买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：天津大学

摘要：本发明公开了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，包括构建浑浊水下的偏振图像数据集；进行原始偏振图像数据预处理；结合水下偏振成像模型构建特征提取的核心网络，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；并基于该偏振调制参量和水下成像偏振去散射校正模型计算得到复原的清晰图像；使用偏振感知损失函数对网络进行优化，利用预测图像与清晰偏振图像的深层特征更好地进行图像复原。本发明将水下偏振成像的物理模型融入深度神经网络中，通过物理模型更好地约束神经网络的训练，实现训练过程与物理规律的统一，并用偏振感知损失函数对模型加以约束，实现水体散射环境下成像对比度和成像距离的提升，尤其适用于高浑浊度水下环境的图像复原。

主权项：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，Ix,y表示位于x,y处的像素的光强，ΔIx,y为Ix,y的水平分量IPx,y和垂直分量I⊥x,y的差分结果，Pscat为后向散射光的线偏振度，A∞为环境光，Lx,y为去散射图像，偏振调制参量Hx,y利用Pscat和A∞对光强Ix,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；优化后的水下成像偏振去散射校正模型如公式2所示：Lx,y＝Hx,y·Ix,y-Hx,y+b2其中，b为偏置参量，·表示逐像素的乘法运算，Hx,y为偏振调制参量，如公式3所示： 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；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Hx,y通过水下成像偏振去散射校正模型即公式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。

全文数据：

权利要求：

百度查询： 天津大学 融合物理模型和深度学习的水下偏振成像方法