【技术实现步骤摘要】
本专利技术涉及联合主动偏振成像模型的深度学习水下图像去散射方法，属于水下偏振成像与深度学习图像处理领域。
技术介绍
1、水下成像技术在海洋搜救、资源探测及军事侦察等领域中发挥着重要作用。由于光在传输过程中受到浑浊介质中粒子的吸收及散射，导致原本规则的波前相位发生严重畸变、光波振幅发生衰减，造成图像质量急剧退化，图像对比度显著降低，进一步增加了目标精准识别的难度。因此，如何在浑浊水体中抑制散射光的影响并增强目标图像细节，实现清晰成像，是水下成像领域的重点研究问题之一。
2、目前，水下图像复原方法主要是分为两类，包括数字图像处理技术和基于物理模型的图像处理技术。典型的数字图像复原技术有直方图均衡化技术、图像融合技术及多颜色模型成像技术。数字图像复原技术利用退化模型反演真实场景，依据水体中的衰减因子及散射系数等先验信息消除叠加于目标上的干扰信息，提升图像对比度。但该技术要求过多的先验信息，算法复杂耗时，复原能力受限。基于物理模型的图像复原技术可以弥补数字图像处理技术的不足，其主要包括结构光成像、距离选通成像、同步扫描成像、条纹管成像及偏振成像等，该类技术主要利用光波的强度、光谱及偏振等信息，通过建立光在水下传播中的散射、传输物理模型来解决水下成像过程中散射所造成的水下场景图像对比度降低、颜色失真及成像距离受限等问题。由于偏振成像系统可同时获取二维空间中强度信息及偏振信息，且具有体积小、质量轻、视场大、实时性强及系统成本低廉等优点，因此被广泛应用于水下散射介质成像领域。但在高度浑浊的水下环境中，物理模型中参数的准确估计变得十
3、近年来，深度学习的出现为图像处理领域开辟了一条新的途径，以数据为驱动的深度学习方法具有较强的特征提取和非线性拟合能力，可以通过大量的数据训练来建立相应的数学模型。深度学习在端到端的图像映射关系方面具有明显优势，并在图像去噪、图像去雾及图像超分辨率重建等各种图像任务中显著优于传统方法。
4、因此，将深度学习技术引入水下偏振成像领域，可以帮助解决水下成像中的许多复杂问题。虽然深度学习的引入能提高水下图像复原质量，但目前相关算法大都基于浑浊图像到清晰图像的直接映射。忽视图像退化的根本原因以及缺乏对物理规律的考虑会限制图像细节的改善程度及模型在不同浑浊度环境下的泛化能力，最终导致数据集的质量成为深度学习算法成功的关键因素。而水下偏振图像数据集的制作比较耗时且目标种类有限，影响了深度学习算法在水下偏振图像去散射的进一步应用。为此，有必要对现有模型进行优化以提高深度学习算法的泛化性和鲁棒性。
技术实现思路
1、针对上述现有技术中的缺陷，本专利技术的主要目的是提供一种联合主动偏振成像模型的深度学习水下图像去散射方法。本专利技术将深度学习技术应用于水下偏振成像，通过搭建融合主动偏振成像模型的卷积神经网络，直接预测主动偏振成像模型的偏振参数；在主动偏振成像模型的引导下，自适应地生成清晰的去散射图像，实现低对比度浑浊图像到高对比度清晰图像的转换，且在高浑浊度下仍旧具有良好的去散射性能；同时采用充分的损失函数，进一步增强去散射图像的纹理细节和对比度。
2、本专利技术的目的是通过如下技术方案实现的：
3、本专利技术公开的一种联合主动偏振成像模型的深度学习水下图像去散射方法，包括如下步骤：
4、步骤1：搭建水下主动照明偏振成像光学系统；
5、搭建水下主动照明偏振成像光学系统，用于获取0°、45°和90°三种偏振角度下，水下目标物清晰的偏振图像及水下目标物浑浊的偏振图像。
6、步骤2：基于步骤1的水下偏振成像光学系统，建立清晰图像和浑浊图像数据集；
7、在清水下获取目标物不同偏振方向的清晰偏振图像作为真值；向清水中加入不同量的浑浊介质模拟不同浑浊度的水体环境，在相应浑浊度下采集同一目标物不同偏振方向的图像作为浑浊偏振图像。采集浑浊图像时，需要调节相机曝光时间使采集的浑浊图像和清晰图像的强度值保持在一个水平。更换目标物，重复步骤2，直至获取足够数量的水下偏振图像数据集。
8、步骤3：对步骤2所采集的水下偏振图像数据集进行预处理；
9、通过步骤2，收集包含多组目标的水下偏振图像数据集。每组包含3幅单通道清晰目标水下偏振图像和对应3幅浑浊水下目标偏振图像。将数据集划分为训练集，验证集和测试集；然后应用翻转和旋转数据增强和扩充技术，扩充水下偏振图像数据集；最后将每组的3幅清晰图像和3幅浑浊图像都裁剪成同一尺寸的3幅单通道子图；其中3幅单通道清晰子图和浑浊子图均需沿通道方向拼接为三通道图像，用于网络训练。
10、步骤4：联合主动偏振成像模型，搭建水下偏振图像去散射网络；
11、根据传统的主动偏振成像模型，相机接收到的光强由两部分组成。第一部分是场景中目标表面反射产生的目标反射光。另一部分是场景中介质和悬浮粒子散射产生的后向散射光。相机接收到的光强是两部分的非相干叠加，因此主动偏振成像模型表示为：
12、i(x,y)＝t(x,y)+b(x,y) (1)
13、其中，(x,y)代表像素的坐标；t(x,y)代表目标反射光，即清晰目标图像；b(x,y)代表后向散射光。t(x,y)表示为：
14、
15、根据式(2)，通过最小光强图imin(x,y)，最大光强图imax(x,y)，后向散射光偏振度pscat以及目标反射光偏振度pobj四个关键参数计算出清晰的水下去散射图像。事实上，在非均匀光场中，偏振参数pscat和pobj随空间变化，作为像素值随空间变化的图像pscat(x,y)和pobj(x,y)参与到去散射图像的解算，而不是两个常数。因此，将主动偏振成像模型简化为：
16、t(x,y)＝imin(x,y)·p1(x,y)-imax(x,y)·p2(x,y) (3)
17、其中，·表示图像的点乘。p1(x,y)和p2(x,y)由水下偏振图像去散射网络直接预测，分别表示对图像imin(x,y)和imax(x,y)的偏振调制。p1(x,y)和p2(x,y)的表达式如式(4)和(5)所示：
18、
19、
20、其中，e表示元素全为1的矩阵；
21、结合水下主动偏振成像模型构造卷积神经网络，用以得到输出的偏振调制参量p1(x,y)和p2(x,y)。该网络由浅层偏振特征提取网络和全局偏振特征融合网络两个子网络组成。浅层偏振特征提取网络包含三个浅层特征提取层，分别用来提取0°、45°和90°三幅输入图像的浅层偏振信息。浅层特征提取层首先采用2个3×3的卷积层及作为激活函数的线性修正单元函数；紧接着，使用通道拼接操作对来自不同输入图像的浅层偏振信息进行局部特征融合；最后，使用通道-空间注意力模块调整三幅输入图像的局部特征图在通道域及空间域上的权重，从而充分利用不同图像的偏振信息。全局偏振特征融合网络包含三个偏振特征调整模块和一本文档来自技高网...
【技术保护点】
1.联合主动偏振成像模型的深度学习水下图像去散射方法，其特征在于：包括如下步骤，
2.如权利要求1所述的联合主动偏振成像模型的深度学习水下图像去散射方法，其特征在于：还包括步骤6：应用步骤5优化参数后的水下偏振图像去散射网络，对浑浊图像实施去散射，去除水下悬浮颗粒引起的较强散射，提高成像质量。
3.如权利要求1所述的联合主动偏振成像模型的深度学习水下图像去散射方法，其特征在于：步骤2的实现方法为，
4.如权利要求1所述的联合主动偏振成像模型的深度学习水下图像去散射方法，其特征在于：步骤3的实现方法为，
5.如权利要求1所述的联合主动偏振成像模型的深度学习水下图像去散射方法，其特征在于：步骤4的实现方法为，
6.如权利要求1所述的联合主动偏振成像模型的深度学习水下图像去散射方法，其特征在于：步骤5的实现方法为，
【技术特征摘要】
1.联合主动偏振成像模型的深度学习水下图像去散射方法，其特征在于：包括如下步骤，
2.如权利要求1所述的联合主动偏振成像模型的深度学习水下图像去散射方法，其特征在于：还包括步骤6：应用步骤5优化参数后的水下偏振图像去散射网络，对浑浊图像实施去散射，去除水下悬浮颗粒引起的较强散射，提高成像质量。
3.如权利要求1所述的联合主动偏振成像模型的深度学习水下图像去散射方法...
【专利技术属性】
技术研发人员：张晓芳，吴黎洋，胡新奇，董冰，常军，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。