買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉福州大學申請的專利基于CNN的水下圖像增強與復原組合優化方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN116612034B 。

龍圖騰網通過國家知識產權局官網在2025-09-09發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202310624162.1，技術領域涉及：G06T5/73；該發明授權基于CNN的水下圖像增強與復原組合優化方法是由羅偉林;周歡;王鑫城;鄭美城;程中博;陳磊磊;陳震煊設計研發完成，并于2023-05-30向國家知識產權局提交的專利申請。

本基于CNN的水下圖像增強與復原組合優化方法在說明書摘要公布了：本發明涉及一種基于CNN的水下圖像增強與復原組合優化方法，包括：制作數據集；用數據集訓練基于CNN的去霧網絡，得到訓練好的去霧網絡，作為水下去霧模塊中的霧天去霧模塊；將待處理的水下圖像輸入顏色恢復模塊中，水下圖像通過基于CIELab色彩模型的雙通道分離顏色校正算法進行處理，得到顏色校正后的第一圖像；將第一圖像輸入到水下去霧模塊中的霧天去霧模塊，通過去霧網絡進行處理，得到去霧后的第二圖像；將第二圖像輸入到水下去霧模塊中的亮度均衡模塊，通過CLAHE算法對第二圖像的亮度通道進行處理，得到具有更均衡的亮度和更好的對比度的第三圖像，即為水下圖像增強與復原后的圖像。該方法有利于校正水下圖像存在的色偏，提高水下圖像的對比度。

本發明授權基于CNN的水下圖像增強與復原組合優化方法在權利要求書中公布了：1.一種基于CNN的水下圖像增強與復原組合優化方法，其特征在于，通過分模塊進行顏色校正和去模糊，提高水下圖像的整體恢復質量，包括以下步驟： 步驟1、在戶外訓練集深度數據庫的基礎上，提取并制作成用于訓練基于CNN的去霧網絡的數據集； 步驟2、用得到的數據集訓練構建的基于CNN的去霧網絡，得到訓練好的去霧網絡，作為水下去霧模塊中的霧天去霧模塊； 步驟3、將一副待處理的水下圖像輸入顏色恢復模塊中，水下圖像通過基于CIELab色彩模型的雙通道分離顏色校正算法進行處理，得到顏色校正后的第一圖像； 步驟4、將步驟3得到的第一圖像輸入到水下去霧模塊中的霧天去霧模塊，通過基于CNN的去霧網絡進行處理，得到去霧后的第二圖像； 步驟5、將步驟4得到的第二圖像輸入到水下去霧模塊中的亮度均衡模塊，通過CLAHE算法對去霧后的第二圖像的亮度通道進行處理，得到具有更均衡的亮度和更好的對比度的第三圖像，所述第三圖像即為水下圖像增強與復原后的圖像； 基于去霧網絡的霧天去霧模塊與運用CLAHE算法的亮度均衡模塊共同構成水下去霧模塊，通過聯合基于CIELab色彩模型的雙通道分離顏色校正算法的顏色恢復模塊和水下去霧模塊來實現所述水下圖像增強與復原組合優化方法； 所述步驟1中，在戶外訓練集深度數據庫的基礎上通過設置不同的大氣光強Acx和透射率tcx，篩選去除戶外訓練集中背景亮度過高的圖像，得到數據集； 所述步驟2中，構建的基于CNN的去霧網絡主要由主網絡和副網絡組成，副網絡用于分擔訓練量，以縮短主網絡的深度；用數據集訓練去霧網絡的具體方法為： 步驟2-1、將數據集中的圖像輸入去霧網絡，圖像被同時輸入到主網絡與副網絡中； 步驟2-2、對于輸入副網絡的圖像，所述副網絡首先通過三種不同大小的深度可分離卷積與BMU模塊相結合，以獲得更大的接受域，更好地學習輸入圖像的全局信息；然后，所述副網絡進行3×3深度可分離卷積，并使用Sigmoid激活函數壓縮副網絡的結果；最后把得到的三通道特征圖輸出到主網絡，繼續參與主網絡的訓練； 步驟2-3、輸入主網絡的圖像首先通過一個卷積核大小為7×7的深度可分離卷積和基礎注意模塊BAB獲得特征圖一，將特征圖一與副網絡得到的三通道特征圖拼接在一起，再通過一個卷積核大小為5×5的深度可分離卷積和基礎注意模塊BAB得到特征圖二，然后將得到的特征圖二與先前的特征圖一拼接在一起，再通過一個卷積核大小為5×5的深度可分離卷積和基礎注意模塊BAB得到特征圖三，然后將得到的特征圖三與先前的特征圖二拼接在一起，再依次通過通道關注模塊CA、像素關注模塊PA和一個卷積核大小為3×3的深度可分離卷積，得到特征圖四，然后將得到的特征圖四與原始圖像特征拼接在一起，然后將其傳入金字塔池化模塊PPB，得到最終結果； 步驟2-4、計算得到的最終結果與原始無霧圖像的差值平方的期望值來獲得網絡訓練使用的損失函數為均方誤差；通過觀察MSE值的變化來判斷網絡訓練的程度，MSE值越大表明網絡所能達到的處理效果相對越差；通過最小化最終結果與對應的無霧真實圖像之間的損耗，學習有霧圖像與對應清晰圖像之間的映射關系；為了避免訓練后的網絡泛化能力變差和過擬合情況發生，在每個Epoch結束后加入驗證過程；如果在驗證過程中MSE上升，即使網絡繼續訓練能夠使得訓練過程的MSE值下降網絡也終止訓練，并保存訓練好的網絡參數，得到訓練好的去霧網絡； 所述金字塔池化模塊PPB通過對傳入的特征層進行尺度為4×4、8×8、16×16和32×32的全局平均池化，構建一個四尺度的池化金字塔；每個尺度池化后，特征圖都經過一個1×1的卷積操作，進行跨層間通道的信息整合，然后再經過一個上采樣恢復特征圖到原先輸入時的尺寸大小；最后將金字塔池化前后的特征圖拼接起來，再添加一個3×3的卷積來對齊特征圖； 所述步驟3具體包括以下步驟： 步驟3-1、將輸入的圖像從RGB圖像轉換為CIELab圖像； 步驟3-2、分別求取通道a和b的中位數的通道值Ma和Mb； 步驟3-3、將通道值Ma和Mb與校正點顏色通道中間位置做差計算，得到校正值offset1和offset2，其計算公式為： Offset1＝128-Ma Ofset2＝128-Mb 步驟3-4、將a通道值fa和b通道值fb分別加上各自通道的校正值，得到處理后的a通道值fa’和b通道值fb’，其計算公式為： fa′＝fa+Ofset1 fb'＝fb+Ofset2 步驟3-5、將處理后的Lab圖像轉換為RGB圖像輸出，得到顏色平衡后的圖像； 所述步驟5具體包括以下步驟： 步驟5-1、將輸入圖像劃分為大小相等且不重疊的子圖像，每個子圖像含有M×M個像素； 步驟5-2、繪制每個子圖像的直方圖； 步驟5-3、通過對比度限制值ContrastLimit來確定子圖像剪切閾值ClipLimit的大小，ClipLimit大小等于ContrastLimit與子圖像的灰度值均值的乘積； 步驟5-4、對每個子圖像，對子圖像中灰度值超過閾值ClipLimit的像素進行重新分配； 步驟5-5、對每個子圖像進行直方圖均衡； 步驟5-6、重構子圖像中像素的灰度值。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人福州大學，其通訊地址為：350108 福建省福州市閩侯縣福州大學城烏龍江北大道2號福州大學；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。