一种基于改进U-Net网络架构的水下图像增强模型的构建方法与流程

本发明涉及水下图像识别，特别是一种基于改进u-net网络架构的水下图像增强模型的构建方法。

背景技术：

1、为了更好地了解水下大坝或水电站的情况，提高对其内部结构和设备的检测与维护水平，获取准确的水下信息变得至关重要；而水下光学图像，作为传递这些水下信息的重要媒介，其作用不可忽视。然而，水下大坝或水电站内部的光线传播情况复杂。随着水深的增加，光线迅速衰减，使得水下的图像变得模糊不清，颜色黯淡。同时，水体对光线的折射和散射效应，会使得图像产生畸变，影响我们对物体真实位置和形状的判断。此外，水流、气泡以及悬浮颗粒物等噪声源，会进一步降低图像的质量和清晰度，使得水下图像常常处于一种蓝绿色的模糊状态。因此，尽管我们使用了水下机器视觉系统，但获取清晰的图像仍然是一项挑战。为了应对光线衰减的问题，通常需要采用特殊的光源和传感器，这无疑增加了我们探索和维护水下大坝或水电站的难度和成本。为了保证水下机器人等设备搭载的计算机视觉系统能正常工作，科研人员需要面对去除水下噪声、增强水下图像质量的挑战。这是为了确保我们能准确、高效地检测和维护水下大坝或水电站，从而保障其安全稳定的运行。

2、现有水下图像增强方法主要分为基于物理模型的方法、基于非物理模型的方法以及基于深度学习的方法。基于物理模型的水下图像增强方法主要侧重于准确估计透射率，利用估计的介质透射率和全局背景光等其他关键水下成像参数，通过物理水下成像模型反推获得清晰的图像。然而现有技术存在以下缺陷：

3、1，基于物理模型的方法的性能在现实水下场景中表现较差，这是因为对于复杂、动态的水下环境，模型假设并不总是合理，且同时评估多个模型参数具有较大难度；

4、2，大部分基于非物理模型的算法会导致图像过度增强和过度饱和；

5、3，大部分基于学习的方法都受限于数据集不足，而小规模数据集会大大降低模型训练的质量。

6、因此，需要设计一种基于改进u-net网络架构的水下图像增强模型的构建方法来解决上述问题。

技术实现思路

1、本发明所要解决的技术问题是提供一种基于改进u-net网络架构的水下图像增强模型的构建方法，旨在解决现有技术的模型对于复杂动态的水下环境假设不合理，导致图像过渡增强、过饱和度，从而影响图像增强质量的问题，具有在保证网络结构轻量化的前提下，设计的模型效果仍能超越现有技术的特点。

2、为解决上述技术问题，本发明所采用的技术方案是：

3、一种基于改进u-net网络架构的水下图像增强模型的构建方法，包括：

4、s1，通过点卷积和深度卷积替换u-net网络的标准卷积，从而构建基于u-net网络的图像增强模型网络架构，包括多个基本块和sk融合模块；

5、s2，构建基本块的结构；

6、s3,在构建的u-net网络基本块内部引入简化的通道注意力机制；

7、s4，构建sk融合模块的结构。

8、优选地，步骤s1中，基于u-net网络的图像增强模型网络架构为端到端结构，在每一层级生成大小不同的特征图，从而使得网络能够捕捉不同尺度的特征。

9、优选地，步骤s1中，基于u-net网络的图像增强模型网络架构包括七个阶段，每个阶段的基本块数量分别为2个、2个、2个、4个、2个、2个和2个。

10、优选地，步骤s1中，基于u-net网络的图像增强模型网络架构通过sk融合模块动态地融合来自不同路径的特征映射从而实现跳跃连接；

11、网络输入输出端分别串联一个尺寸为3×3的卷积层；

12、输入输出位置设置一个全局残差结构，提升网络的稳定性。

13、优选地，步骤s2中，基本块由两个连续的局部残差结构组成，基本块的结构为：

14、选用层标准化作为基本块的第一层，层归一化之后通过逐点卷积和深度卷积进行串联配合；

15、深度卷积核尺寸为3×3，对输入的每个通道进行单独的卷积操作；

16、逐点卷积核尺寸为1×1，进行单点上的特征提取；

17、激活函数选用高斯误差线性单元函数gelu。

18、优选地，步骤s3中，在构建的u-net网络基本块内部引入简化的通道注意力机制包括：

19、首先将空间信息压缩到通道中，然后对其应用多层感知来计算通道注意力，并将其用于加权特征图，公式表示为：

20、；

21、其中，表示特征图，表示将空间信息聚合到通道中的全局平均池化操作；为非线性激活函数sigmoid，、为全连通层，全连通层之间采用relu激活函数；最后，表示一个通道域点乘操作；

22、对通道注意力表达形式进行简化：

23、；

24、其中，表示特征图，通道注意力计算记为函数；

25、只保留通道注意中的全局信息和通道信息，将二者聚合得到简化的通道注意力机制：

26、；

27、得到简化的通道注意力机制sca。

28、优选地，步骤s4中，构建sk融合模块的结构包括将sk模块重新调整，得到sk融合模块：

29、设两个特征映射分别为和，其中为来自跳跃连接的特征映射，为来自网络主路径的特征映射；

30、先将输入逐点卷积层得到，再将与分别输入进全局平均池化层和多层感知结构，多层感知结构由降维卷积、relu激活函数和升维卷积组成；最后通过softmax函数得到融合权重，具体计算过程如下表示：

31、；

32、；

33、其中、为融合权重，为多层感知结构，为全局平均池化层，为特征融合结果。

34、本发明提供一种基于改进u-net网络架构的水下图像增强模型的构建方法的有益效果如下：

35、1，本发明广泛使用点卷积和深度卷积来替换传统卷积，有效地聚合空间信息和转换特征，并且减少计算量。在模型中引入sk融合模块动态融合全局信息，提升特征获取能力。

36、2，本发明在基本块内部大胆采用了简化的通道注意力机制，进一步提升网络提取通道信息的性能，同时减少计算量。

37、3，本发明在设计层标准化作为基本块的第一层，层归一化之后是逐点卷积和深度卷积的串联配合，可以压缩模型参数，加速计算过程，能够增强模型表现能力。

技术特征：

1.一种基于改进u-net网络架构的水下图像增强模型的构建方法，其特征在于，包括：

2.根据权利要求1所述基于图像识别的水轮机组各进人门漏水检测方法，其特征在于，步骤s1中，基于u-net网络的图像增强模型网络架构为端到端结构，在每一层级生成大小不同的特征图，从而使得网络能够捕捉不同尺度的特征。

3.根据权利要求1所述基于图像识别的水轮机组各进人门漏水检测方法，其特征在于，步骤s1中，基于u-net网络的图像增强模型网络架构包括七个阶段，每个阶段的基本块数量分别为2个、2个、2个、4个、2个、2个和2个。

4.根据权利要求1所述基于图像识别的水轮机组各进人门漏水检测方法，其特征在于，步骤s1中，基于u-net网络的图像增强模型网络架构通过sk融合模块动态地融合来自不同路径的特征映射从而实现跳跃连接；

5.根据权利要求1所述基于图像识别的水轮机组各进人门漏水检测方法，其特征在于：步骤s2中，基本块由两个连续的局部残差结构组成，基本块的结构为：

6.根据权利要求1所述基于图像识别的水轮机组各进人门漏水检测方法，其特征在于：步骤s3中，在构建的u-net网络基本块内部引入简化的通道注意力机制包括：

7.根据权利要求1所述基于图像识别的水轮机组各进人门漏水检测方法，其特征在于：步骤s4中，构建sk融合模块的结构包括将sk模块重新调整，得到sk融合模块：

技术总结本发明公开了一种基于改进U‑Net网络架构的水下图像增强模型的构建方法，该方法首先通过点卷积和深度卷积替换U‑Net网络的标准卷积，从而构建基于U‑Net网络的图像增强模型网络架构，该模型架构包括多个基本块和SK融合模块；然后构建基本块的结构；随后在构建的U‑Net网络基本块内部引入简化的通道注意力机制；最后构建SK融合模块的结构，完成模型网络架构的构建；解决了现有技术的模型对于复杂动态的水下环境假设不合理，导致图像过渡增强、过饱和度，从而影响图像增强质量的问题，具有在保证网络结构轻量化的前提下，设计的模型效果仍能超越现有技术的特点。技术研发人员：李新宇,朱思思,万刚,耿在明,周旋,史朋飞,范新南,辛元雪,孙超受保护的技术使用者：中国长江电力股份有限公司技术研发日：技术公布日：2024/9/9