[发明专利]融合物理模型和深度学习的水下偏振成像方法

权利要求书

1.一种融合物理模型和深度学习的水下偏振图像去散射方法，其特征在于，该方法包括以下步骤：

步骤1，构建浑浊水下的偏振图像数据集，调节偏振相机合适的曝光时间，分别对同一目标在相应浓度下连续采集多张不同偏振方向的偏振图像，计算其同一偏振方向光强的平均值作为浑浊水体下的图像，在清水下连续采集相同数量的对应偏振方向的清晰偏振图像，计算其同一偏振方向光强平均值作为标签，形成浑浊水体下图像和清晰图像对，保存为图像数据集；

步骤2，进行原始偏振图像数据预处理：

步骤2.1，将多个偏振方向的单通道偏振图像沿通道方向合并成单幅三通道图像，为学习目标的偏振特征，用任意三个及以上不同偏振方向的单通道图像沿通道方向合并为多通道图像；

步骤2.2，将浑浊水体下图像和清晰图像都裁剪为子图像；

步骤2.3，最后将数据集按比例随机拆分为训练集、验证集和测试集；

步骤3，结合水下偏振成像模型构建特征提取的残差-密集神经网络，由所述残差-密集神经网络得到输出的偏振调制参量和水下成像偏振去散射校正模型：

步骤3.1，配置浅层特征提取模块，该模块包括两个卷积层，第一3×3卷积层的卷积核数量为64，第二3×3卷积层卷积核数量为32；

步骤3.2，配置残差-密集模组，该模组配置了16个残差-密集模块，所述残差-密集模块由卷积层、作为激活函数的线性修正单元ReLU函数和局部特征融合模块组成，每个残差-密集连接块中各层之间采用密集连接的方式进行特征组合，每个残差-密集模块都包含了6个卷积层及其对应的ReLU函数；

步骤3.3，配置局部特征融合模块，该模块包括Concat层和3×3卷积层，Concat层将残差-密集模块中输出的所有特征进行融合，3×3卷积层进一步对融合之后的结果进行特征提取，并将输出的结果与输入进行残差运算；

步骤3.4，配置全局特征融合模块，该模块包括一个Concat层，两个3×3卷积层和一个作为激活函数的ReLU层，通过该模块对残差-密集模块提取的不同层次的特征进行全局融合；

步骤3.5，建立水下偏振图像去散射模型如公式(1)所示：

其中，I(x,y)表示位于(x,y)处的像素的光强，ΔI(x,y)为I(x,y)的水平分量I_||(x,y)和垂直分量I_⊥(x,y)的差分结果，P_scat为后向散射光的线偏振度，A_∞为环境光，L(x,y)为去散射图像，

偏振调制参量H(x,y)利用P_scat和A_∞对光强I(x,y)进行调制，将该参量作为水下偏振图像复原模型的残差-密集神经网络的输出，通过公式(2)进行约束，获得复原的清晰图像；

步骤4，通过偏振感知损失函数，计算复原图像与标签图像的偏振感知特征之间的均方误差，获得偏振感知损失，并利用该损失引导神经网络的训练过程，实现图像去散射。

2.如权利要求1所述的一种融合物理模型和深度学习的水下偏振图像去散射方法，其特征在于，在所述步骤3中：

优化后的水下成像偏振去散射校正模型如公式(2)所示：

L(x,y)＝H(x,y)·I(x,y)-H(x,y)+b (2)

其中，b为偏置参量，·表示逐像素的乘法运算，H(x,y)为偏振调制参量，如公式(3)所示：

3.如权利要求1所述的一种融合物理模型和深度学习的水下偏振图像去散射方法，其特征在于，所述步骤4中还包括：

设计增强偏振信息的偏振感知损失函数，所述偏振感知损失函数如公式(4)所示：

其中，C为图像的通道数，m和n分别为图像尺寸，为由网络输出的中间校正参量H(x,y)通过水下成像偏振去散射校正模型(公式(2))计算得到的预测清晰图像，表示清水下获取的高对比度清晰偏振图像，θ表示0°、45°和90°三个偏振方向，φ(·)为偏振特征感知函数，由预训练VGG网络的部分网络组成，用于提取输入图像的偏振特征。

4.如权利要求1所述的一种融合物理模型和深度学习的水下偏振图像去散射方法，其特征在于，该方法进一步包括以下步骤：

步骤5，根据去散射质量的要求调整水下成像偏振去散射模型的参数，包括初始学习率、批处理大小、损失函数约束项、残差-密集模块的数量以及卷积核数对基于偏振调制参量的水下偏振图像复原模型的残差-密集神经网络进行训练，在训练过程中对输入图像进行翻转和旋转实现数据扩充；具体设置为：最小批处理样本数为28，学习率初始化为0.0001，使用阶梯衰减学习率方法，设置衰减率为0.6，衰减步长为10，训练周期为90，使用Adam算法优化损失函数。