[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

说明书

本发明公开了一种采用可学习参量融合网络的偏振图像解析方法，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为：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对已知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，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。本发明解析出的偏振参量图像最能反映当前任务中目标和背景的偏振特性差异，且在复杂环境下具有鲁棒不变性。

技术领域

本发明涉及光学图像处理技术领域，尤其是一种采用可学习参量融合网络的偏振图像解析方法。

背景技术

偏振信息是目标的本征特性，可以反演目标特征，用于目标探测。偏振成像探测就是通过成像的方式获取目标的多个偏振参量，利用这些参量来描述目标的偏振特性，进而有效探测的。不同物体的偏振信息是通过偏振信息解析将它们区分出来，目前，存在以下的三种方式解析偏振信息：

基于物理模型的方法，这类方法基于明确的物理模型或偏振特性模型，具有较强的可解释性和物理意义，能够取得很好的效果；例如，利用物理模型复原不良介质退化图像。但是，该类方法通常受到严苛的物理条件限制，因此使用条件比较苛刻，在复杂环境中一般很难满足。

基于信息融合的方法，这类方法通过将不同的偏振参量图像，或者将偏振图像与非偏振图像进行信息融合，增强目标细节以及与背景的区分度，从而提高目标识别性能。该类方法更多地是从图像特征而非物理特征进行考虑，既可以基于像元融合，也可以基于高层次特征融合，融合方法灵活多样。但是，该类方法不能克服成像条件对偏振特性带来的影响，在复杂环境下不够鲁棒，且融合方法多为人工构造，常常缺乏强烈的目的性和指导性，影响了效能的提升。

基于卷积神经网络的方法，卷积神经网络(CNN)可以有效提取图像视觉特征，被广泛用于目标分类、检测等视觉任务。一些研究者利用卷积神经网络来解决偏振成像的应用鲁棒性问题；例如，Zeng等利用卷积神经网络进行DOFP偏振图像偏振参量的解析；Sun等以Stokes参量为输入，构建了一个2D-3D卷积神经网络，进行自然地物背景分类；Blin等以0°、45°和90°偏振图像作为输入，在RetinaNet网络上测试了目标检测性能，发现对车辆的探测性能优于彩色图像，而对偏振特性并不那么突出的人员，人员的探测性能大幅落后于彩色图像；Blin等利用卷积神经网络和偏振成像提高不良天气条件下目标识别性能；Kose等利用几种不同的偏振参量组合，对红外偏振图像进行了车辆探测实验。这类方法对成像条件不敏感，能够较好地解决开放环境应用问题。但是，这类方法的网络输入多是常见的偏振参量或其简单变换，对偏振信息的利用率不高。

综上所述，由于深度神经网络有很好的建模能力，有能力从复杂变化中找出具有不变性的高阶特征，因此，基于卷积神经网络的偏振信息解析能够克服偏振成像的应用鲁棒性问题。但是，现有技术中多是以常用的偏振参量或其简单变换为网络输入，这样会存在以下几个问题：一、人工选取的偏振参量不一定最能反映目标和背景的偏振特性差异；二、这些偏振参量本身随成像环境剧烈变化，不具有不变性；三、从卷积神经网络结构角度来说，没有形成端到端的网络结构。

发明内容

为了克服上述现有技术中的缺陷，本发明提供一种采用可学习参量融合网络的偏振图像解析方法，使得解析得到的偏振参量图像最能反映当前任务中目标和背景的偏振特性差异，且在复杂环境下具有鲁棒不变性。

为实现上述目的，本发明采用以下技术方案，包括：

一种采用可学习参量融合网络的偏振图像解析方法，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；