一种基于深度学习的水下目标图像检测方法和系统与流程

1.本发明提出了一种基于深度学习的水下目标图像检测方法和系统，属于图像处理技术领域。


背景技术：

2.传统目标检测法首先依据人对具体水下任务的分析选取对应特征，如颜色特征、纹理特征、几何特征等，然后基于特征建立模型设计分类器识别出水下图像或视频中的目标，实现水下目标识别任务。然而，这些特征较大程度上依赖于人工经验和任务特性，而且需要大量的时间成本，环境适应性差，检测效果也并不令人满意。


技术实现要素：

3.本发明提供了一种基于深度学习的水下目标图像检测方法和系统，用以解决现有技术中水下目标检测的图像识别准确性较低导致水下目标检测效果差的问题：
4.一种基于深度学习的水下目标图像检测方法，所述水下目标图像检测方法包括：
5.利用所述图像去噪网络结构对所述水下目标图像进行去噪处理，获取去噪后的水下目标图像；
6.利用颜色校正网络对所述去噪后的水下目标图像进行颜色校正，获得颜色校正后的水下目标图像；
7.利用运动模糊校正网络对所述颜色校正后的水下目标图像进行图像增强，获得增强后的水下目标图像。
8.进一步地，利用所述图像去噪网络结构对所述水下目标图像进行去噪处理，获取去噪后的水下目标图像，包括：
9.使用一个卷积和两个空心卷积从输入中提取所述水下目标图像检测的特征图；其中，所述空心卷积可以扩大感受野，使每个卷积输出包含更大范围信息的特征图。
10.根据所述特征图使用包含两个卷积层的残差块来特征学习；其中，使用残差结构可以降低低频信息的传播。
11.利用一个卷积生成特征注意力的残差网络来对所述水下目标图像进行重建，获取重建图像，其中，所述重建图像即为所述去噪后的水下目标图像。
12.其中，所述图像去噪网络结构包括一个卷积及两个空心卷积、包含两个卷积层的残差块和一个生成特征注意力的残差网络的卷积。
13.进一步地，利用颜色校正网络对所述去噪后的水下目标图像进行颜色校正，获得颜色校正后的水下目标图像，包括：
14.将所述去噪后的水下目标图像输入至生成器；其中，所述生成器是以自正则注意力图机制为导向的网络作为的生成器；
15.在所述生成器利用感知损失方式缩小具有色偏的输入的去噪后的水下目标图像与预设指标的增强图像之间的特征距离，获得颜色校正后的水下目标图像。
16.其中，在所述生成器中引入自正则化的感知损失方式来约束具有色偏的输入的去噪后的水下目标图像与预设指标的增强图像之间的特征距离。
17.进一步地，所述运动模糊校正网络包括三个子网络，每个所述子网络的结构相同；其中，所述子网络包括六个卷积层、两个全连接层和一个长短期记忆(lstm)，每个卷积层的卷积核大小为5，步长为1。因为对于去模糊的任务，接收场需要很大以处理剧烈的运动。
18.进一步地，利用运动模糊校正网络对所述颜色校正后的水下目标图像进行图像增强，获得增强后的水下目标图像，包括：
19.通过卷积层对所述颜色校正后的水下目标图像进行特征提取，获得所述颜色校正后的水下目标图像对应的图像特征；
20.将所述图像特征输入至反卷积层，并通过所述反卷积层进行图像恢复，获取增强后的水下目标图像。
21.一种基于深度学习的水下目标图像检测系统，所述水下目标图像检测系统包括：
22.去噪处理模块，用于利用所述图像去噪网络结构对所述水下目标图像进行去噪处理，获取去噪后的水下目标图像；
23.颜色校正模块，用于利用颜色校正网络对所述去噪后的水下目标图像进行颜色校正，获得颜色校正后的水下目标图像；
24.图像增强模块，用于利用运动模糊校正网络对所述颜色校正后的水下目标图像进行图像增强，获得增强后的水下目标图像。
25.进一步地，所述去噪处理模块包括：
26.特征提取模块，用于使用一个卷积和两个空心卷积从输入中提取所述水下目标图像检测的特征图；其中，所述空心卷积可以扩大感受野，使每个卷积输出包含更大范围信息的特征图。
27.调整学习模块，用于根据所述特征图使用包含两个卷积层的残差块来特征学习；其中，使用残差结构可以降低低频信息的传播。
28.重建模块，用于利用一个卷积生成特征注意力的残差网络来对所述水下目标图像进行重建，获取重建图像，其中，所述重建图像即为所述去噪后的水下目标图像。
29.其中，所述图像去噪网络结构包括一个卷积及两个空心卷积、包含两个卷积层的残差块和一个生成特征注意力的残差网络的卷积。
30.进一步地，所述颜色校正模块包括：
31.输入模块，用于将所述去噪后的水下目标图像输入至生成器；其中，所述生成器是以自正则注意力图机制为导向的网络作为的生成器；
32.缩小距离模块，用于在所述生成器利用感知损失方式缩小具有色偏的输入的去噪后的水下目标图像与预设指标的增强图像之间的特征距离，获得颜色校正后的水下目标图像。
33.其中，在所述生成器中引入自正则化的感知损失方式来约束具有色偏的输入的去噪后的水下目标图像与预设指标的增强图像之间的特征距离。
34.进一步地，所述运动模糊校正网络包括三个子网络，每个所述子网络的结构相同；其中，所述子网络包括六个卷积层、两个全连接层和一个长短期记忆(lstm)，每个卷积层的卷积核大小为5，步长为1。因为对于去模糊的任务，接收场需要很大以处理剧烈的运动。
35.进一步地，所述图像增强模块包括：
36.特征提取模块，用于通过卷积层对所述颜色校正后的水下目标图像进行特征提取，获得所述颜色校正后的水下目标图像对应的图像特征；
37.图像恢复模块，用于将所述图像特征输入至反卷积层，并通过所述反卷积层进行图像恢复，获取增强后的水下目标图像。
38.进一步地，所述图像增强模块包括：
39.在得到增强后的水下目标图像后，会根据增强后的水下目标图像以及最原始的水下目标图像进行像素比对，得到增强前后两个图像的整体像素对比值以及横纵像素对比值，根据所述增强前后两个图像的整体像素对比值以及横纵像素对比值，控制所述增强后的水下目标图像是否需要还原成原始图像，以确保图像在增强程度不大的情况下确保图像的真实性，其具体步骤包括，
40.步骤a1：利用公式(1)根据增强后的水下目标图像以及最原始的水下目标图像进行像素比对，得到增强前后两个图像的整体像素对比值
[0041][0042]
其中μq表示增强前后两个图像的整体像素对比值；h
′
(i,j)表示增强后的水下目标图像的图像矩阵中第i行第j列像素点的像素值；h(i,j)表示最原始的水下目标图像的图像矩阵中第i行第j列像素点的像素值；m表示图像矩阵中任意一行像素点的总个数；n表示图像矩阵中任意一列像素点的总个数；||表示求取绝对值；h
max
表示所述像素值可取到的最大值；
[0043]
步骤a2：利用公式(2)根据增强后的水下目标图像以及最原始的水下目标图像进行像素比对，得到增强前后两个图像的横纵像素对比值
[0044][0045]
其中μz表示增强前后两个图像的纵像素对比值；μ
l
表示增强前后两个图像的横像素对比值；
[0046]
步骤a3：利用公式(3)根据所述增强前后两个图像的整体像素对比值以及横纵像素对比值，控制所述增强后的水下目标图像是否需要还原成原始图像
[0047][0048]
其中e表示所述增强后的水下目标图像还原成原始图像的控制值；表示将i的值从1取值到n，将j的值从1取值到m代入到h
′
(i,j)中得到h
′
(i,j)的最小值；
[0049]
若e＝0，则控制所述增强后的水下目标图像保持当前图像数据状态；
[0050]
若e＝1，则控制所述增强后的水下目标图像还原成原始图像。
[0051]
本发明有益效果：
[0052]
本发明提出的一种基于深度学习的水下目标图像检测方法和系统在每个增强网络中都引入了最新的注意力机制，让网络能自动判别特征通道的重要性，能有效的去除水下噪声，校正水下偏色图像以及去除运动模糊，还原水下场景中目标物体的原有色彩和纹理细节，起到对水下图像的增强效果。
附图说明
[0053]
图1为本发明所述方法的流程图；
[0054]
图2为本发明所述系统的系统框图。
具体实施方式
[0055]
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
[0056]
本发明实施例提出了一种基于深度学习的水下目标图像检测方法，如图1所示，所述水下目标图像检测方法包括：
[0057]
s1、利用所述图像去噪网络结构对所述水下目标图像进行去噪处理，获取去噪后的水下目标图像；
[0058]
s2、利用颜色校正网络对所述去噪后的水下目标图像进行颜色校正，获得颜色校正后的水下目标图像；
[0059]
s3、利用运动模糊校正网络对所述颜色校正后的水下目标图像进行图像增强，获得增强后的水下目标图像。
[0060]
其中，所述运动模糊校正网络包括三个子网络，每个所述子网络的结构相同；其中，所述子网络包括六个卷积层、两个全连接层和一个长短期记忆(lstm)，每个卷积层的卷积核大小为5，步长为1。因为对于去模糊的任务，接收场需要很大以处理剧烈的运动。
[0061]
上述技术方案的工作原理为：首先，利用所述图像去噪网络结构对所述水下目标图像进行去噪处理，获取去噪后的水下目标图像；然后，利用颜色校正网络对所述去噪后的水下目标图像进行颜色校正，获得颜色校正后的水下目标图像；最后，利用运动模糊校正网络对所述颜色校正后的水下目标图像进行图像增强，获得增强后的水下目标图像。
[0062]
上述技术方案的效果为：本实施例提出的一种基于深度学习的水下目标图像检测方法在每个增强网络中都引入了最新的注意力机制，让网络能自动判别特征通道的重要性，能有效的去除水下噪声，校正水下偏色图像以及去除运动模糊，还原水下场景中目标物体的原有色彩和纹理细节，起到对水下图像的增强效果。
[0063]
本发明的一个实施例，利用所述图像去噪网络结构对所述水下目标图像进行去噪处理，获取去噪后的水下目标图像，包括：
[0064]
s101、使用一个卷积和两个空心卷积从输入中提取所述水下目标图像检测的特征图；其中，所述空心卷积可以扩大感受野，使每个卷积输出包含更大范围信息的特征图。
[0065]
s102、根据所述特征图使用包含两个卷积层的残差块来特征学习；其中，使用残差结构可以降低低频信息的传播。
[0066]
s103、利用一个卷积生成特征注意力的残差网络来对所述水下目标图像进行重
建，获取重建图像，其中，所述重建图像即为所述去噪后的水下目标图像。
[0067]
其中，所述图像去噪网络结构包括一个卷积及两个空心卷积、包含两个卷积层的残差块和一个生成特征注意力的残差网络的卷积。
[0068]
上述技术方案的工作原理为：首先，使用一个卷积和两个空心卷积从输入中提取所述水下目标图像检测的特征图；其中，所述空心卷积可以扩大感受野，使每个卷积输出包含更大范围信息的特征图。随后，根据所述特征图使用包含两个卷积层的残差块来特征学习；其中，使用残差结构可以降低低频信息的传播。最后，利用一个卷积生成特征注意力的残差网络来对所述水下目标图像进行重建，获取重建图像，其中，所述重建图像即为所述去噪后的水下目标图像。
[0069]
上述技术方案的效果为：在每个增强网络中都引入了最新的注意力机制，让网络能自动判别特征通道的重要性，能有效的去除水下噪声，校正水下偏色图像以及去除运动模糊，还原水下场景中目标物体的原有色彩和纹理细节，起到对水下图像的增强效果。
[0070]
本发明的一个实施例，利用颜色校正网络对所述去噪后的水下目标图像进行颜色校正，获得颜色校正后的水下目标图像，包括：
[0071]
s201、将所述去噪后的水下目标图像输入至生成器；其中，所述生成器是以自正则注意力图机制为导向的网络作为的生成器；
[0072]
s202、在所述生成器利用感知损失方式缩小具有色偏的输入的去噪后的水下目标图像与预设指标的增强图像之间的特征距离，获得颜色校正后的水下目标图像。
[0073]
其中，在所述生成器中引入自正则化的感知损失方式来约束具有色偏的输入的去噪后的水下目标图像与预设指标的增强图像之间的特征距离。
[0074]
上述技术方案的工作原理为：首先，将所述去噪后的水下目标图像输入至生成器；其中，所述生成器是以自正则注意力图机制为导向的网络作为的生成器；然后，在所述生成器利用感知损失方式缩小具有色偏的输入的去噪后的水下目标图像与预设指标的增强图像之间的特征距离，获得颜色校正后的水下目标图像。
[0075]
上述技术方案的效果为：在每个增强网络中都引入了最新的注意力机制，让网络能自动判别特征通道的重要性，能有效的去除水下噪声，校正水下偏色图像以及去除运动模糊，还原水下场景中目标物体的原有色彩和纹理细节，起到对水下图像的增强效果。
[0076]
本发明的一个实施例，利用运动模糊校正网络对所述颜色校正后的水下目标图像进行图像增强，获得增强后的水下目标图像，包括：
[0077]
s301、通过卷积层对所述颜色校正后的水下目标图像进行特征提取，获得所述颜色校正后的水下目标图像对应的图像特征；
[0078]
s302、将所述图像特征输入至反卷积层，并通过所述反卷积层进行图像恢复，获取增强后的水下目标图像。
[0079]
上述技术方案的工作原理为：首先，通过卷积层对所述颜色校正后的水下目标图像进行特征提取，获得所述颜色校正后的水下目标图像对应的图像特征；然后，将所述图像特征输入至反卷积层，并通过所述反卷积层进行图像恢复，获取增强后的水下目标图像。
[0080]
上述技术方案的效果为：在每个增强网络中都引入了最新的注意力机制，让网络能自动判别特征通道的重要性，能有效的去除水下噪声，校正水下偏色图像以及去除运动模糊，还原水下场景中目标物体的原有色彩和纹理细节，起到对水下图像的增强效果。
[0081]
本发明实施例提出了一种基于深度学习的水下目标图像检测系统，如图2所示，所述水下目标图像检测系统包括：
[0082]
去噪处理模块，用于利用所述图像去噪网络结构对所述水下目标图像进行去噪处理，获取去噪后的水下目标图像；
[0083]
颜色校正模块，用于利用颜色校正网络对所述去噪后的水下目标图像进行颜色校正，获得颜色校正后的水下目标图像；
[0084]
图像增强模块，用于利用运动模糊校正网络对所述颜色校正后的水下目标图像进行图像增强，获得增强后的水下目标图像。其中，所述运动模糊校正网络包括三个子网络，每个所述子网络的结构相同；其中，所述子网络包括六个卷积层、两个全连接层和一个长短期记忆(lstm)，每个卷积层的卷积核大小为5，步长为1。因为对于去模糊的任务，接收场需要很大以处理剧烈的运动。
[0085]
上述技术方案的工作原理为：首先，通过去噪处理模块利用所述图像去噪网络结构对所述水下目标图像进行去噪处理，获取去噪后的水下目标图像；然后，通过颜色校正模块利用颜色校正网络对所述去噪后的水下目标图像进行颜色校正，获得颜色校正后的水下目标图像；最后，采用图像增强模块利用运动模糊校正网络对所述颜色校正后的水下目标图像进行图像增强，获得增强后的水下目标图像。其中，所述运动模糊校正网络包括三个子网络，每个所述子网络的结构相同；其中，所述子网络包括六个卷积层、两个全连接层和一个长短期记忆(lstm)，每个卷积层的卷积核大小为5，步长为1。因为对于去模糊的任务，接收场需要很大以处理剧烈的运动。
[0086]
上述技术方案的效果为：本实施例提出的一种基于深度学习的水下目标图像检测系统在每个增强网络中都引入了最新的注意力机制，让网络能自动判别特征通道的重要性，能有效的去除水下噪声，校正水下偏色图像以及去除运动模糊，还原水下场景中目标物体的原有色彩和纹理细节，起到对水下图像的增强效果。
[0087]
本发明的一个实施例，所述去噪处理模块包括：
[0088]
特征提取模块，用于使用一个卷积和两个空心卷积从输入中提取所述水下目标图像检测的特征图；其中，所述空心卷积可以扩大感受野，使每个卷积输出包含更大范围信息的特征图。
[0089]
调整学习模块，用于根据所述特征图使用包含两个卷积层的残差块来特征学习；其中，使用残差结构可以降低低频信息的传播。
[0090]
重建模块，用于利用一个卷积生成特征注意力的残差网络来对所述水下目标图像进行重建，获取重建图像，其中，所述重建图像即为所述去噪后的水下目标图像。
[0091]
其中，所述图像去噪网络结构包括一个卷积及两个空心卷积、包含两个卷积层的残差块和一个生成特征注意力的残差网络的卷积。
[0092]
上述技术方案的工作原理为：首先，利用特征提取模块使用一个卷积和两个空心卷积从输入中提取所述水下目标图像检测的特征图；其中，所述空心卷积可以扩大感受野，使每个卷积输出包含更大范围信息的特征图。然后，利用调整学习模块根据所述特征图使用包含两个卷积层的残差块来特征学习；其中，使用残差结构可以降低低频信息的传播。最后，通过重建模块利用一个卷积生成特征注意力的残差网络来对所述水下目标图像进行重建，获取重建图像，其中，所述重建图像即为所述去噪后的水下目标图像。
[0093]
上述技术方案的效果为：在每个增强网络中都引入了最新的注意力机制，让网络能自动判别特征通道的重要性，能有效的去除水下噪声，校正水下偏色图像以及去除运动模糊，还原水下场景中目标物体的原有色彩和纹理细节，起到对水下图像的增强效果。
[0094]
本发明的一个实施例，所述颜色校正模块包括：
[0095]
输入模块，用于将所述去噪后的水下目标图像输入至生成器；其中，所述生成器是以自正则注意力图机制为导向的网络作为的生成器；
[0096]
缩小距离模块，用于在所述生成器利用感知损失方式缩小具有色偏的输入的去噪后的水下目标图像与预设指标的增强图像之间的特征距离，获得颜色校正后的水下目标图像。
[0097]
其中，在所述生成器中引入自正则化的感知损失方式来约束具有色偏的输入的去噪后的水下目标图像与预设指标的增强图像之间的特征距离。
[0098]
上述技术方案的工作原理为：首先，通过输入模块将所述去噪后的水下目标图像输入至生成器；其中，所述生成器是以自正则注意力图机制为导向的网络作为的生成器；然后，利用缩小距离模块在所述生成器利用感知损失方式缩小具有色偏的输入的去噪后的水下目标图像与预设指标的增强图像之间的特征距离，获得颜色校正后的水下目标图像。其中，在所述生成器中引入自正则化的感知损失方式来约束具有色偏的输入的去噪后的水下目标图像与预设指标的增强图像之间的特征距离。
[0099]
上述技术方案的效果为：在每个增强网络中都引入了最新的注意力机制，让网络能自动判别特征通道的重要性，能有效的去除水下噪声，校正水下偏色图像以及去除运动模糊，还原水下场景中目标物体的原有色彩和纹理细节，起到对水下图像的增强效果。
[0100]
本发明的一个实施例，所述图像增强模块包括：
[0101]
特征提取模块，用于通过卷积层对所述颜色校正后的水下目标图像进行特征提取，获得所述颜色校正后的水下目标图像对应的图像特征；
[0102]
图像恢复模块，用于将所述图像特征输入至反卷积层，并通过所述反卷积层进行图像恢复，获取增强后的水下目标图像。
[0103]
上述技术方案的工作原理为：首先，利用特征提取模块通过卷积层对所述颜色校正后的水下目标图像进行特征提取，获得所述颜色校正后的水下目标图像对应的图像特征；然后，通过图像恢复模块将所述图像特征输入至反卷积层，并通过所述反卷积层进行图像恢复，获取增强后的水下目标图像。
[0104]
上述技术方案的效果为：在每个增强网络中都引入了最新的注意力机制，让网络能自动判别特征通道的重要性，能有效的去除水下噪声，校正水下偏色图像以及去除运动模糊，还原水下场景中目标物体的原有色彩和纹理细节，起到对水下图像的增强效果。
[0105]
本发明的一个实施例，所述图像增强模块包括：
[0106]
在得到增强后的水下目标图像后，会根据增强后的水下目标图像以及最原始的水下目标图像进行像素比对，得到增强前后两个图像的整体像素对比值以及横纵像素对比值，根据所述增强前后两个图像的整体像素对比值以及横纵像素对比值，控制所述增强后的水下目标图像是否需要还原成原始图像，以确保图像在增强程度不大的情况下确保图像的真实性，其具体步骤包括，
[0107]
步骤a1：利用公式(1)根据增强后的水下目标图像以及最原始的水下目标图像进
行像素比对，得到增强前后两个图像的整体像素对比值
[0108][0109]
其中μq表示增强前后两个图像的整体像素对比值；h
′
(i,j)表示增强后的水下目标图像的图像矩阵中第i行第j列像素点的像素值；h(i,j)表示最原始的水下目标图像的图像矩阵中第i行第j列像素点的像素值；m表示图像矩阵中任意一行像素点的总个数；n表示图像矩阵中任意一列像素点的总个数；||表示求取绝对值；h
max
表示所述像素值可取到的最大值；
[0110]
步骤a2：利用公式(2)根据增强后的水下目标图像以及最原始的水下目标图像进行像素比对，得到增强前后两个图像的横纵像素对比值
[0111][0112]
其中μz表示增强前后两个图像的纵像素对比值；μ
l
表示增强前后两个图像的横像素对比值；
[0113]
步骤a3：利用公式(3)根据所述增强前后两个图像的整体像素对比值以及横纵像素对比值，控制所述增强后的水下目标图像是否需要还原成原始图像
[0114][0115]
其中e表示所述增强后的水下目标图像还原成原始图像的控制值；表示将i的值从1取值到n，将j的值从1取值到m代入到h
′
(i,j)中得到h
′
(i,j)的最小值；
[0116]
若e＝0，则控制所述增强后的水下目标图像保持当前图像数据状态；
[0117]
若e＝1，则控制所述增强后的水下目标图像还原成原始图像。
[0118]
上述技术方案的有益效果是：利用步骤a1的公式(1)根据增强后的水下目标图像以及最原始的水下目标图像进行像素比对，得到增强前后两个图像的整体像素对比值，从而知晓两个图像之间的变化关系，进而知晓图像的增强效果；然后利用步骤a2的公式(2)根据增强后的水下目标图像以及最原始的水下目标图像进行像素比对，得到增强前后两个图像的横纵像素对比值，从而从多角度多方向添加增强前后两个图像的对比结果，便于后续判断和控制的准确性；最后利用步骤a3的公式(3)根据所述增强前后两个图像的整体像素对比值以及横纵像素对比值，控制所述增强后的水下目标图像是否需要还原成原始图像，从而确保图像在增强程度不大的情况下确保图像的真实性。
[0119]
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

技术特征：
1.一种基于深度学习的水下目标图像检测方法，其特征在于，所述水下目标图像检测方法包括：利用所述图像去噪网络结构对所述水下目标图像进行去噪处理，获取去噪后的水下目标图像；利用颜色校正网络对所述去噪后的水下目标图像进行颜色校正，获得颜色校正后的水下目标图像；利用运动模糊校正网络对所述颜色校正后的水下目标图像进行图像增强，获得增强后的水下目标图像。2.根据权利要求1所述水下目标图像检测方法，其特征在于，利用所述图像去噪网络结构对所述水下目标图像进行去噪处理，获取去噪后的水下目标图像，包括：使用一个卷积和两个空心卷积从输入中提取所述水下目标图像检测的特征图；根据所述特征图使用包含两个卷积层的残差块来特征学习；利用一个卷积生成特征注意力的残差网络来对所述水下目标图像进行重建，获取重建图像，其中，所述重建图像即为所述去噪后的水下目标图像。3.根据权利要求1所述水下目标图像检测方法，其特征在于，利用颜色校正网络对所述去噪后的水下目标图像进行颜色校正，获得颜色校正后的水下目标图像，包括：将所述去噪后的水下目标图像输入至生成器；在所述生成器利用感知损失方式缩小具有色偏的输入的去噪后的水下目标图像与预设指标的增强图像之间的特征距离，获得颜色校正后的水下目标图像。4.根据权利要求1所述水下目标图像检测方法，其特征在于，所述运动模糊校正网络包括三个子网络，每个所述子网络的结构相同；其中，所述子网络包括六个卷积层、两个全连接层和一个长短期记忆(lstm)，每个卷积层的卷积核大小为5，步长为1。5.根据权利要求1所述水下目标图像检测方法，其特征在于，利用运动模糊校正网络对所述颜色校正后的水下目标图像进行图像增强，获得增强后的水下目标图像，包括：通过卷积层对所述颜色校正后的水下目标图像进行特征提取，获得所述颜色校正后的水下目标图像对应的图像特征；将所述图像特征输入至反卷积层，并通过所述反卷积层进行图像恢复，获取增强后的水下目标图像。6.一种基于深度学习的水下目标图像检测系统，其特征在于，所述水下目标图像检测系统包括：去噪处理模块，用于利用所述图像去噪网络结构对所述水下目标图像进行去噪处理，获取去噪后的水下目标图像；颜色校正模块，用于利用颜色校正网络对所述去噪后的水下目标图像进行颜色校正，获得颜色校正后的水下目标图像；图像增强模块，用于利用运动模糊校正网络对所述颜色校正后的水下目标图像进行图像增强，获得增强后的水下目标图像；其中，所述图像增强模块包括：特征提取模块，用于通过卷积层对所述颜色校正后的水下目标图像进行特征提取，获得所述颜色校正后的水下目标图像对应的图像特征；
图像恢复模块，用于将所述图像特征输入至反卷积层，并通过所述反卷积层进行图像恢复，获取增强后的水下目标图像。7.根据权利要求6所述水下目标图像检测系统，其特征在于，所述去噪处理模块包括：特征提取模块，用于使用一个卷积和两个空心卷积从输入中提取所述水下目标图像检测的特征图；调整学习模块，用于根据所述特征图使用包含两个卷积层的残差块来特征学习；重建模块，用于利用一个卷积生成特征注意力的残差网络来对所述水下目标图像进行重建，获取重建图像，其中，所述重建图像即为所述去噪后的水下目标图像。8.根据权利要求6所述水下目标图像检测系统，其特征在于，所述颜色校正模块包括：输入模块，用于将所述去噪后的水下目标图像输入至生成器；缩小距离模块，用于在所述生成器利用感知损失方式缩小具有色偏的输入的去噪后的水下目标图像与预设指标的增强图像之间的特征距离，获得颜色校正后的水下目标图像。9.根据权利要求6所述水下目标图像检测系统，其特征在于，所述运动模糊校正网络包括三个子网络，每个所述子网络的结构相同；其中，所述子网络包括六个卷积层、两个全连接层和一个长短期记忆，每个卷积层的卷积核大小为5，步长为1。10.根据权利要求6所述水下目标图像检测系统，其特征在于，所述图像增强模块包括：在得到增强后的水下目标图像后，会根据增强后的水下目标图像以及最原始的水下目标图像进行像素比对，得到增强前后两个图像的整体像素对比值以及横纵像素对比值，根据所述增强前后两个图像的整体像素对比值以及横纵像素对比值，控制所述增强后的水下目标图像是否需要还原成原始图像，以确保图像在增强程度不大的情况下确保图像的真实性，其具体步骤包括，步骤a1：利用公式(1)根据增强后的水下目标图像以及最原始的水下目标图像进行像素比对，得到增强前后两个图像的整体像素对比值其中μ
q
表示增强前后两个图像的整体像素对比值；h
′
(i,j)表示增强后的水下目标图像的图像矩阵中第i行第j列像素点的像素值；h(i,j)表示最原始的水下目标图像的图像矩阵中第i行第j列像素点的像素值；m表示图像矩阵中任意一行像素点的总个数；n表示图像矩阵中任意一列像素点的总个数；||表示求取绝对值；h
max
表示所述像素值可取到的最大值；步骤a2：利用公式(2)根据增强后的水下目标图像以及最原始的水下目标图像进行像素比对，得到增强前后两个图像的横纵像素对比值其中μ
z
表示增强前后两个图像的纵像素对比值；μ
l
表示增强前后两个图像的横像素对比值；步骤a3：利用公式(3)根据所述增强前后两个图像的整体像素对比值以及横纵像素对
比值，控制所述增强后的水下目标图像是否需要还原成原始图像其中e表示所述增强后的水下目标图像还原成原始图像的控制值；表示将i的值从1取值到n，将j的值从1取值到m代入到h
′
(i,j)中得到h
′
(i,j)的最小值；若e＝0，则控制所述增强后的水下目标图像保持当前图像数据状态；若e＝1，则控制所述增强后的水下目标图像还原成原始图像。

技术总结
本发明提出了一种基于深度学习的水下目标图像检测方法和系统。所述水下目标图像检测方法包括利用所述图像去噪网络结构对所述水下目标图像进行去噪处理，获取去噪后的水下目标图像；利用颜色校正网络对所述去噪后的水下目标图像进行颜色校正，获得颜色校正后的水下目标图像；利用运动模糊校正网络对所述颜色校正后的水下目标图像进行图像增强，获得增强后的水下目标图像。所述系统包括与所述方法步骤对应的模块。对应的模块。对应的模块。


技术研发人员：兰雨晴 余丹 张洁 张志敏
受保护的技术使用者：慧之安信息技术股份有限公司
技术研发日：2022.12.20
技术公布日：2023/9/23