(19)國家知識產(chǎn)權(quán)局(12)發(fā)明專利(10)授權(quán)公告號CN115731199B(65)同一申請的已公布的文獻(xiàn)號(73)專利權(quán)人福州大學(xué)地址350108福建省福州市閩侯縣福州大學(xué)城烏龍江北大道2號福州大學(xué)(74)專利代理機(jī)構(gòu)福州元創(chuàng)專利商標(biāo)代理有限公司35100專利代理師陳明鑫蔡學(xué)俊式生成對抗網(wǎng)絡(luò)的非成對水下圖像增強(qiáng).《電子學(xué)報》.2025,全文.審查員黃碧琴(54)發(fā)明名稱一種基于小波變換的非成對水下圖像增強(qiáng)方法(57)摘要本發(fā)明涉及一種基于小波變換的非成對水下圖像增強(qiáng)方法。包括：將待訓(xùn)練的非成對的數(shù)據(jù)進(jìn)行預(yù)處理；設(shè)計基于小波變換的水下圖像增強(qiáng)網(wǎng)絡(luò)，對輸入圖像的低頻和高頻部分進(jìn)行分別處理，再對高頻部分和低頻部分進(jìn)行結(jié)合；搭建循環(huán)生成對抗網(wǎng)絡(luò)框架，與基于小波變換的水下圖像質(zhì)量增強(qiáng)網(wǎng)絡(luò)結(jié)合得到基于小波變換的非成對水下圖像增強(qiáng)網(wǎng)絡(luò)；設(shè)計用于訓(xùn)練非成對水下圖像增強(qiáng)網(wǎng)絡(luò)的目標(biāo)損失函數(shù)；使用非成對的圖像訓(xùn)練基于小波變換的非成對水下圖像增強(qiáng)網(wǎng)絡(luò)收斂到納什平衡；將待增強(qiáng)水下圖像進(jìn)行歸一化處理，然后輸入訓(xùn)練好的水下圖像增強(qiáng)模型，輸出增強(qiáng)圖像。本發(fā)明能對水下圖像進(jìn)行增21.一種基于小波變換的非成對水下圖像增強(qiáng)方法，其特征在于，包括如下步驟：S1、將待訓(xùn)練的非成對的數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理、數(shù)據(jù)增強(qiáng)和歸一化處理；S2、設(shè)計基于小波變換的水下圖像增強(qiáng)網(wǎng)絡(luò)，通過小波變換對輸入圖像的低頻和高頻部分分別處理，低頻部分使用低頻處理模塊進(jìn)行校正，高頻部分使用高頻處理模塊進(jìn)行校正，最后再對高頻部分和低頻部分進(jìn)行結(jié)合；具S21、基于小波變換的水下圖像增強(qiáng)網(wǎng)絡(luò)的輸入為歸一化后的水下圖像I;將圖像輸入基于小波變換的水下圖像增強(qiáng)網(wǎng)絡(luò)后，圖像經(jīng)過一個卷積核為1×1、步長為1的卷積，兩個卷積核為3×3、步長為1的卷積，提取水下圖像初始特征F1ut;水下圖像特征F1u通過一個小波池化層被分解為低頻特征11和高頻特征1h,h1,hh;S22、設(shè)計基于小波變換的水下圖像增強(qiáng)網(wǎng)絡(luò)中的低頻處理模塊；低頻特征11進(jìn)入結(jié)合注意力機(jī)制的U-Net網(wǎng)絡(luò)結(jié)構(gòu)的低頻處理模塊，得到處理后的低頻特征11';具體實現(xiàn)如下：S221、設(shè)計S22中的結(jié)合注意力機(jī)制的U-Net網(wǎng)絡(luò)結(jié)構(gòu)的低頻處理模塊；低頻處理模塊由一個七個模塊堆疊的U-Net網(wǎng)絡(luò)結(jié)構(gòu)組成，低頻處理模塊的第2,4,6層的跳連部分，各結(jié)合一個低頻注意力模塊；U-Net的網(wǎng)絡(luò)結(jié)構(gòu)中的降采樣模塊由一個激活函數(shù)，一個歸一化S222、設(shè)計S221中的低頻注意力模塊；低頻注意力模塊由一個拓展網(wǎng)絡(luò)串聯(lián)一個3×3的卷積，一個通道注意力模塊組成；拓展網(wǎng)絡(luò)由三層并聯(lián)的不同數(shù)量的卷積塊和一個特征拼接操作串聯(lián)組成，每個卷積塊由一個卷積和一個激活函數(shù)串聯(lián)組成；拓展網(wǎng)絡(luò)的第一層是一個1×1的卷積塊，第二層是一個1×1的卷積塊串聯(lián)一個3×3的卷積塊，第三層是一個1×1的卷積塊串聯(lián)兩個3×3的卷積塊；拓展網(wǎng)絡(luò)輸出的特征經(jīng)過一個3×3的卷積和一個通道注意力模塊；S23、設(shè)計基于小波變換的水下圖像增強(qiáng)網(wǎng)絡(luò)中的高頻處理模塊；高頻處理模塊采用三個并聯(lián)的高頻注意力模塊分別處理三個高頻特征1h,h1,hh,輸出處理后的高頻特征為1h’,hl',hh’;高頻注意力模塊由一個拓展網(wǎng)絡(luò)串聯(lián)一個3×3的卷積，一個空間注意力模塊，一個通道注意力模塊組成；拓展網(wǎng)絡(luò)由三層并聯(lián)的不同數(shù)量的卷積塊和一個特征拼接操作串聯(lián)組成，每個卷積塊由一個卷積和一個激活函數(shù)串聯(lián)組成；第一層是一個3×3的卷積塊，第二層是兩個3×3的卷積塊，第三層是三個3×3的卷積塊；拓展網(wǎng)絡(luò)輸出的特征經(jīng)過一個3×S24、將低頻特征11'和高頻特征1h',hl',hh’融合并輸出增強(qiáng)圖像；低頻特征和高頻特征首先通過一個小波反池化層，再通過兩個卷積核為4×4、步長為1的卷積，輸出增強(qiáng)圖像E;小波反池化層是在小波池化層的基礎(chǔ)上將其卷積設(shè)為反卷積；S3、搭建循環(huán)生成對抗網(wǎng)絡(luò)，與基于小波變換的水下圖像質(zhì)量增強(qiáng)網(wǎng)絡(luò)結(jié)合得到基于小波變換的非成對水下圖像增強(qiáng)網(wǎng)絡(luò)；S4、設(shè)計基于小波變換的非成對水下圖像增強(qiáng)網(wǎng)絡(luò)的目標(biāo)損失函數(shù)；S5、使用非成對的圖像訓(xùn)練基于小波變換的非成對水下圖像增強(qiáng)網(wǎng)絡(luò)收斂到納什平S6、將待增強(qiáng)水下圖像進(jìn)行歸一化處理，然后輸入訓(xùn)練好的基于小波變換的非成對水2.根據(jù)權(quán)利要求1所述的一種基于小波變換的非成對水下圖像增強(qiáng)方法，其特征在于，3所述S1具體實現(xiàn)如下：S11、將所有待訓(xùn)練非成對圖像分為原始的水下圖像和高質(zhì)量圖像；S12、將所有待訓(xùn)練非成對圖像進(jìn)行統(tǒng)一的放大，放大到原始圖像的1.12倍，對放大后S13、將所有待訓(xùn)練圖像進(jìn)行歸一化處理，給定圖像I(i,j),其歸一化處理后的圖像為1;在像素位置(i,j)處，計算歸一化值1(i,j)的公式如下：其中，(i,j)表示像素的位置，將歸一化后的水下圖像作為后續(xù)步驟的水下圖像，歸一化后的高質(zhì)量圖像作為后續(xù)步驟的高質(zhì)量圖像。3.根據(jù)權(quán)利要求1所述的一種基于小波變換的非成對水下圖像增強(qiáng)方法，其特征在于，S22中，低頻特征11進(jìn)入結(jié)合注意力機(jī)制的U-Net網(wǎng)絡(luò)結(jié)構(gòu)的低頻處理模塊，得到處理后的低頻特征11';計算公式如下：S23中，高頻處理模塊采用三個并聯(lián)的高頻注意力模塊分別處理三個高頻特征1h,hl,hh,輸出處理后的高頻特征為1h’,hl’,hh’;計算公式如下：其中HAM(*)表示高頻注意力模塊；S24中，低頻特征和高頻特征首先通過一個小波反池化層，再通過兩個卷積核為4×4、步長為1的卷積，輸出增強(qiáng)圖像E;計算公式如下：E=Conv(Conv(WaveUnpool(11',1h’,hl4.根據(jù)權(quán)利要求3所述的一種基于小波變換的非成對水下圖像增強(qiáng)方法，其特征在于，U-Net的網(wǎng)絡(luò)結(jié)構(gòu)中的上采樣模塊由一個激活函數(shù)，一個歸一化層，一個2×2的反卷積組成；低頻處理模塊的具體計算公式如下：4其中Xn表示低頻處理模塊的輸入特征，Xou表示低頻處理模塊的輸出特征，Down(*)表示降采樣模塊，Up(*)表示上采樣模塊，LAM(*)表示低頻注意力模塊，ADD[*]表示矩陣加法S222中，低頻注意力模塊具體計算公式如下：X?=ReLU(Conv(ReLU(Conv(XX?=ReLU(Conv(ReLU(Conv(ReLU(Conv(XXout=SE_Layer(Conv(Cat[X?,X?其中Xin表示低頻注意力模塊的輸入特征，Xut表示低頻注意力模塊的輸出特征，Conv(*)表示通道注意力模塊。5.根據(jù)權(quán)利要求3所述的一種基于小波變換的非成對水下圖像增強(qiáng)方法，其特征在于，S23中，高頻注意力模塊的計算公式如下：X?=ReLU(Conv(ReLU(Conv(XX?=ReLU(Conv(ReLU(Conv(ReLU(Conv(XinXout=SE_Layer(SA_Layer(Conv(Cat[X?,X?其中，Xin表示高頻注意力模塊的輸入特征，Xut表示高頻注意力模塊的輸出特征，Conv(*)表示空間注意力模塊，SE_Layer(*)表示通道注意力模6.根據(jù)權(quán)利要求1所述的一種基于小波變換的非成對水下圖像增強(qiáng)方法，其特征在于，所述S3具體實現(xiàn)如下：S31、搭建循環(huán)生成對抗網(wǎng)絡(luò)，包括將水下圖像進(jìn)行質(zhì)量增強(qiáng)的生成器Gw?c、將高質(zhì)量圖像轉(zhuǎn)化為水下圖像的生成器Gc?w、判斷生成的高質(zhì)量圖像的判別器Dc、判別生成的水下圖像的判別器D;生成器Gw?c、Gc2w的網(wǎng)絡(luò)使用S2設(shè)計的基于小波變換的水下圖像增強(qiáng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)；S32、將非配對的水下圖像與高質(zhì)量圖像輸入循環(huán)生成對抗網(wǎng)絡(luò)，生成器Gw?c將水下圖像G進(jìn)行質(zhì)量增強(qiáng)，生成增強(qiáng)圖像Ec,判別器D.將其與高質(zhì)量圖像進(jìn)行風(fēng)格比較；生成器Gc?w將高質(zhì)量圖像Gc轉(zhuǎn)化為水下圖像E,判別器D再將其與水下圖像進(jìn)行風(fēng)格比較。7.根據(jù)權(quán)利要求1所述的一種基于小波變換的非成對水下圖像增強(qiáng)方法，其特征在于，所述S4具體實現(xiàn)如下：設(shè)計基于小波變換的非成對水下圖像增強(qiáng)網(wǎng)絡(luò)的目標(biāo)損失函數(shù)，損失包括生成網(wǎng)絡(luò)損失和判別網(wǎng)絡(luò)損失；5生成網(wǎng)絡(luò)總目標(biāo)損失函數(shù)如下：tG=λ1·CGAN+λ2·tcycle+λ?·L項損失的系數(shù)，·是實數(shù)的點乘操作；其中各項損失具體的計算公式如下：GAN=LMSE(1,Dc(Ec))+LMS其中，Dc(*)是判別增強(qiáng)圖像E的判別器，D(*)是判別生成的水下圖像E的判別器；Ec和E分別是生成器Gw?c生成的增強(qiáng)圖像和生成器Gc?W生成的水下圖像，LSE(*)是MSE損失；其中，R是生成器Gc?w將增強(qiáng)圖像E重構(gòu)得到的圖像，Rc是生成器Gw?c將生成出的水下圖像E重構(gòu)得到的圖像，G是輸入的水下圖像，Gc是輸入的高質(zhì)量圖像，L?(*)是L1損失；tidentity=L?(Fc,Gc)+L?(Fw,Gw)其中，F(xiàn)是將水下圖像G輸入生成器Gc?w成得到圖像，F(xiàn)是將高質(zhì)量圖像Gc輸入生成器Gw?c得到的圖像，G是輸入的水下圖像，Gc是輸入的高質(zhì)量圖像，L?(*)是L1損失；判別網(wǎng)絡(luò)損失如下：其中，tDw和tDw分別是判別器D的判別器損失以及判別器D的判別器損失，·是實數(shù)的點乘操作；tDc=0.5·(LMsE(0,Dc(Ec))+LMse(1,D其中，其中Dc(*)是判別增強(qiáng)圖像E的判別器；Ec是增強(qiáng)圖像，Gc是輸入的高質(zhì)量圖像，LDw=0.5·(LMsE(0,Dw(Ew))+LMsE(1,其中，D(*)是判別生成的水下圖像E的判別器；E是生成的水下圖像；Gw是輸入的水下8.根據(jù)權(quán)利要求1所述的一種基于小波變換的非成對水下圖像增強(qiáng)方法，其特征在于，所述S5具體實現(xiàn)如下：S51、將水下圖像和高質(zhì)量圖像隨機(jī)劃分為多個批次，每個批次包含N張水下圖像和N張高質(zhì)量圖像，將水下圖像和高質(zhì)量圖像隨機(jī)配對得到N對圖像；S52、將同一批次內(nèi)的每一對水下圖像Gw和高質(zhì)量圖像Gc輸入到S3的基于小波變換的非法計算圖像增強(qiáng)網(wǎng)絡(luò)中各參數(shù)的梯度，并利用隨機(jī)梯度下降方法更新圖像增強(qiáng)網(wǎng)絡(luò)的參成對水下圖像增強(qiáng)網(wǎng)絡(luò)的目標(biāo)損失函數(shù)數(shù)值收斂到納什平衡9.根據(jù)權(quán)利要求1所述的一種基于小波變換的非成對水下圖像增強(qiáng)方法，其特征在于，所述S6具體實現(xiàn)如下：6S61、將待增強(qiáng)的水下圖像進(jìn)行歸一化處理；S62、將經(jīng)過S61處理的圖像輸入訓(xùn)練好的基于小波變換的非成對水下圖像增強(qiáng)網(wǎng)絡(luò)中的生成器Gw?C,輸出增強(qiáng)圖像。7一種基于小波變換的非成對水下圖像增強(qiáng)方法技術(shù)領(lǐng)域[0001]本發(fā)明涉及圖像處理以及計算機(jī)視覺領(lǐng)域，特別涉及一種基于小波變換的非成對水下圖像增強(qiáng)方法。背景技術(shù)[0002]水下圖像對海底資源勘探、水下目標(biāo)探測、水下打撈等水下環(huán)境應(yīng)用有著重要影響，這些都需要高質(zhì)量的視覺系統(tǒng)來感知周圍環(huán)境。然而，復(fù)雜的水下環(huán)境導(dǎo)致水下圖像質(zhì)量嚴(yán)重下降。由于水下環(huán)境和光照條件的復(fù)雜性，水下圖像增強(qiáng)是一個具有挑戰(zhàn)性的問題。水下圖像質(zhì)量下降的主要原因是光在水下傳播時的能量衰減和散射。光在水下傳播時，光波有不同的衰減系數(shù)。一般來說，紅光衰減比藍(lán)光和綠光快，所以水下圖像通常呈現(xiàn)藍(lán)綠色。此外，水下圖像也會受到波長相關(guān)的吸收和散射的影響，包括前向散射和后向散射，前向散射是指水中物體反射的光在傳輸?shù)较鄼C(jī)時發(fā)生小角度偏移的散射現(xiàn)象，導(dǎo)致圖像細(xì)節(jié)模糊。后向散射是指當(dāng)照射水中物體時，水中的雜質(zhì)被散射并直接被相機(jī)接收，導(dǎo)致圖像對音。這些不利的影響降低了水下圖像的能見度，對比度，甚至引入了色彩偏差，導(dǎo)致了水下圖像質(zhì)量嚴(yán)重下降。上述退化問題使得水下圖像增強(qiáng)成為一項具有挑戰(zhàn)性的任務(wù)。[0003]現(xiàn)有的水下圖像增強(qiáng)方法主要分為兩類：一是基于深度學(xué)習(xí)的方法，這類方法將水下圖像到正常圖像的轉(zhuǎn)化看成一種映射關(guān)系，利用網(wǎng)絡(luò)的學(xué)習(xí)擬合能力學(xué)習(xí)這種映射變化，從而實現(xiàn)水下圖像到正常圖像的轉(zhuǎn)化，但是這類方法對數(shù)據(jù)集的要求比較高，需要大量的成對圖像；并且在學(xué)習(xí)過程中通常伴隨著對圖像的編碼解碼操作，在這過程中可能會產(chǎn)生一些圖像信息的損失，造成增強(qiáng)后的圖像出現(xiàn)局部細(xì)節(jié)模糊現(xiàn)象。二是基于物理模型的方法，這類方法需先建立水下圖像退化過程的數(shù)學(xué)模型，通過對退化過程的反演得到清晰參數(shù)的估計比較困難且精度較低，導(dǎo)致增強(qiáng)后的圖像質(zhì)量普遍較低，同時不同的環(huán)境考慮的因素不同，需要建立的模型也不同，使得這些方法具有較大的局限性。[0004]現(xiàn)有的方法主要針對成對圖像，但是生活中較難收集成對圖像的數(shù)據(jù)集，并且在圖像增強(qiáng)過程中通常會伴隨著信息損失，導(dǎo)致增強(qiáng)后的圖像容易出現(xiàn)細(xì)節(jié)模糊現(xiàn)象。我們提出一種基于小波變化的非成對水下圖像質(zhì)量增強(qiáng)方法。該方法將圖像特征分為低頻高頻發(fā)明內(nèi)容[0005]本發(fā)明的目的在于提供一種基于小波變換的非成對水下圖像增強(qiáng)方法，該方法有利于提高水下圖像質(zhì)量。[0006]為實現(xiàn)上述目的，本發(fā)明的技術(shù)方案是：一種基于小波變換的非成對水下圖像增[0007]步驟S1、將待訓(xùn)練的非成對的數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理、數(shù)據(jù)增強(qiáng)和歸一化處理；8納什平衡；的卷積，提取水下圖像初始特征F1out;水下圖像特征F1。通過一個小公式如下：模塊；塊采用三個并聯(lián)的高頻注意力模塊分別處理三個高頻特征1h,hl,hh,輸出處理后的高頻特征為1h′,hl′,hh′;計算公式如下：9[0029]步驟S24、將低頻特征11′和高頻特征1h′,hl′,hh′融合并輸出增強(qiáng)圖像；低頻特征和高頻特征首先通過一個小波反池化層，再通過兩個卷積核為4×4、步長為1的卷積，輸出增強(qiáng)圖像E;小波反池化層是在小波池化層的基礎(chǔ)上將其卷積設(shè)為反卷積；計算公式如下：[0030]E=Conv(Conv(WaveUnpool(11′[0031]其中，E表示增強(qiáng)圖像，Conv(*)表示卷積，WaveUnPool(*)表示小波反池化層。[0032]在本發(fā)明一實施例中，所述步驟S22具體實現(xiàn)如下：[0033]步驟S221、設(shè)計步驟S22中的結(jié)合注意力機(jī)制的U-Net網(wǎng)絡(luò)結(jié)構(gòu)的低頻處理模塊；低頻處理模塊由一個七個模塊堆疊的U-Net網(wǎng)絡(luò)結(jié)構(gòu)組成，低頻處理模塊的第2,4,6層的跳連部分，各結(jié)合一個低頻注意力模塊；U-Net的網(wǎng)絡(luò)結(jié)構(gòu)中的降采樣模塊由一個激活函數(shù)，一個歸一化層，一個2×2的卷積組成；其計算公式如下：[0034]Xut=ReLU(Conv(Norm(X:)))[0035]其中，Xin表示降采樣模塊的輸入特征，Xut表示降采樣模塊的輸出特征，Conv(*)表示卷積，ReLU(*)表示激活函數(shù)，Norm(*)表示歸一化層；[0036]U-Net的網(wǎng)絡(luò)結(jié)構(gòu)中的上采樣模塊由一個激活函數(shù)，一個歸一化層，一個2×2的反卷積組成；[0037]低頻處理模塊的具體計算公式如下：Xp?=ADD[Up(Xdown),Xdo[0043]Xp?=ADD[Up(Xp?),LAXp?=ADD[Up(Xp3),LAM(XdowXp?=ADD[Up(Xup?),XdoXp?=ADD[Up(Xp),LAM(XdownXout=ADD(Up(Xup?),Xdow[0049]其中Xin表示低頻處理模塊的輸入特征，Xout表示低頻處理模塊的輸出特征，Down(*)表示降采樣模塊，UP(*)表示上采樣模塊，LAM(*)表示低頻注意力模塊，ADD[*]表示矩陣加法運(yùn)算；[0050]步驟S222、設(shè)計步驟S221中的低頻注意力模塊；低頻注意力模塊由一個拓展網(wǎng)絡(luò)串聯(lián)一個3×3的卷積，一個通道注意力模塊組成；拓展網(wǎng)絡(luò)由三層并聯(lián)的不同數(shù)量的卷積塊和一個特征拼接操作串聯(lián)組成，每個卷積塊由一個卷積和一個激活函數(shù)串聯(lián)組成；拓展網(wǎng)絡(luò)的第一層是一個1×1的卷積塊，第二層是一個1×1的卷積塊串聯(lián)一個3×3的卷積塊，第三層是一個1×1的卷積塊串聯(lián)兩個3×3的卷積塊；拓展網(wǎng)絡(luò)輸出的特征經(jīng)過一個3×3的卷積和一個通道注意力模塊；低頻注意力模塊具體計算公式如下：[0052]X?=ReLU(Conv(ReLU[0053]X?=ReLU(Conv(ReLU(Conv([0055]其中Xn表示低頻注意力模塊的輸入特征，Xout表示低頻注意力模塊的輸出特征，Conv(*)表示卷積，ReLU(*)表示激活函數(shù)，Cat[*]表示按Layer(*)表示通道注意力模塊。[0056]在本發(fā)明一實施例中，步驟S23中，高頻注意力模塊由一個拓展網(wǎng)絡(luò)串聯(lián)一個3×3的卷積，一個空間注意力模塊，一個通道注意力模塊組成；拓展網(wǎng)絡(luò)由三層并聯(lián)的不同數(shù)量的卷積塊和一個特征拼接操作串聯(lián)組成，每個卷積塊由一個卷積和一個激活函數(shù)串聯(lián)組成；第一層是一個3×3的卷積塊，第二層是兩個3×3的卷積塊，第三層是三個3×3的卷積塊；拓展網(wǎng)絡(luò)輸出的特征經(jīng)過一個3×3的卷積，一個空間注意力模塊，和一個通道注意力模塊；高頻注意力模塊的計算公式如下：[0059]X?=ReLU(Conv(ReLU(Conv(ReLU(Conv(X:))))))[0060]Xout=SE_Layer(SA_Layer(Conv(Cat[X?,X?,X?])))[0061]其中，Xn表示高頻注意力模塊的輸入特征，Xot表示高頻注意力模塊的輸出特征，Layer(*)表示空間注意力模塊，SE_Layer(*)表示通道注意力模塊。[0062]在本發(fā)明一實施例中，所述步驟S3具體實現(xiàn)如下：高質(zhì)量圖像轉(zhuǎn)化為水下圖像的生成器Gc?w、判斷生成的高質(zhì)量圖像的判別器Dc、判別生成的水下圖像的生成器Dw;生成器Gw?c、Gc?w的網(wǎng)絡(luò)使用步驟S2設(shè)計的基于小波變換的水下圖像增強(qiáng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)；[0064]步驟S32、將非配對的水下圖像與高質(zhì)量圖像輸入循環(huán)生成對抗網(wǎng)絡(luò)，生成器Gw?c將水下圖像G進(jìn)行質(zhì)量增強(qiáng)，生成增強(qiáng)圖像Ec,判別器D.將其與高質(zhì)量圖像進(jìn)行風(fēng)格比較；生成器Gc?W將高質(zhì)量圖像Gc轉(zhuǎn)化為水下圖像Ew,判別器D再將其與水下圖像進(jìn)行風(fēng)格比較。[0065]在本發(fā)明一實施例中，所述步驟S4具體實現(xiàn)如下：[0066]設(shè)計基于小波變換的非成對水下圖像增強(qiáng)網(wǎng)絡(luò)的目標(biāo)損失函數(shù)，損失包括生成網(wǎng)絡(luò)損失和判別網(wǎng)絡(luò)損失；[0067]生成網(wǎng)絡(luò)總目標(biāo)損失函數(shù)如下：下圖像E重構(gòu)得到的圖像，G是輸入的水下圖像，Gc是輸入的高質(zhì)量圖像，L?(*)是L1損失；11[0075]其中，F(xiàn)是將水下圖像G,輸入生成器Gc?成得到圖像，F(xiàn)c是將高質(zhì)量圖像Gc輸入生[0076]判別網(wǎng)絡(luò)損失如下：實數(shù)的點乘操作；[0079]Dc=0.5·(LMse(0,Dc(Ec))+LMse(1,Dc(Gc)))[0080]其中，其中Dc(*)是判別增強(qiáng)圖像E的[0081]tDw=0.5·(LMsE(0,Dw(Ew))+[0083]在本發(fā)明一實施例中，所述步驟S5具體實現(xiàn)如下：[0084]步驟S51、將水下圖像和高質(zhì)量圖像隨機(jī)劃分為多個批次，每個批次包含N張水下圖像和N張高質(zhì)量圖像，將水下圖像和高質(zhì)量圖像隨機(jī)配對得到N對圖像；[0085]步驟S52、將同一批次內(nèi)的每一對水下圖像G和高質(zhì)量圖像Gc輸入到步驟S3的基于[0086]步驟S53、根據(jù)基于小波變換的非成對水下圖像增強(qiáng)網(wǎng)絡(luò)的目標(biāo)損失函數(shù)，使用反向傳播方法計算圖像增強(qiáng)網(wǎng)絡(luò)中各參數(shù)的梯度，并利用隨機(jī)梯度下降方法更新圖像增強(qiáng)網(wǎng)絡(luò)的參數(shù)；[0087]步驟S54、以批次為單位重復(fù)進(jìn)行上述步驟S51至步驟S53圖像增強(qiáng)網(wǎng)絡(luò)訓(xùn)練步驟，直至基于小波變換的非成對水下圖像增強(qiáng)網(wǎng)絡(luò)的目標(biāo)損失函數(shù)數(shù)值收斂到納什平衡，保存網(wǎng)絡(luò)參數(shù)，完成圖像增強(qiáng)網(wǎng)絡(luò)的訓(xùn)練過程，得到訓(xùn)練好的基于小波變換的非成對水下圖像增強(qiáng)網(wǎng)絡(luò)。[0088]在本發(fā)明一實施例中，所述步驟S6具體實現(xiàn)如下：[0089]步驟S61、將待增強(qiáng)的水下圖像進(jìn)行歸一化處理；[0090]步驟S62、將經(jīng)過步驟S61處理的圖像輸入訓(xùn)練好的基于小波變換的非成對水下圖像增強(qiáng)網(wǎng)絡(luò)中的生成器Gw?c,輸出增強(qiáng)圖像。[0091]相較于現(xiàn)有技術(shù)，本發(fā)明具有以下有益效果：本發(fā)明可適用于非成對的水下圖像，并且該方法能更有效的運(yùn)用水下圖像的信息，從而有效的恢復(fù)圖像失真顏色，去除圖像模糊，提升圖像對比度與亮度，增強(qiáng)的圖像符合人類主觀視覺感知?，F(xiàn)有的水下圖像增強(qiáng)方法增強(qiáng)后的圖像常會出現(xiàn)細(xì)節(jié)模糊現(xiàn)象，本發(fā)明提出了基于小波變換的非成對水下圖像增強(qiáng)方法，能夠有效減少圖像傳遞過程中的信息損失，保留圖像細(xì)節(jié)信息，避免細(xì)節(jié)模糊，同時可以適用于多數(shù)的復(fù)雜場景。附圖說明[0092]圖1是本發(fā)明方法的實現(xiàn)流程圖。[0093]圖2是本發(fā)明實施例中網(wǎng)絡(luò)模型結(jié)構(gòu)圖。[0094]圖3是本發(fā)明實施例中低頻注意力網(wǎng)絡(luò)結(jié)構(gòu)圖。[0095]圖4是本發(fā)明實施例中高頻注意力網(wǎng)絡(luò)結(jié)構(gòu)圖。具體實施方式[0096]下面結(jié)合附圖，對本發(fā)明的技術(shù)方案進(jìn)行具體說明。[0097]本發(fā)明提供一種基于小波變換的非成對水下圖像增強(qiáng)方法，如圖1-4所示，包括以下步驟：[0098]步驟S1、將待訓(xùn)練的非成對的數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理、數(shù)據(jù)增強(qiáng)[0099]步驟S2、設(shè)計基于小波變換的水下圖像增強(qiáng)網(wǎng)絡(luò)，通過小波變換對輸入圖像的低頻和高頻部分進(jìn)行分別處理，低頻部分使用低頻處理模塊對圖像低頻部分進(jìn)行校正，高頻部分使用高頻處理模塊進(jìn)行校正，最后再對高頻部分和低頻部分進(jìn)行結(jié)合；[0100]步驟S3、搭建循環(huán)生成對抗網(wǎng)絡(luò)，與基于小波變換的水下圖像質(zhì)量增強(qiáng)網(wǎng)絡(luò)結(jié)合得到基于小波變換的非成對水下圖像增強(qiáng)網(wǎng)絡(luò)；[0101]步驟S4、設(shè)計基于小波變換的非成對水下圖像增強(qiáng)網(wǎng)絡(luò)的目標(biāo)損失函數(shù)；[0102]步驟S5、使用非成對的圖像訓(xùn)練基于小波變換的非成對水下圖像增強(qiáng)網(wǎng)絡(luò)收斂到納什平衡；[0103]步驟S6、將待增強(qiáng)水下圖像進(jìn)行歸一化處理，然后輸入訓(xùn)練好的基于小波變換的非成對水下圖像增強(qiáng)網(wǎng)絡(luò)，輸出增強(qiáng)圖像。[0105]步驟S11、將所有待訓(xùn)練非成對圖像分為原始的水下圖像和高質(zhì)量圖像；[0106]步驟S12、將所有待訓(xùn)練非成對圖像進(jìn)行統(tǒng)一的放大，放大到原始圖像的1.12倍，對放大后的圖像通過隨機(jī)切割、隨機(jī)翻轉(zhuǎn)操作，進(jìn)行數(shù)據(jù)增強(qiáng)；[0107]步驟S13、將所有待訓(xùn)練圖像進(jìn)行歸一化處理，給定圖像I(i,j),其歸一化處理后的圖像為1;在像素位置(i,j)處，計算歸一化值?(i,j)的公式如下：[0109]其中，(i,j)表示像素的位置，將歸一化后的水下圖像作為后續(xù)步驟的水下圖像，歸一化后的高質(zhì)量圖像作為后續(xù)步驟的高質(zhì)量圖像。[0111]步驟S21、通過小波變換對輸入圖像的低頻和高頻部分進(jìn)行分別處理；基于小波變換的水下圖像增強(qiáng)網(wǎng)絡(luò)的輸入為歸一化后的水下圖像?;將圖像輸入基于小波變換的水下圖像增強(qiáng)網(wǎng)絡(luò)后，圖像經(jīng)過一個卷積核為1×1、步長為1的卷積，兩個卷積核為3×31的卷積，提取水下圖像初始特征F1。t;水下圖像特征F1u通過一個小波池化層被分解為低頻特征11和高頻特征1h,h1,hh;[0112]步驟S22、設(shè)計基于小波變換的水下圖像增強(qiáng)網(wǎng)絡(luò)中的低頻處理模塊；低頻特征11進(jìn)入結(jié)合注意力機(jī)制的U-Net網(wǎng)絡(luò)結(jié)構(gòu)的低頻處理模塊，得到處理后的低頻特征11′;計算公式如下：[0114]其中，11表示輸入低頻特征，11′表示處理后的低頻特征，LUNet(*)表示低頻處理[0115]步驟S22具體實現(xiàn)如下：[0116]步驟S221、設(shè)計步驟S22中的結(jié)合注意力機(jī)制的U-Net網(wǎng)絡(luò)結(jié)構(gòu)的低頻處理模塊；低頻處理模塊由一個七個模塊堆疊的U-Net網(wǎng)絡(luò)結(jié)構(gòu)組成，低頻處理模塊的第2,4,6層的跳連部分，各結(jié)合一個低頻注意力模塊；U-Net的網(wǎng)絡(luò)結(jié)構(gòu)中的降采樣模塊由一個激活函數(shù)，一個歸一化層，一個2×2的卷積組成；其計算公式如下：[0117]Xut=ReL[0118]其中，Xin表示降采樣模塊的輸入特征，Xut表示降采樣模塊的輸出特征，Conv(*)表示卷積，ReLU(*)表示激活函數(shù)，Norm(*)表示歸一化層；[0119]U-Net的網(wǎng)絡(luò)結(jié)構(gòu)中的上采樣模塊由一個激活函數(shù)，一個歸一化層，一個2×2的反卷積組成；[0120]低頻處理模塊的具體計算公式如下：Xp?=ADD[Up(Xdown),XdoXp?=ADD[Up(Xup?),XdoXup?=ADD[Up(X?),LAM(Xdo[0131]Xout=ADD[0132]其中Xin表示低頻處理模塊的輸入特征，Xout表示低頻處理模塊的輸出特征，Down(*)表示降采樣模塊，UP(*)表示上采樣模塊，LAM(*)表示低頻注意力模塊，ADD[*]表示矩陣加法運(yùn)算；[0133]步驟S222、設(shè)計步驟S221中的低頻注意力模塊；低頻注意力模塊由一個拓展網(wǎng)絡(luò)串聯(lián)一個3×3的卷積，一個通道注意力模塊組成；拓展網(wǎng)絡(luò)由三層并聯(lián)的不同數(shù)量的卷積塊和一個特征拼接操作串聯(lián)組成，每個卷積塊由一個卷積和一個激活函數(shù)串聯(lián)組成；拓展網(wǎng)絡(luò)的第一層是一個1×1的卷積塊，第二層是一個1×1的卷積塊串聯(lián)一個3×3的卷積塊，第三層是一個1×1的卷積塊串聯(lián)兩個3×3的卷積塊；拓展網(wǎng)絡(luò)輸出的特征經(jīng)過一個3×3的卷積和一個通道注意力模塊；低頻注意力模塊具體計算公式如下：[0136]X?=ReLU(Conv(ReLU(Conv[0138]其中Xn表示低頻注意力模塊的輸入特征，X。ut表示低頻注意力模塊的輸出特征，Conv(*)表示卷積，ReLU(*)表示激活函數(shù)，Cat[*]表示按通道維度進(jìn)行特征拼接操作，SE_Layer(*)表示通道注意力模塊；[0139]步驟S23、設(shè)計基于小波變換的水下圖像增強(qiáng)網(wǎng)絡(luò)中的高頻處理模塊；高頻處理模塊采用三個并聯(lián)的高頻注意力模塊分別處理三個高頻特征1h,hl,hh,輸出處理后的高頻特征為lh',hl',hh';計算公式如下：[0143]其中HAM(*)表示高頻注意力模塊；高頻注意力模塊由一個拓展網(wǎng)絡(luò)串聯(lián)一個3×3的卷積，一個空間注意力模塊，一個通道注意力模塊組成；拓展網(wǎng)絡(luò)由三層并聯(lián)的不同數(shù)量的卷積塊和一個特征拼接操作串聯(lián)組成，每個卷積塊由一個卷積和一個激活函數(shù)串聯(lián)組成；第一層是一個3×3的卷積塊，第二層是兩個3×3的卷積塊，第三層是三個3×3的卷積塊；拓展網(wǎng)絡(luò)輸出的特征經(jīng)過一個3×3的卷積，一個空間注意力模塊，和一個通道注意力模塊；高頻注意力模塊的計算公式如下：[0146]X?=ReLU(Conv(ReLU(Conv(ReLU(Conv(X:))))))[0147]Xout=SE_Layer(SA_Lay[0148]其中，Xin表示高頻注意力模塊的輸入特征，Xut表示高頻注意力模塊的輸出特征，Layer(*)表示空間注意力模塊，SE_Layer(*)表示通道注意力模塊；[0149]步驟S24、將低頻特征11’和高頻特征1h',hl',hh’融合并輸出增強(qiáng)圖像；低頻特征和高頻特征首先通過一個小波反池化層，再通過兩個卷積核為4×4、步長為1的卷積，輸出增強(qiáng)圖像E;小波反池化層是在小波池化層的基礎(chǔ)上將其卷積設(shè)為反卷積；計算公式如下：[0150]E=Conv(Conv(WaveUnpool(1l',lh',hl',hh’)))[0152]在本實施例中，所述步驟S3具體實現(xiàn)如下：高質(zhì)量圖像轉(zhuǎn)化為水下圖像的生成器Gc?w、判斷生成的高質(zhì)量圖像的判別器Dc、判別生成的水下圖像的生成器Dw;生成器Gw?c、Gc?w的網(wǎng)絡(luò)使用步驟S2設(shè)計的基于小波變換的水下圖像增強(qiáng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)；[0154]步驟S32、將非配對的水下圖像與高質(zhì)量圖像輸入循環(huán)生成對抗網(wǎng)絡(luò)，生成器Gw?c將水下圖像G進(jìn)行質(zhì)量增強(qiáng)，生成增強(qiáng)圖像Ec,判別器D.將其與高質(zhì)量圖像進(jìn)行風(fēng)格比較；生成器Gc?將高質(zhì)量圖像Gc轉(zhuǎn)化為水下圖像Ew,判別器D再將其與水下圖像進(jìn)行風(fēng)格比較。[0155]在本實施例中，所述步驟S4具體實現(xiàn)如下：[0156]設(shè)計基于小波變換的非成對水下圖像增強(qiáng)網(wǎng)絡(luò)的目標(biāo)損失函數(shù)，損失包括生成網(wǎng)絡(luò)損失和判別