本发明涉及图像处理，尤其是涉及一种基于多通道介质传输先验的水下图像增强方法及设备。
背景技术：
1、水下图像增强是通过计算机技术对退化的水下图像进行处理，提高水下图像的视觉质量(对比度、清晰度、亮度等)。水下图像增强技术主要应用于自动巡航机器人，人们可以通过它观察水下环境、水生生物等。
2、水下成像包含三个要素，分别是直接光、前向散射和后向散射。直接光是水下物体直接反射到摄像机的光线，前向散射是从水下物体反射过来但发生了小角度散射的光线，后向散射是从水下微小物体反射过来的光线，其中前向散射和后向散射会影响水下成像的质量，前向散射会导致水下物体结构模糊，后向散射则会遮住水下物体的细节、纹理和边界。另外，不同波长的光在水中随着深度会发生衰减，其中波长最长的红光衰减的最快，蓝光和绿光则衰减的较慢，这样会导致水下图像呈现出一种蓝绿色调。
3、目前水下图像增强主要有三类方法，分别是传统方法、基于物理模型的方法和基于深度学习的方法。传统方法主要是直接对图像像素进行调整，比如直方图均衡化、图像融合以及retinex等，这些方法处理一些复杂场景时，存在欠增强或过增强。基于物理模型的方法主要是通过物理先验估计物理成像模型中的参数，进而反推模型得到清晰的水下图像，比如暗通道先验、最小信息损失、模糊先验等。但是，这种方法依赖先验知识，一旦估计的参数不准确，容易产生伪影和异常的颜色。同时，这种方法的时间复杂度较高。基于深度学习的方法主要以监督学习为主，网络结构主要基于卷积神经网络，通过学习成对数据集中退化图像和参考图像之间的非线性关系，实现端到端的水下图像增强。然而，现有的大多数方法没有考虑到水下环境的特殊性，它们大多数也适用于自然图像的增强，这也导致它们的泛化能力不强，在处理极端条件场景时，效果不佳。
4、经过检索，中国发明专利公开号cn116863320b公开了一种基于物理模型的水下图像增强方法，包括：获取水下图像，将水下图像输入训练好的水下图像增强模型进行处理，以生成并输出增强图像；其中，所述水下图像增强模型包括基于物理模型引导的生成器和双鉴别器，所述基于物理模型引导的生成器由参数估计子网络和双流交互增强子网络组成；所述参数估计子网络用于根据输入的水下图像，确定物理模型的衰减系数、深度图和传输图，并根据衰减系数和传输图对水下图像进行反演处理，获取颜色增强图像；所述双流交互增强子网络用于根据颜色增强图像和传输图对输入的水下图像进行图像增强处理，获取增强图像；比较原始图像特征和颜色增强图像特征，获取原始图像特征和颜色增强图像特征的特征差；根据传输图，确定区域退化程度；根据特征差和区域退化程度，获取图像增强权重；根据图像增强权重和原始图像特征进行特征解码，获取增强图像。该现有专利存在直接对图像整体进行增强，导致水下图像增强效果不佳的问题。
5、如何实现质量更好、鲁棒性更强的水下图像增强，成为需要解决的技术问题。
技术实现思路
1、本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于多通道介质传输先验的水下图像增强方法及设备。
2、本发明的目的可以通过以下技术方案来实现：
3、根据本发明的一个方面，提供了一种基于多通道介质传输先验的水下图像增强方法，该方法包括：
4、步骤s1、获取水下图像数据集；
5、步骤s2、获取水下图像的深度图；
6、步骤s3、将水下图像的rgb三通道进行分离，结合深度图估计每个通道的介质传输图；
7、步骤s4、根据步骤s3的介质传输图，来构建基于多通道介质传输先验的生成式对抗网络；
8、步骤s5、将步骤s1获取的水下图像数据集输入训练好的生成式对抗网络，实现水下图像自适应增强。
9、优选地，所述的生成式对抗网络将介质传输图作为注意力先验，对每个颜色通道根据通道退化程度不同实现自适应增强。
10、优选地，所述的生成式对抗网络的解码器为五层结构，其中第一层到第四层均包括一个通道注意力模块，一个上采样层和一个介质传输引导模块，第五层为空洞卷积层。
11、更加优选地，所述的介质传输引导模块将经最大池化层后的传输介质图与输入的特征图进行元素级乘法，再进行残差连接，从而实现通道级多尺度自适应增强。
12、优选地，所述的估计每个通道的介质传输图包括：将水下图像的rgb三通道分离，计算每个通道的平均强度，结合深度图估计每个通道对应的介质传输图；
13、根据下面公式估计每个通道的介质传输图：
14、
15、βc＝avg(xc)
16、其中，tc表示单通道介质传输图，d表示深度图，βc表示单通道介质散射系数，avg表示计算均值，xc表示单通道的像素值。
17、优选地，所述的生成式对抗网络的生成器包括三个共享权重的编码器；所述三个共享权重的编码器分别根据各自对应通道成像的差异性，进行自适应通道增强。
18、更加优选地，所述生成式对抗网络的生成器还包括将三个编码器的输出进行整合的融合输出模块，用于输出最后的增强图像，其中融合输出模块包括通道注意力模块、三个连续的空洞卷积层和tanh激活函数层。
19、优选地，获取水下图像的深度图具体为：使用基于深度学习的深度估计方法，估计场景的深度，并使用预训练模型获取水下图像的深度图。
20、优选地，使用组合损失函数训练所述的生成式对抗网络，所述组合损失函数具体为：
21、ltotal＝λ1lsmoothl1+λ2lper+λ3lgdl+λ4ladv
22、其中，lsmoothl1为smoothl1损失，lper为感知损失，lgdl为梯度差异损失，ladv为对抗损失，λ1、λ2、λ3和λ4为超参数。
23、根据本发明的另一个方面，提供了一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现所述的方法。
24、与现有技术相比，本发明具有以下有益效果：
25、1)本发明的生成式对抗网络使用介质传输图作为注意力先验，对rgb三个通道进行分离后，分别对每个颜色通道退化程不同的区域进行相应程度的增强，实现通道级多尺度自适应增强，相比于直接对图像整体进行增强，能够避免多个通道之间相互影响，提高水下图像的增强性能和鲁棒性。
26、2)本发明的编码器使用密集连接层进行特征提取，通过特征复用减少在下采样时产生的信息损失，从而提升增强效果。
27、3)本发明设计组合损失函数来训练生成式对抗网络，对抗学习使得生成图像更加真实，在感知上更接近真实图像的样本，同时也增加了输出结果的稳定性。
1.一种基于多通道介质传输先验的水下图像增强方法，其特征在于，该方法包括：
2.根据权利要求1所述的一种基于多通道介质传输先验的水下图像增强方法，其特征在于，所述的生成式对抗网络将介质传输图作为注意力先验，对每个颜色通道根据通道退化程度不同实现自适应增强。
3.根据权利要求1所述的一种基于多通道介质传输先验的水下图像增强方法，其特征在于，所述的生成式对抗网络的解码器为五层结构，其中第一层到第四层均包括一个通道注意力模块，一个上采样层和一个介质传输引导模块，第五层为空洞卷积层。
4.根据权利要求3所述的一种基于多通道介质传输先验的水下图像增强方法，其特征在于，所述的介质传输引导模块将经最大池化层后的传输介质图与输入的特征图进行元素级乘法，再进行残差连接，从而实现通道级多尺度自适应增强。
5.根据权利要求1所述的一种基于多通道介质传输先验的水下图像增强方法，其特征在于，所述的估计每个通道的介质传输图包括：将水下图像的rgb三通道分离，计算每个通道的平均强度，结合深度图估计每个通道对应的介质传输图；
6.根据权利要求1所述的一种基于多通道介质传输先验的水下图像增强方法，其特征在于，所述的生成式对抗网络的生成器包括三个共享权重的编码器；所述三个共享权重的编码器分别根据各自对应通道成像的差异性，进行自适应通道增强。
7.根据权利要求6所述的一种基于多通道介质传输先验的水下图像增强方法，其特征在于，所述生成式对抗网络的生成器还包括将三个编码器的输出进行整合的融合输出模块，用于输出最后的增强图像，其中融合输出模块包括通道注意力模块、三个连续的空洞卷积层和tanh激活函数层。
8.根据权利要求1所述的一种基于多通道介质传输先验的水下图像增强方法，其特征在于，获取水下图像的深度图具体为：使用基于深度学习的深度估计方法，估计场景的深度，并使用预训练模型获取水下图像的深度图。
9.根据权利要求1所述的一种基于多通道介质传输先验的水下图像增强方法，其特征在于，使用组合损失函数训练所述的生成式对抗网络，所述组合损失函数具体为：
10.一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1～9中任一项所述的方法。
