[发明专利]一种基于变换穆勒矩阵网络的偏振复原成像方法

说明书

本发明公开了一种基于变换穆勒矩阵网络的偏振复原成像方法，包括以下步骤：步骤一、拍摄水下的目标物清晰的偏振图像与不同浑浊度下的目标物的偏振图像；步骤二、针对使用分焦平面偏振相机带来的空间分辨率损失，使用针对性的插值方法将水下的目标物清晰的偏振图像转化为水下的目标物清晰的强度图像，根据穆勒矩阵的思想，结合倒残差卷积结构和通道注意力机制构建了变换穆勒矩阵网络，在模拟的环境下建立数据集，充分利用图像的偏振信息，对网络进行训练以构建能够根据输入的有雾或浑浊偏振图像输出对应的变换穆勒矩阵的网络，使用该网络所输出的变换穆勒矩阵对图像进行修复可以取得不错的复原效果，且在多种环境下都能保持稳定的性能。

技术领域

本发明涉及偏振成像技术领域，具体涉及到一种基于变换穆勒矩阵网络的偏振复原成像方法。

背景技术

如今计算机视觉技术为各行各业都带来了非常大的帮助，不论是在道路上的交通监控还是自动驾驶车辆的图像摄像头，亦或是在水下勘探设备的摄像头，都需要获取图像并通过计算机视觉技术进行分析并对情况做出判断。然而，不论是在空气中还是在水下的介质中都会产生杂质对摄像头所成像的画面产生严重的干扰，例如对比度低、亮度低、物体细节模糊等。这导致基于图像的目标检测与分析在水下难以使用。目前，有雾、浑浊图像复原方法主要是分为两类，包括基于物理模型的复原方法和基于非物理模型的图像增强方法。基于物理模型的复原方法需要考虑图像的退化过程，对气雾或水下成像过程进行数学建模，估计模型参数通过逆推来图像复原，或者利用深度学习技术对映射函数的学习进而复原图像。基于非物理模型的图像增强方法主要有直方图均衡化方法、颜色校正方法、基于融合的方法等。两种技术在一定程度上都是对图像进行改善，提高图像质量。相对而言，图像增强一般是增强视觉感受，偏向于人的主观判断，丢失的细节信息不会得到修复。而图像复原方法则是根据图像退化的模型，进行图像建模，设计映射函数来恢复出原始图像。偏振成像技术是目前研究比较广泛的一种图像复原技术，但其成像效果仍存在一定局限性，应用在不同环境时的成像效果参差不齐，图像质量不够清晰，适用性不够广泛，影响了进一步的应用。

发明内容

为了克服上述现有技术中的缺陷，本发明提供了一种基于变换穆勒矩阵网络的偏振复原成像方法，在模拟的环境下建立数据集，充分利用图像的偏振信息，对网络进行训练以构建能够根据输入的有雾或浑浊偏振图像输出对应的变换穆勒矩阵的网络，使用该网络所输出的变换穆勒矩阵对图像进行修复可以取得不错的复原效果，且在多种环境下都能保持稳定的性能。

技术方案

一种基于变换穆勒矩阵网络的偏振复原成像方法，包括以下步骤：

步骤一、拍摄水下的目标物清晰的偏振图像与不同浓度下的目标物的偏振图像；

步骤二、针对使用分焦平面偏振相机带来的空间分辨率损失，使用针对性的插值方法将水下的目标物清晰的偏振图像转化为水下的目标物清晰的强度图像；

步骤三、根据变换穆勒矩阵的思想，构建倒残差卷积神经网络，整体的网络结构按照U形结构设计，特征图在输入后会先经过四个编码器，在编码器中包含倒残差偏振注意力通道模块以及一个下采样层，以提取特征，再通过四次解码器模块进行上采样，解码器模块同样包含倒残差偏振注意力通道模块以及一个上采样层，其中包含通道注意力模块用于提取来自不同通道的偏振形象，并赋予不同通道不同的权重；使用倒残差结构来减少高维信息在通过激活函数后带来的损失，使用了DW卷积和PW卷积模块用于减少网络的计算量，优化网络性能，网络的损失函数包含三个部分分别是边缘损失、内容损失、像素损失，总损失函数由边缘损失、内容损失、像素损失加权获得。

步骤四、对网络进行训练；使用步骤二中所处理的数据对步骤三所构建的倒残差卷积神经网络进行训练，训练后的倒残差卷积神经网络能够根据输入的有雾或浑浊偏振图像输出对应的修复穆勒矩阵；

步骤五、对图像进行复原；使用步骤四中训练后的倒残差卷积神经网络所输出的修复穆勒矩阵对有雾或浑浊的偏振图像进行修复，最终获得提升明显的复原图像。