本发明属于目标感知增强领域，具体涉及一种基于目标域观测信息引导的水下目标感知增强方法。
背景技术：
1、在领域先验知识或数据信息的监督下，当前算法在源域(训练集)内具有良好的感知质量增强性能。在实际应用中，目标域(作业环境)的多样性是影响视觉任务性能和精度的重要因素。当源域与目标域存在质量差异时，不满足同分布假设，使得基于源域训练的增强模式难以作用于目标域，导致不适定的增强结果。
2、为提高对不同衰减条件水下目标域的适应性，本发明提出了一种基于目标域观测信息引导水下目标感知质量增强方法。首先考虑到不同类型水体衰减特征的差异，建立不同衰减特征的语义标签。其次针对目标域衰减信息缺少高维度语义标签问题，基于聚类技术建立衰减标签生成器与响应器，用于引导增强模型。然后在模型层面设计响应不同语义标签的增强模式，并在数据层面建立不同语义标签对应的参考真值，丰富源域信息以响应不同衰减特征。最后在目标域衰减信息的引导下，增强方法能够显著地提升交叉域增强效果，并提高目标域增强图像的实际应用价值。
技术实现思路
1、(一)要解决的技术问题
2、本发明要解决的技术问题是如何提供一种基于目标域观测信息引导的水下目标感知增强方法，以解决由目标域与源域之间的质量差异导致的不适定增强问题。
3、(二)技术方案
4、为了解决上述技术问题，本发明提出一种基于目标域观测信息引导的水下目标感知增强方法，该方法包括如下步骤：
5、s1、衰减特征建立步骤：针对不同类型水体的衰减特征差异，建立模糊衰减、强衰减以及多重衰减特征的语义标签；
6、s2、不同衰减特征的参考真值生成步骤：将参考真值数据集进行不同特征的提取，得到不同衰减特征对应的参考真值，在数据层面丰富源域信息；
7、s3、低质数据生成步骤：将参考真值数据集进行上下文特征退化与纹理特征退化处理，得到低质量的数据集；
8、s4、训练数据生成步骤：将纹理特征衰减的数据集进行不同特征提取处理，得到不同衰减特征对应的纹理特征增强结果，用于对数据进行特定于目标场景的特征提取；
9、s5、多头解码模型训练步骤：在训练过程中，以数据增强的方式实现特征提取模型与多头解码模型在算法层面的紧密连接，在训练过程中，使用l1-范数作为损失函数进行训练；
10、s6、衰减特征伪标签建立步骤。将训练数据进行聚类，建立衰减特征的先验分布，统计其主要衰减特征并生成伪标签，用于描述目标域观测输入的衰减特征；
11、s7、观测信息提取步骤：建立衰减特征生成器，用以根据目标域的衰减特征输出衰减特征标签；
12、s8、衰减特征响应步骤：基于多聚焦图像融合技术建立衰减标签响应器，用于生成图像并融合显著的纹理特征，输出感知质量增强结果。
13、(三)有益效果
14、本发明提出一种基于目标域观测信息引导的水下目标感知增强方法，本发明提出的基于目标域观测信息引导的水下目标感知增强方法，能够解决由目标域与源域之间的质量差异造成的不适定增强问题。本发明通过将目标域图像的衰减特征作为语义标签，引导源域模型生成并融合显著的纹理特征和上下文特征，实现了不同衰减条件下水下图像的适定增强，在水下目标检测、重点对象感知、自主感知机器人等领域中具有重要的应用价值。
15、本发明提出的方法将目标域图像的衰减特征作为语义标签，能够引导源域增强模型生成图像并融合显著的纹理特征，实现了不同衰减条件下水下观测目标感知质量的适定增强，提升了视觉系统的作业性能，在水下目标检测、重点对象感知、自主感知机器人等领域中具有重要的应用价值。
1.一种基于目标域观测信息引导的水下目标感知增强方法，其特征在于，该方法包括如下步骤：
2.如权利要求1所述的基于目标域观测信息引导的水下目标感知增强方法，其特征在于，所述s1包括：将训练数据中不同像素强度的数据进行标记，其中：ii→0的强衰减数据标记为l1，ii→1的模糊衰减数据标记为l2，0<ii<1的多重衰减数据标记为l3，即：
3.如权利要求1所述的基于目标域观测信息引导的水下目标感知增强方法，其特征在于，所述s2包括：由原始的参考真值数据y基于特征提取模型ff进行特征提取，得到不同衰减特征对应的参考真值，在数据层面丰富源域信息，即ff：y→{yl1，yl2，yl3}：首先，将y经过t1映射到对偶空间；然后，在对偶空间中对标签l1的数据进行归一化运算layernorm以提升强衰减图像中潜在的纹理表征，对标签l2、l3的数据进行retinex运算fretinex以增强模糊衰减、多重衰减图像中模糊的纹理细节；随后，同时进行多尺度特征融合运算ffusion，并进行对偶逆映射t2，将数据映射回rgb空间；而后，对标签l1、l3的数据在rgb空间中再进行retinex运算fretinex，以避免伪影噪声的产生；最终，输出数据集{yl1，yl2，yl3}。
4.如权利要求3所述的基于目标域观测信息引导的水下目标感知增强方法，其特征在于，所述s3包括：用x∈{x1∪x2}表示低质量数据集，其中：x1由数据集y1经过纹理特征退化器计算g1生成得到，其中y1∈y；x2由数据集y2经过上下文特征退化器g2生成得到，其中y2∈y。
5.如权利要求4所述的基于目标域观测信息引导的水下目标感知增强方法，其特征在于，所述s4包括：将纹理特征衰减的数据集x1基于特征提取模型ff进行不同特征提取，得到不同衰减特征对应的纹理特征增强结果；即有ff：x1→x’1＝{x’1:l1，x’1:l2，x’1:l3}、x’1∈{x’1:l1，x’1:l2，x’1:l3}。
6.如权利要求5所述的基于目标域观测信息引导的水下目标感知增强方法，其特征在于，所述s5包括：将数据集{x2∪x’1}输入给多头解码模型fd:li(fe)，得到预测输出，则有fd:li(fe)：x’1→p1:li，fd:li(fe)：x2→p2:li；
7.如权利要求6所述的基于目标域观测信息引导的水下目标感知增强方法，其特征在于，所述s6包括：将源域数据集{x2∪x’1}基于聚类算法建立衰减特征的先验分布[ρ1，ρ2，...，ρn]，聚类算法的k值设置为3；统计其主要衰减特征并生成伪标签{label1、label2、…、labeln}，用以描述目标域水下图像iin的衰减特征lin，其中n表示源域图像数量。
8.如权利要求7所述的基于目标域观测信息引导的水下目标感知增强方法，其特征在于，所述s7包括：在执行目标域水下图像的增强任务时，衰减标签响应器gd基于聚类算法提取iin的衰减特征分布并在伪标签分布[ρ1，ρ2，...，ρn]中使用knn检索并标记与分布偏差最小的三个先验分布ρi，并根据其显著性将iin的衰减特征lin标记为衰减类型labeli，labeli∈{l1、l2、l3}。
9.如权利要求8所述的基于目标域观测信息引导的水下目标感知增强方法，其特征在于，聚类算法为k-means聚类算法。
10.如权利要求8所述的基于目标域观测信息引导的水下目标感知增强方法，其特征在于，所述s8包括：首先衰减标签响应器gr根据iin的标签lin，将对应训练好的模型ff、编码器fe、解码器fd:li输出的图像id:li标记为融合底版，然后基于显著焦点原理提取其余解码器输出图像的纹理特征，最后执行多聚焦融合得到增强结果ioutput。
