注意力机制的U-Net网络结构的低频处理模块，得到处理后的低频特征11;具体实现如下：

S221、设计S22中的结合注意力机制的U-Net网络结构的低频处理模块；低频处理模块由一个七个模块堆叠的U-Net网络结构组成，低频处理模块的第2,4,6层的跳连部分，各结合一个低频注意力模块；U-Net的网络结构中的降采样模块由一个激活函数，一个归一化层，一个2×2的卷积组成；

S222、设计S221中的低频注意力模块；低频注意力模块由一个拓展网络串联一个3×3的卷积，一个通道注意力模块组成；拓展网络由三层并联的不同数量的卷积块和一个特征