CN114897728B 图像增强方法、装置、终端设备以及存储介质 （南方海洋科学与工程广东省实验室(湛江)）

质成式对抗网络并结合预设增强图像算法训练得2将所述待增强图像数据输入预先创建的图像增强模型中进行增所述将所述待增强数据输入预先创建的图像增强模型中进行增强，得基于多尺度同态滤波标签、所述原始数据集及所述伪增强数所述基于多尺度同态滤波标签、所述原始数据集及所述伪增强数据基于所述多尺度同态滤波标签，对所述原始数据集中的数据进行基于所述原始数据集、所述增强数据集及所述伪增强数据集所述基于所述多尺度同态滤波标签，对所述原始数据集中的数据进行计算所述原始数据集中的数据相对对应的降噪项，以供计算所述原始数据集中的数据相对对应的像素点到中心点的空间距离权重值及相邻基于所述反射图像及预设的高斯函数，计算得到反射响应图像，基于所述反射响应图像及所述降噪项，计算得到所述原始数据将所述原始数据集中的数据以及所述增强数据集中对应的数据进行3向所述生成器输入所述图像对数据集，以供所述生成器对所述图像对数据集进行计将所述第二结果作为所述伪增强数据集；并返回执行步骤：向所述按照预设的循环次数以此循环，直到循环完毕，终止训练，得到训练后的向所述生成器输入所述图像对数据集，基于所述图像对数据集及分布函数的期望值，通过多层次图像块网络对若干层次的特征图提取对应层次的输出特基于噪声对比估计框架计算最大互信息及所述特征图的对应层次的将所述第二参数作为所述第一参数；并返回执行步骤：基增强模块，将所述待增强图像数据输入预先创建的图像增强基于所述多尺度同态滤波标签，对所述原始数据集中的数据进行基于所述原始数据集、所述增强数据集及所述伪增强数据集4所述基于所述多尺度同态滤波标签，对所述原始数据集中的数据进行计算所述原始数据集中的数据相对对应的降噪项，以供计算所述原始数据集中的数据相对对应的像素点到中心点的空间距离权重值及相邻基于所述反射图像及预设的高斯函数，计算得到反射响应图像，基于所述反射响应图像及所述降噪项，计算得到所述原始数据所述图像增强程序被处理器执行时实现如权利要求1至3中任一项所述的图像增强方5[0015]基于多尺度同态滤波标签及所述原始数据集，对所述生6[0026]计算所述原始数据集中的数据相对对应的像素点到中心点的空间距离权重值及78[0074]其中，生成对抗网络(也叫生成式对抗网络，GAN，GenerativeAdversarial和判别模型(DiscriminativeModel，或称判别器)的互相博弈学习产生相当好的输出(本均使用深度神经网络作为生成模型和判别模型。一个优秀的GAN应用需要有良好的训练方[0075]IanJ.Goodfellow等人于2014年10月在GenerativeAdve9尺度上图像的像素点。也就是说，尺度空间表示法在各个尺度上图像的分辨率都是一样[0092]一副图像可以表示为其照度(illumination)分量和反射(reflectance)分量的乘[0098]存储器130中存储有操作系统以及图像增强程序，图像增强装置可以将获取的待[0108]基于多尺度同态滤波标签及所述原始数据集，对所述生[0119]计算所述原始数据集中的数据相对对应的像素点到中心点的空间距离权重值及像增强模型基于生成式对抗网络并结合预设增强图像算法训练得[0149]在本实施例中，具体基于改进Multi-ScaleRetinex算法复原的水下图像作为训于多尺度同态滤波标签的生成式对抗网络训练得到。络并结合预设增强图像算法训练得到。通过使用生成式对抗网络对低照度图像进行增强，现水下原始图像的轻量化处理，显著提高水下图像的实时处理以及大数据流的预处理能[0155]生成器还用于对输入的原始数据集与对应的增强数据集进行计算，得到计算结行判别；[0157]基于训练后的生成器及训练后的判别器，构建得到图像数据处理端(图像增强模至步骤S50也可以在步骤S1001与步骤[0186]在生成器G(f)中输入一组随机向量(θ1,θ2,θ3,…,θk)初始化生成器，原始数据集[0191]首先，将所述原始数据集中的数据以及所述增强数据集[0201]参照图6，图6为上述图5所示的实施例中的步骤S51的步骤的细化流程图，步骤[0213]具体地，首先将原图数据集F以及其对应的多尺度空间下同态滤波增强图像r(x,由生成器中的编码器对该低维向量关于图像的结构信息进行解码，生成新的伪增强数据预测值与真实值的差值衡量图像增强模型预测的好坏，对图像增强模型进行训练并更新，qqqq[0253]最后，基于多尺度同态滤波标签，得到与原始图像数据的相对对应的增强图像r[0260]通过生成器对输入的图像对数据集进行计算，得到每一[0261]步骤S701：通过多层次图像块网络对若干层次的特征图提取对应层次的输出特[0276]具体地，如果把生成器中的参数调整到完全满足任一图像对数据的输出误差为