基于残余退化自引导网络的无掩膜海洋雪去除方法

本发明涉及图像处理，尤其涉及基于残余退化自引导网络的无掩膜海洋雪去除方法。

背景技术：

1、水下图像经常受到海洋雪退化影响，海洋雪主要由水体中的悬浮有机颗粒和无机颗粒造成。这些颗粒在采集图像中表现为亮斑、絮状遮挡、半透明薄幕状伪影以及类似运动的条纹。海洋雪不仅会降低图像可见度和对比度，还会遮挡重要的场景结构，从而进一步影响下游水下视觉任务，例如目标检测、跟踪、导航和环境监测。因此，从水下图像中去除海洋雪是水下图像恢复中的一个重要问题。

2、实际上，海洋雪的形态和浓度随水深、洋流、生物活动等因素发生剧烈变化：小尺度颗粒可能呈现为孤立的高亮斑点，大尺度絮状物则可覆盖较大区域并形成半透明薄雾，甚至在动态水体中产生拖尾条纹。这种异质性使得退化模式在空间域和强度域均具有高度不确定性，给传统滤波或统计建模方法带来极大挑战。此外，海洋雪对不同波段光的散射和吸收特性不同，导致退化在红、绿、蓝通道上分布不均，进一步增加了恢复难度。因此，设计一种能够自适应处理多样化退化模式的去除方法，成为水下图像预处理的关键需求。

3、然而，大多数现有基于学习的方法仍然依赖较强的监督信息，例如成对的干净图像或显式海洋雪掩膜。尽管掩膜引导方法能够为识别海洋雪颗粒提供有用的空间先验，但在真实水下场景中，精确海洋雪掩膜既难以获得，获取成本也很高。海洋雪通常具有多样化外观，包括小颗粒、大面积絮状区域以及半透明模糊，这使得人工标注具有很强的歧义性并且极其耗时。此外，不准确的掩膜还可能误导恢复网络，导致残留伪影或背景细节过度平滑。

4、具体而言，标注海洋雪掩膜需要专业水下影像知识，标注者需在像素级分辨哪些区域属于退化颗粒、哪些属于背景纹理或生物体，这一过程不仅主观性强，而且不同标注者之间的一致性较低。即便采用半自动标注工具，海洋雪与背景边缘的模糊过渡也使得边界界定异常困难。更为关键的是，当海洋雪密度较高或与背景结构重叠时，即便人工也难以准确判断遮挡程度，因此标注的掩膜往往含有漏标或误标，这类噪声掩膜在训练中会强制网络学习错误的注意力分布，反而损害恢复质量。考虑到真实水下作业中获取大量高质量配对掩膜几乎不可行，开发一种不依赖外部掩膜、仅凭退化图像自身信息驱动的自监督或自引导方法，对于实际部署具有显著优势。

技术实现思路

1、本发明提供基于残余退化自引导网络的无掩膜海洋雪去除方法，解决的技术问题在于：如何在无需人工标注海洋雪掩膜的情况下，实现异质海洋雪的自适应去除并同时保持背景结构清晰。

2、为解决以上技术问题，本发明提供基于残余退化自引导网络的无掩膜海洋雪去除方法，包括：

3、构建残余退化自引导网络并进行训练；所述残余退化自引导网络由粗恢复模块、残余退化先验生成模块和残差引导细化模块级联而成；所述粗恢复模块对原始海洋雪图像执行初步伪影消除处理，获得粗恢复图像；所述残余退化先验生成模块利用所述原始海洋雪图像与所述粗恢复图像之间的逐像素差异，对所述差异进行特征编码和归一化映射，生成表征残余退化空间分布的先验图；所述残差引导细化模块提取所述粗恢复图像的粗略特征，依据所述先验图对所述粗略特征中对应退化区域的部分进行选择性增强，再经解码重建获得最终恢复图像；

4、将待去除海洋雪图像输入训练完成的所述残余退化自引导网络，依次由所述粗恢复模块获得粗恢复图像、由所述残余退化先验生成模块获得先验图、由所述残差引导细化模块重建出最终恢复图像并输出。

5、进一步地，所述粗恢复模块采用编码器-解码器结构，所述编码器对所述原始海洋雪图像依次进行多级卷积和下采样，输出多尺度语义特征；所述解码器对所述多尺度语义特征依次进行上采样和卷积，并将所述编码器各级输出通过跳跃连接与所述解码器对应级特征进行特征融合，输出所述粗恢复图像。

6、进一步地，所述残余退化先验生成模块由差异计算单元和轻量级特征编码单元串联组成；所述差异计算单元对所述原始海洋雪图像与所述粗恢复图像进行逐像素绝对差值运算，输出残差图，所述残差图中高响应区域对应所述粗恢复模块未能消除的残余海洋雪伪影所在位置，低响应区域对应背景结构保持的区域；所述轻量级特征编码单元对所述残差图进行深层空间特征提取和跨像素关联建模，并将提取到的特征归一化后输出所述先验图。

7、进一步地，所述轻量级特征编码单元由多个堆叠的卷积层构成，各所述卷积层后接批归一化层和非线性激活层；所述轻量级特征编码单元的末层卷积层将通道数压缩至一，并通过激活函数将各像素点的取值归一化至区间内，得到所述先验图。

8、进一步地，所述残差引导细化模块由特征提取单元、特征调制单元和解码重建单元级联而成；所述特征提取单元对所述粗恢复图像执行多层卷积变换，得到所述粗略特征；所述特征调制单元先将所述先验图与所述粗略特征进行尺度对齐和维度对齐；再将尺度对齐和维度对齐后的先验图与所述粗略特征进行逐元素协同调制，输出精细化特征；所述解码重建单元对所述精细化特征执行逐步上采样和多级特征融合，映射回图像空间得到所述最终恢复图像。

9、进一步地，所述特征调制单元将所述先验图上采样至与所述粗略特征相同的空间尺寸，得到尺度对齐后的先验图；将所述尺度对齐后的先验图沿通道维度扩展为与所述粗略特征一致后，与调制权重相乘并加1生成逐元素调制系数，再将所述逐元素调制系数与所述粗略特征进行逐元素相乘，得到精细化特征。

10、进一步地，训练所述残余退化自引导网络时，以成对的海洋雪退化图像和对应的干净水下真值图像为训练样本，以所述最终恢复图像与所述真值图像之间的重建损失以及所述粗恢复图像与所述真值图像之间的重建损失构建联合损失函数。

11、进一步地，联合损失函数构建为所述最终恢复图像与所述真值图像之间的重建损失与所述粗恢复图像与所述真值图像之间的重建损失的加权和，所述最终恢复图像与所述真值图像之间的重建损失与所述粗恢复图像与所述真值图像之间的重建损失采用l1损失。

12、本发明提供的基于残余退化自引导网络的无掩膜海洋雪去除方法，其提出了提出一种用于无掩膜海洋雪去除的残余退化自引导网络（rdsnet），rdsnet由粗恢复模块、残余退化先验生成模块以及残差引导细化模块组成。粗恢复模块提供粗恢复图像，残余退化先验生成模块则捕获剩余海洋雪伪影并引导细化过程，生成表征残余退化空间分布的先验图。残差引导细化模块提取粗恢复图像的粗略特征，将先验图与粗略特征进行尺度对齐和维度对齐后对粗略特征中对应退化区域的部分进行选择性增强（对应干净区域的部分保持原特征不变），再经解码重建获得最终恢复图像。不同于依赖显式海洋雪掩膜或额外退化标注的现有方法，rdsnet能够自动从输入海洋雪图像与粗恢复结果之间的残余差异中提取退化感知引导。借助这一自生成的残余退化先验，所提出框架能够自适应地聚焦于剩余退化区域，并在无需掩膜监督的情况下提升恢复质量。

1.基于残余退化自引导网络的无掩膜海洋雪去除方法，其特征在于，包括：

2.根据权利要求1所述的基于残余退化自引导网络的无掩膜海洋雪去除方法，其特征在于：所述粗恢复模块采用编码器-解码器结构，所述编码器对所述原始海洋雪图像依次进行多级卷积和下采样，输出多尺度语义特征；所述解码器对所述多尺度语义特征依次进行上采样和卷积，并将所述编码器各级输出通过跳跃连接与所述解码器对应级特征进行特征融合，输出所述粗恢复图像。

3.根据权利要求1所述的基于残余退化自引导网络的无掩膜海洋雪去除方法，其特征在于：所述残余退化先验生成模块由差异计算单元和轻量级特征编码单元串联组成；所述差异计算单元对所述原始海洋雪图像与所述粗恢复图像进行逐像素绝对差值运算，输出残差图，所述残差图中高响应区域对应所述粗恢复模块未能消除的残余海洋雪伪影所在位置，低响应区域对应背景结构保持的区域；所述轻量级特征编码单元对所述残差图进行深层空间特征提取和跨像素关联建模，并将提取到的特征归一化后输出所述先验图。

4.根据权利要求3所述的基于残余退化自引导网络的无掩膜海洋雪去除方法，其特征在于：所述轻量级特征编码单元由多个堆叠的卷积层构成，各所述卷积层后接批归一化层和非线性激活层；所述轻量级特征编码单元的末层卷积层将通道数压缩至一，并通过激活函数将各像素点的取值归一化至区间内，得到所述先验图。

5.根据权利要求1所述的基于残余退化自引导网络的无掩膜海洋雪去除方法，其特征在于：所述残差引导细化模块由特征提取单元、特征调制单元和解码重建单元级联而成；所述特征提取单元对所述粗恢复图像执行多层卷积变换，得到所述粗略特征；所述特征调制单元先将所述先验图与所述粗略特征进行尺度对齐和维度对齐；再将尺度对齐和维度对齐后的先验图与所述粗略特征进行逐元素协同调制，输出精细化特征；所述解码重建单元对所述精细化特征执行逐步上采样和多级特征融合，映射回图像空间得到所述最终恢复图像。

6.根据权利要求5所述的基于残余退化自引导网络的无掩膜海洋雪去除方法，其特征在于：所述特征调制单元将所述先验图上采样至与所述粗略特征相同的空间尺寸，得到尺度对齐后的先验图；将所述尺度对齐后的先验图沿通道维度扩展为与所述粗略特征一致后，与调制权重相乘并加1生成逐元素调制系数，再将所述逐元素调制系数与所述粗略特征进行逐元素相乘，得到精细化特征。

7.根据权利要求6所述的基于残余退化自引导网络的无掩膜海洋雪去除方法，其特征在于：训练所述残余退化自引导网络时，以成对的海洋雪退化图像和对应的干净水下真值图像为训练样本，以所述最终恢复图像与所述真值图像之间的重建损失以及所述粗恢复图像与所述真值图像之间的重建损失构建联合损失函数。

8.根据权利要求7所述的基于残余退化自引导网络的无掩膜海洋雪去除方法，其特征在于：联合损失函数构建为所述最终恢复图像与所述真值图像之间的重建损失与所述粗恢复图像与所述真值图像之间的重建损失的加权和，所述最终恢复图像与所述真值图像之间的重建损失与所述粗恢复图像与所述真值图像之间的重建损失采用l1损失。