买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉福州大学申请的专利多尺度非成对水下图像增强方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115880176B 。

龙图腾网通过国家知识产权局官网在2025-07-01发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211600609.3，技术领域涉及：G06T5/90；该发明授权多尺度非成对水下图像增强方法是由牛玉贞;张凌昕;张博林设计研发完成，并于2022-12-12向国家知识产权局提交的专利申请。

本多尺度非成对水下图像增强方法在说明书摘要公布了：本发明提出一种多尺度非成对水下图像增强方法，包括以下步骤：步骤S1：将待训练的非成对数据进行数据预处理、数据增强和归一化处理；步骤S2：设计多尺度水下图像增强网络；步骤S3：搭建循环生成对抗网络结构，与多尺度水下图像质量增强网络结合得到多尺度非成对水下图像增强网络；步骤S4：设计用于训练非成对水下图像增强网络的目标损失函数；步骤S5：使用非成对的图像训练多尺度非成对水下图像增强网络收敛到纳什平衡；步骤S6：将待增强水下图像进行归一化处理，然后输入训练好的水下图像增强模型，输出增强图像。本发明能对水下图像进行增强，运用非成对水下图像进行模型训练，解决水下图像失真问题。

本发明授权多尺度非成对水下图像增强方法在权利要求书中公布了：1.一种多尺度非成对水下图像增强方法，其特征在于： 步骤S1：将待训练的非成对数据进行数据预处理、数据增强和归一化处理； 步骤S2：设计多尺度水下图像增强网络，采用编码器解码器结构，在编码器部分使用细节保持模块对特征进行细节保持，并为编码器多个不同尺度的输出特征使用注意力增强子网络对其进行增强处理后与解码器进行连接； 步骤S3：搭建循环生成对抗网络结构，与多尺度水下图像质量增强网络结合得到多尺度非成对水下图像增强网络； 步骤S4：设计用于训练非成对水下图像增强网络的目标损失函数； 步骤S5：使用非成对的图像训练多尺度非成对水下图像增强网络收敛到纳什平衡； 步骤S6：将待增强水下图像进行归一化处理，然后输入训练好的水下图像增强模型，输出增强图像； 步骤S2具体包括以下步骤： 步骤S21：设计多尺度水下图像增强网络：多尺度水下图像质量增强网络由一个编码器网络和一个解码器网络组成，并为编码器多个不同尺度的输出特征使用注意力增强子网络对其进行增强后与解码器连接，并其他不使用注意力增强子网络的编码器输出特征直接与解码器进行连接； 编码器由7个降采样层和2个细节保持模块组成，细节保持模块分别位于第3和6层降采样层之后，并对编码器的第2、4、6层降采样层输出特征使用注意力增强子网络以进行增强处理，之后与解码器中的对应层进行连接，编码器第1、3、5、7层的降采样层输出特征直接与解码器中的对应层进行连接；每个降采样层由一个激活函数、一个归一化层、一个2×2的卷积串联组成；计算公式如下： Xeo＝ReLUConvNormXei 其中，Xeo表示降采样层的输出特征，Xei表示降采样层的输入特征，ReLU表示激活函数，Conv表示卷积，Norm表示归一化层； 解码器由7个上采样层组成；每个上采样层由一个激活函数、一个归一化层、一个2×2的反卷积串联组成；计算公式如下： Xdo＝ReLUTranConvNormXdi 其中，Xdo表示上采样层的输出特征，Xdi表示上采样层的输入特征，ReLU表示激活函数，TranConv表示反卷积，Norm表示归一化层； 多尺度水下图像增强网络计算公式如下： Xdown1＝DownXni Xdown2＝DownXdown1 Xdown3＝DownXdown2 Xdown4＝DownDRMXdown3 Xdown5＝DownXdown4 Xdown6＝DownXdown5 Xdown7＝DownDRMXdown6 Xdown8＝DownXdown7 Xup1＝ADDUpXdown8,Xdown7 Xup2＝ADDUpXup1,AENXdown6 Xup3＝ADDUpXup2,Xdown5 Xup4＝ADDUpXup3,AENXdown4 Xup5＝ADDUpXup4,Xdown3 Xup6＝ADDUpXup5,AENXdown2 Xno＝ADDUpXup6,Xdown1 其中Xni表示多尺度水下图像增强网络的输入图像，Xno表示多尺度水下图像增强网络的输出图像，Xdown1、Xdown2、Xdown3、Xdown4、Xdown5、Xdown6、Xdown7、Xdown8分别表示第1至第8层的降采样层相应层数的输出特征，Xup1、Xup2、Xup3、Xup4、Xup5、Xup6分别表示第1至第6层的上采样层相应层数的输出特征，Down表示降采样层，Up表示上采样层，DRM表示细节保持模块，AEN表示注意力增强子网络，ADD表示矩阵加法运算； 步骤S22：设计多尺度水下图像增强网络中的细节保持模块：细节保持模块输入特征XRi经过一个通道注意力模块得到特征XSRi，aSRi与XRi相加得到XR1；XR1经过一个归一化层得到特征XNR1，XR1经过一个1×1的卷积得到特征XC1R1，XNR1与XC1R1相加得到XR2；XR2经过一个3×3的卷积得到特征XCR2，XR1经过一个1×1的卷积得到特征XC2R1，XCR2与XC2R1相加得到细节保持模块输出特征XRo，计算公式如下： XR1＝ADDSE_LayerXRi,XRi XR2＝ADDConv1×1XR1,NormXR1 XRo＝ADDConv3×3XR2,Conv1×1XR1 其中，XRi表示细节保持模块的输入特征，XRo表示细节保持模块输出特征，XR1、XR2表示细节保持模块各个阶段的输出特征，SE_Layer表示通道注意力模块，Conv3×3表示内核为3×3卷积，Conv1×1表示内核为1×1卷积，Norm表示归一化层，ADD表示矩阵加法运算； 步骤S23：设计多尺度水下图像增强网络中的注意力增强子网络：注意力增强子网络由一个拓展学习模块串联一个3×3的卷积，一个通道注意力模块，一个3×3的卷积，一个注意力融合模块组成；所述拓展学习模块由三个分支并联组成；第一个分支是一个1×1的卷积，第二个分支由一个1×1的卷积和一个3×3的卷积串联组成，第三个分支由一个1×1的卷积和一个最大池化层串联组成；所述注意力融合模块由一个空间注意力模块残差连接另一个分支组成，该分支由一个通道注意力模块、一个3×3的卷积和另一个通道注意力模块组成；注意力增强子网络公式如下: XA1＝Conv1×1XAi XA2＝Conv3×3Conv1×1XAi XA3＝MaxPoolConv1×1XAi XA4＝Conv3×3SE_LayerConv3×3Cat[XA1,XA2,XA3] XA5＝SE_LayerConv3×3SE_LayerXA4 XAo＝ADDSA_LayerXA5,XA5 其中，XAi表示注意力增强子网络的输入特征，XAo表示注意力增强子网络输出特征，XA1、XA2、XA3、XA4、XA5分别表示注意力增强子网络各个阶段的输出特征，SE_Layer表示通道注意力模块，SA_Layer表示空间注意力模块，Conv3×3表示内核为3×3卷积，Conv1×1表示内核为1×1卷积，Cat[]表示按通道维度进行特征拼接操作，ADD表示矩阵加法运算。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人福州大学，其通讯地址为：350108 福建省福州市闽侯县福州大学城乌龙江北大道2号福州大学；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。