CN115034965B 基于深度学习的超分辨率水下图像增强方法及系统 （中山大学）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN115034965B(45)授权公告日2025.07.11

(21)申请号202210583321.3

(22)申请日2022.05.25

(65)同一申请的已公布的文献号申请公布号CN115034965A

(43)申请公布日2022.09.09

(73)专利权人中山大学

地址510275广东省广州市海珠区新港西

路135号

(72)发明人刘家夫王紫宸王勇邱周静子

(74)专利代理机构广东南北知识产权代理事务所(普通合伙)44918

专利代理师李思坪

(51)Int.CI.

GO6T3/4053(2024.01)

GO6T3/4046(2024.01)

GO6T5/90(2024.01)

G06T5/77(2024.01)

GO6N3/0475(2023.01)

GO6N3/0464(2023.01)

GO6N3/045(2023.01)

GO6N3/094(2023.01)

(56)对比文件

CN113298718A,2021.08.24

审查员许晓娟

权利要求书2页说明书6页附图2页

(54)发明名称

基于深度学习的超分辨率水下图像增强方法及系统

(57)摘要

CN115034965B本发明公开了基于深度学习的超分辨率水下图像增强方法及系统，该方法包括：基于生成对抗网络与深度残差乘法器，构建改进生成对抗网络模型；将水下图像输入改进生成对抗网络模型进行训练，生成增强超分辨率水下图像。该系统包括：构建模块和训练模块。通过使用本发明，能够在提高水下图像分辨率的同时改善水下图像的视觉质量。本发明作为基于深度学习的超分

CN115034965B

基于生成对抗网络与深度残差乘法器，构建改进生成对抗网络模型

将水下图像输入改进生成对抗网络模型进行训练，生成增强超分辨率水下图像

CN115034965B权利要求书1/2页

2

1.基于深度学习的超分辨率水下图像增强方法，其特征在于，包括以下步骤：

基于生成对抗网络与深度残差乘法器，构建改进生成对抗网络模型；

将水下图像输入改进生成对抗网络模型进行训练，生成增强超分辨率水下图像；

所述将水下图像输入改进生成对抗网络模型进行训练，生成增强超分辨率水下图像这一步骤，其具体包括：

通过水下机器人获取水下图像；

基于改进生成对抗网络模型的生成对抗网络，通过增强算法损失函数对水下图像进行增强处理，得到增强水下图像；

基于改进生成对抗网络模型的深度残差乘法器，通过超分辨率算法对增强水下图像进行插值处理，得到增强超分辨率水下图像；

所述基于改进生成对抗网络模型的生成对抗网络，通过增强算法损失函数对水下图像进行增强处理，得到增强水下图像这一步骤，其具体包括：

所述增强算法损失函数包括第一损失函数、第二损失函数、图像内容指标损失函数、马尔可夫判别器和图像质量指标损失函数；

通过第一损失函数和第二损失函数对水下图像的全局相似性进行求解，得到清晰的水下图像；

通过马尔可夫判别器对具有相似内容的水下图像的局部纹理与风格信息进行修正处理，得到无色偏水下图像；

通过图像内容指标损失函数和图像质量指标损失函数对水下图像的图像质量进行映射处理，得到具有相似内容的水下图像；

结合清晰的水下图像、无色偏水下图像和具有相似内容的水下图像，得到增强水下图像；

所述通过图像内容指标损失函数和图像质量指标损失函数对水下图像的图像质量进行映射处理，得到具有相似内容的水下图像这一步骤，其具体包括：

输入水下图像与期望图像；

基于图像内容指标损失函数，计算期望图像在水下图像的对比度增益值；

通过索贝尔算子计算对水下图像的锐度增益值；

基于图像质量指标损失函数对对比度增益值和锐度增益值进行最小化处理，输出具有相似内容的水下图像。

2.根据权利要求1所述基于深度学习的超分辨率水下图像增强方法，其特征在于，所述改进生成对抗网络模型还包括：

上采样模块，包含五层卷积层，激活函数为Leaky-ReLU函数，用于提取水下图像的特

征；

下采样模块，包含四层反卷积层，激活函数为Drop-out函数，用于恢复水下图像的细节。

3.根据权利要求2所述基于深度学习的超分辨率水下图像增强方法，其特征在于，所述生成对抗网络具体如下所示：

CN115034965B