【技术实现步骤摘要】
本专利技术基于遗传算法的分层融合水下浑浊介质偏振成像方法，涉及偏振成像方法，尤其涉及一种基于遗传算法的分层融合水下浑浊介质偏振成像方法。
技术介绍
1、随着水下机器人技术的发展，极大促进了人类对海洋的探索进程，水下机器人大多搭载成像系统来实现对未知环境的感知，清晰的水下图像对于海洋军事侦察、水下考古、海洋资源勘探非常重要。但由于水中存在悬浮颗粒、微生物，光在水下传播过程中被散射和吸收，导致水下图像对比度降低、细节丢失、噪声增大等问题。严重影响了水下成像的质量。水下偏振成像技术可以有效分离后向散射光和目标光，提高水下成像质量，但传统水下偏振成像方法通常对图像细节部分恢复效果不足，且需要人机交互手动选取无目标物的区域作为背景区域来计算后向散射光偏振度会造成误差。这些限制会导致图像恢复效果不足，无法实现水下降质图像的自动复原。
2、针对上述现有技术中所存在的问题，研究设计一种新型的基于遗传算法的分层融合水下浑浊介质偏振成像方法，从而克服现有技术中所存在的问题是十分必要的。
技术实现思路
1、根据上述现有技术提出的传统水下偏振成像方法在高后向散射介质浓度环境下恢复效果不佳，对图像细节部分恢复能力不足以及无法自动化复原等技术问题，而提供一种基于遗传算法的分层融合水下浑浊介质偏振成像方法，能够在较高后向散射介质浓度环境下有效复原图像细节部分且无需人机交互，有更好的恢复效果。
2、本专利技术采用的技术手段如下：
3、一种基于遗传算法的分层融合水下浑浊介质偏振成
4、步骤1：采集待复原场景的偏振分量图并解算偏振信息；
5、步骤2：利用主动偏振成像模型反演出细节最优图像和结构最优图像；
6、步骤3：提取出细节最优图像的细节层为最优细节层以及提取结构最优图像的结构层为最优结构层；
7、步骤4：建立反演图像融合模型，将最优细节层和最优结构层进行加权融合，得到最终复原图像。
8、进一步地，步骤1采集待复原场景的偏振分量图并解算偏振信息采用的系统为水下主动偏振成像系统，
9、进一步地，水下主动偏振成像系统包括：探测器、检偏器、透明水箱、目标物、led光源、起偏器和后向散射介质；
10、进一步地，目标物设置于透明水箱内后部中心位置，后向散射介质设置于透明水箱内，位于目标物的前部；
11、进一步地，led光源和起偏器设置在透明水箱的前部一侧，led光源发出光束，经过起偏器部分偏振光束照射到目标物后进行反射，另一部分偏振光束照射到后向散射介质后进行反射；
12、进一步地，探测器和检偏器设置在透明水箱前部另一侧，分别与led光源和起偏器以透明水箱的中心对称设置；led光源发出的光束经过目标物和后向散射介质的反射后经过检偏器进入到探测器后构成目标光和后向散射光。
13、进一步地，起偏器对led光源发出的光束进行起偏作为主动偏振光束；
14、进一步地，起偏器的偏振方向固定，不进行旋转。
15、进一步地，后向散射介质由水箱中清水中加入25ml的脱脂牛奶构成。
16、进一步地，步骤1的采集方式为：旋转检偏器2，获取光强最亮和最暗两幅图像分别记作imax和imin；由于探测器接收到的目标光和后向散射光是一个堆叠的状态，这给后向散射光偏振度的估计带来了阻碍，为了解决这一问题，可以利用后向散射光和目标光的频域特性差异来区分，后向散射光在整幅图像上有良好的连续性，通常在整个图像中形成低频成分，为了在计算后向散射光偏振度过程中消除目标光的干扰，我们可以将imax和imin利用快速傅里叶变换到频域，并使用高斯低通滤波提取低频部分，并进行傅里叶反变换得到全局后向散射光分布；这个过程表示为：
17、
18、
19、式中和代表最亮和最暗图像的后向散射光部分，fft为快速傅里叶变换，fft-1代表快速傅里叶反变换，h(u,v)为低通滤波，代表卷积运算符。
20、计算后向散射光偏振度的全局分布为：
21、
22、进一步地，步骤2的反演方式为：根据传统主动偏振成像模型以及目标光和后向散射光的部分偏振特性可建立出目标光s和后向散射光b有如下模型：
23、
24、
25、式中：pscat为后向散射光偏振度，pobj为目标光偏振度；imax为最亮图像，imin为最暗图像；由式4、5可知，imax、imin、pscat、pobj是复原水下图像的重要参数；其中光强最大图像imax、光强最小图像imin和后向散射光偏振度pscat已经在步骤1中获取，为已知参量，目标光偏振度pobj为未知参量，由于偏振度的物理意义为光的偏振部分在总光强中的比例，故取值范围为0-1；首先，反演出目标光s的eme值最高时的pobj；其过程为：以目标光s的eme值为目标函数，以pobj为自变量，0.01为步长在0-1范围内开始迭代，迭代出目标光s的eme值最高时的目标光偏振度pobj值并代入到式4，得到细节最优图像ieme；再以目标光s和后向散射光b的互信息mi为目标函数，以0.01为步长在0-1范围内迭代出s和b互信息mi最小时的pobj代入到式4，得到结构最优图像imi；
26、其中：eme评价指标是评价图像细节的评价指标，是图像局域灰度变化程度的表现，图像局部灰度变化越强，图像的细节表现详细，计算出的eme值也越高，计算公式如下：
27、
28、mi(b,s)为互信息，用以表征后向散射光b与目标信息光s之间相关性；由于后向散射光和目标光的来源不同，所以后向散射光和目标光的互信息越小，证明分离的效果越好，也越符合客观规律，其表达式为：
29、
30、式中,b和s为()式计算所得后向散射光b与目标信息光s的图像灰度级；prob(b)和prob(s)为与的边缘分布函数；prob(b，s)为联合概率分布函数。
31、进一步地，步骤3的提取方式为：分离出细节最优图像ieme的r层reme和互信息最优图像imi的结构分量lmi；
32、图像是结构信息和图像纹理细节部分信息相乘的结果；一幅图像的构成既有代表图像细节的细节层，还有代表图像低频部分的结构层，也叫基础层；图像分解为细节层和结构层，用细节分量和结构分量相乘可以表示一幅图像；其数学表达式为：
33、i(x,y)＝l(x,y)*r(x,y) (8)
34、式中：i为原始图像，l为结构分量，r为细节分量；
35、由于人眼对图像亮度的感知是非线性的，与对数曲线相近，同时，转换到对数域计算也可以将上述过程的乘法转换为加法，降低了运算量，因此将式进行对数变换：
36、logi( x ,y) ＝log l(x,y ) +logr (x, y ) (9)本文档来自技高网...
【技术保护点】
1.一种基于遗传算法的分层融合水下浑浊介质偏振成像方法，其特征在于：
2.根据权利要求1所述的基于遗传算法的分层融合水下浑浊介质偏振成像方法，其特征在于：
3.根据权利要求2所述的基于遗传算法的分层融合水下浑浊介质偏振成像方法，其特征在于：
4.根据权利要求2所述的基于遗传算法的分层融合水下浑浊介质偏振成像方法，其特征在于：
5.根据权利要求1所述的基于遗传算法的分层融合水下浑浊介质偏振成像方法，其特征在于：
6.根据权利要求1所述的基于遗传算法的分层融合水下浑浊介质偏振成像方法，其特征在于：
7.根据权利要求1所述的基于遗传算法的分层融合水下浑浊介质偏振成像方法，其特征在于：
8.根据权利要求1所述的基于遗传算法的分层融合水下浑浊介质偏振成像方法，其特征在于：
【技术特征摘要】
1.一种基于遗传算法的分层融合水下浑浊介质偏振成像方法，其特征在于：
2.根据权利要求1所述的基于遗传算法的分层融合水下浑浊介质偏振成像方法，其特征在于：
3.根据权利要求2所述的基于遗传算法的分层融合水下浑浊介质偏振成像方法，其特征在于：
4.根据权利要求2所述的基于遗传算法的分层融合水下浑浊介质偏振成像方法，其特征在于：
5...
【专利技术属性】
技术研发人员：李荣华，曹昊天，樊元义，张圣辉，蔡昌烨，
申请(专利权)人：大连交通大学，
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。