[发明专利]一种采用可学习参量融合网络的偏振图像解析方法

权利要求书

1.一种采用可学习参量融合网络的偏振图像解析方法，其特征在于，利用偏振参量解析模型进行偏振图像解析，偏振参量解析模型的构建过程，包括以下步骤：

S1，构建可学习的前置偏振参量融合网络X1；

S2，通过测试前置偏振参量融合网络X1对偏振参量图像的拟合能力，设置偏振参量融合网络X1的超参数；

S3，搭建端到端的偏振视觉任务卷积神经网络框架，所述偏振视觉任务卷积神经网络框架包括：前置偏振参量融合网络X1和任务网络X2，将前置偏振参量融合网络X1与任务网络X2一起进行学习训练，获得最终的偏振参量解析模型。

2.根据权利要求1所述的一种采用可学习参量融合网络的偏振图像解析方法，其特征在于，步骤S1中，所述前置偏振参量融合网络X1按照输入至输出的方向依次包括：

一个输入单元，所述输入单元的输入为一组图像，分别为0°偏振方向图像I₀、45°偏振方向图像I₄₅、90°偏振方向图像I₉₀、135°偏振方向图像I₁₃₅，即(I₀，I₄₅，I₉₀，I₁₃₅)；

若干个融合单元，所述融合单元用于对输入的一组图像即(I₀，I₄₅，I₉₀，I₁₃₅)进行像素间运算；

一个输出单元，所述输出单元的输出图像为拟合的偏振参量图像。

3.根据权利要求2所述的一种采用可学习参量融合网络的偏振图像解析方法，其特征在于，步骤S2中，前置偏振参量融合网络X1对偏振参量图像的拟合能力的测试方式，以及偏振参量融合网络X1的超参数的设置方式，具体如下所示：

S21，构建试验数据集，包括N组不同场景的图像，每组图像均包含0°偏振方向图像I₀、45°偏振方向图像I₄₅、90°偏振方向图像I₉₀、135°偏振方向图像I₁₃₅，即每组图像均包含(I₀，I₄₅，I₉₀，I₁₃₅)；

S22，根据Stokes公式，分别计算得到每组图像的实际的合成强度图像S₀、实际的偏振度图像DoLP、实际的偏振角图像AoP；

合成强度图像S₀、偏振度图像DoLP、偏振角图像AoP即为偏振参量图像；

S23，构建前置偏振参量融合网络X1，输入单元有4个节点，分别对应0°偏振方向图像I₀、45°偏振方向图像I₄₅、90°偏振方向图像I₉₀、135°偏振方向图像I₁₃₅；输出单元有3个节点，分别对应为拟合的合成强度图像S₀、拟合的偏振度图像DoLP、拟合的偏振角图像AoP，即输出单元输出拟合的合成强度图像S₀、拟合的偏振度图像DoLP、拟合的偏振角图像AoP；

S24，根据实际的合成强度图像S₀、实际的偏振度图像DoLP、实际的偏振角图像AoP，以及拟合的合成强度图像S₀、拟合的偏振度图像DoLP、拟合的偏振角图像AoP，设计第一损失函数，计算第一损失值Loss；

S25，调整偏振参量融合网络X1的超参数，使第一损失函数的第一损失值Loss最小，且第一损失值Loss为最小时所对应的偏振参量融合网络X1的超参数，即为最终设置的偏振参量融合网络X1的超参数。