一种基于孪生神经网络的偏振差分成像方法技术

本发明专利技术公开了一种基于孪生神经网络的偏振差分成像方法，属于计算成像领域。传统主动偏振差分成像方法因背景散射光的影响，其成像质量受限。本发明专利技术在传统主动偏振差分成像模型的基础上，引入深度学习，主要通过卷积神经网络对偏振成像系统进行优化处理。卷积神经网络对正交偏振光图像进行相似度判别，通过核心融合算法进行特征提取并融合相似特征信息，加强光电传感器所得目标信息的特征，在对偏振成像系统中的正交偏振光的精确选取中有一些优势。相比于传统偏振差分成像方法，该方法具有更高的成像质量。的成像质量。的成像质量。

【技术实现步骤摘要】
一种基于孪生神经网络的偏振差分成像方法


[0001]本专利技术涉及一种基于孪生神经网络的偏振差分成像方法，属于计算成像领域，尤其涉及水下偏振成像领域。

技术介绍

[0002]偏振成像技术是一种比较直接的通过获取偏振信息而成像的方法，相比于传统的成像方法可以得到多维度信息，将视觉信息从二维扩展到更高维度，为获取目标和环境信息提供了新途径。在计算成像领域中，偏振成像技术因其利用光的偏振特性这一成像机理而备受瞩目，随着水下偏振成像技术的发展，通过对水下偏振成像算法的分析，在图像恢复过程中引入深度学习的方法，可以更好地解决了图像细节丢失和成像不清晰的问题。然而在获得目标成像过程中存在两个弊病：一是偏振光传输距离受限，其原因是由于水体粒子的光吸收问题；二是成像清晰度受限，其原因由于散射粒子影响，后向散射光遮蔽目标物，前向散射光目标细节信息丢失。
[0003]针对偏振成像方法出现的上述问题，本专利技术提出了一种基于孪生神经网络的偏振差分成像方法。

技术实现思路

[0004]一种基于孪生神经网络的偏振差分成像方法，本方法适用于传统主动偏振差分成像系统。传统主动偏振差分成像系统包括光源、主动偏振成像物理模型和计算机三部分。本专利技术由线偏振高斯光束作为主动光源照射浑浊介质中被散射粒子遮挡的目标物进行成像。
[0005]本方法包括以下五个步骤：
[0006]S1：利用线偏振高斯光束作为光源，搭建水下主动偏振成像实验系统，分别针对清水和注入5ml、7ml和10ml牛奶的浑浊溶液，通过旋转偏振片分别获取目标和背景45
°
、0
°±
10
°
和90
°±
10
°
的偏振光强图像数据集。
[0007]S2：训练基于孪生神经网络的正交偏振光强图特征学习和分类网络模型。定义函数getSiameseBatch为返回随机选择的一批成对图像，通过函数getSiameseBatch创建正交偏振光强图的相似和不相似图像的随机对。通过模型梯度函数来评估模型梯度，通过损失函数来描述样本对之间的匹配度，即相似程度。损失函数loss的表示形式如下：式中：y为配对标签的数值，d为两个特征向量之间的欧几里得距离。
[0008]S3：测试并使用正交偏振光强图特征学习和分类网络模型，函数getSiameseBatch创建相似或不相似图像的随机对。
[0009]S4：通过核心融合策略将得到的正交偏振光强图的两幅相似图进行融合。对输入图像进行多级分解，获得r个融合的深度细节部分图像和一个基础部分图像，深度细节部分图像通过核范数融合策略进行融合，基础部分图像通过加权平均融合策
略进行融合
[0010]每个细节部分图像通过核范数融合策略进行融合，表示形式如下：式中：R(
·
)为深度细节部分重建图像的运算符，为融合后细节部分向量，i为分解层次。
[0011]深度细节部分通过核范数进行融合，基础部分通过数据平均进行融合。最后结合基础部分和深度细节部分作为融合后结果。
[0012]S5：用偏振反演成像方法获得目标成像图。
[0013]将融合后的水平偏振光强和垂直偏振光强代入进行反演成像，分离出的目标光强信息S'表示形式如下：式中：I
P
为水平偏振光强，I
⊥
为垂直偏振光强，p
obj
为目标信息的偏振度，p
scat
为后向散射光的偏振度。
附图说明
[0014]图1具体实施方式的装置图：1准直后的532nm波长激光光源；2偏振片1；3浑浊介质中的目标；4偏振片2；5图像传感器。
[0015]图2基于孪生神经网络的偏振成像流程图。
[0016]图3(a)孪生神经网络框架；(b)相似对和非相似对；(c)正交偏振光的相似图。
[0017]图4融合后的正交偏振光强图。
[0018]图5(a)处理前的目标成像图；(b)处理后的目标成像图。
具体实施方式
[0019]为了更好地解释本专利技术的实施过程，下面将以一个实施例对本专利技术作进一步详细说明，但本专利技术不限于该实施例。
[0020]实施例1。
[0021]图1为具体实施方式的装置图，其中包括532nm激光器(1)、偏振片1(2)、浑浊介质中的目标(3)、偏振片2(4)和图像传感器(5)。
[0022]结合图1所示的装置，对本专利技术进一步说明。
[0023]S1：在实验过程中，为线偏振高斯光束水下主动偏振成像的实验装置，采用型号MSI的100mW、532nm波长的激光器照射，显微物镜的数值孔径NA＝0.1，使用尺寸为35
×
20
×
22cm3的透明玻璃水槽装满水，并通过将清水和牛奶混合使其浑浊。由于粒子的浓度越高，散射的次数就越多，成像光束的能量就越分散，散射模糊就越明显。因此，分别针对清水和注入5ml、7ml和10ml牛奶的浑浊溶液，通过旋转偏振片，利用图像传感器获取目标和背景的45
°
、0
°±
10
°
和90
°±
10
°
偏振光强图的数据集。
[0024]S2：图2为基于孪生神经网络的偏振成像流程图。分别针对清水和注入5ml、7ml和9ml牛奶的浑浊溶液，目标分别放置于5cm、7cm和10cm水深位置进行实验，获得四种浓度与
三种距离共12组目标偏振图和四种浓度与三种距离共12组背景偏振图，每组图分别有84幅正交偏振图，2幅45
°
偏振光强图，图像大小为1024
×
1280
×
1。训练基于孪生神经网络的正交偏振光强图特征学习和分类网络模型。图3(a)为孪生神经网络框架。训练由正交偏振图组成的训练数据，并嵌入标签1、2，图像数即为通道数。通过函数getSiameseBatch创建相似和不相似图像的随机对，对标签对应函数相似对比，并标识图像。定义相似的图像具有相同的标签，不相似图像具有不同的标签。图3(b)为使用正交偏振光强图特征学习和分类网络模型得到的正交偏振光的相似对和非相似对。创建函数模型梯度，该函数返回损耗值和损耗相对于网络可学习参数的梯度。孪生神经网络的目标是为每个图像输出特征向量，使得相似图像的特征向量相似，而不同图像的特征向量显著不同。这样，网络可以区分两个输入。找出最后一个完全连接层的输出，即分别来自成对图像1和成对图像2的特征向量特征G
W
(X1)和特征G
W
(X2)之间的对比损失。
[0025]损失函数loss的表示形式如下：式中：y为配对标签的值，d为两个特征向量之间的欧几里得距离。d(X1,X2)＝||G
W
(X1)
‑
G
W
(X2)||2距离参数d用于约束：如果一对图像不相似，那么它们的距离至少应该是边距，否则会导致本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于孪生神经网络的偏振差分成像方法，其特征在于，本方法包括以下五个步骤：S1：利用线偏振高斯光束作为光源，搭建水下主动偏振成像实验系统，分别针对清水和注入5ml、7ml和10ml牛奶的浑浊溶液，通过旋转偏振片分别获取目标和背景45
°
、0
°±
10
°
和90
°±
10
°
的偏振光强图像数据集；S2：训练基于孪生神经网络的正交偏振光强图特征学习和分类网络模型；定义函数getSiameseBatch为返回随机选择的一批成对图像，通过函数getSiameseBatch创建所述步骤S1中偏振光强图像数据集中正交偏振光强图的相似和不相似图像的随机对；通过模型梯度函数来评估模型梯度；通过损失函数来描述样本对之间的匹配度，即相似程度；损失函数的表示形式如下：式中：y为配对标签的数值，d为两个特征向量之间的欧几里得距离；S3：测试并使用所述步骤S2中基于孪生神经网络的正交偏振光强图特征学习和分类网络模型，输入所述步骤S1中通过水下主动偏振成像实验系统，分别在清水和注入5ml、7ml和10ml牛奶的浑浊溶液中获得的目标和背景0
°±1°
和90
°±1°
的偏振光强图像进行相似度判别；S4：通过核心融合策略将得到的所述步骤S3中所有通过相似度判别获得的正交偏振光强图的两幅最相似图分别进行融合；S5：将所述步骤S4中获得的融合后的正交偏振光强代入偏振反演成像方法得...

【专利技术属性】
技术研发人员：于雪莲，李一诺，柴承汜，章跃辉，王政贤，王文帝，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：