一种基于深度学习的水下偏振图像复原系统及其复原方法技术方案

本发明专利技术提供了一种基于深度学习的水下偏振图像复原系统及其复原方法。包括以下步骤：步骤1、搭建水下偏振成像系统，拍摄清晰水下强度图像和不同浑浊度水下的偏振图像；步骤2、整理并命名各组偏振图像，建立大量数据集。步骤3、按0.8：0.1：0.1的比例划分训练集，验证集，测试集；步骤4、设计适用于水下偏振图像复原的卷积神经网络；步骤5、生成恢复图像步骤6利用训练集训练上述网络模型；步骤7、用测试集测试经网络模型恢复后的图像质量效果。与现有技术相比，本发明专利技术可利用卷积神经网络进行高浑浊度水下图像复原，且恢复图像效果更佳。且恢复图像效果更佳。且恢复图像效果更佳。

【技术实现步骤摘要】
一种基于深度学习的水下偏振图像复原系统及其复原方法


[0001]本专利技术涉及偏振成像技术，特别涉及水下复杂环境下的一种基于深度学习的水下偏振图像复原系统及其复原方法。

技术介绍

[0002]水下成像作为研究水下世界的一种重要方法，在水下目标探测识别、水下考古、水下环境监测等领域中得到了广泛的应用。然而,在传统的水下光学成像，由于散射光的影响，成像质量受到很大的限制混浊粒子的干涉这些图像通常显示低能见度、低对比度和缺乏图像细节。特别是后向散射]光对图像对比度有重要影响。
[0003]目前，水下图像复原方法主要是分为两类，包括数字图像处理复原技术和光学复原技术。数字图像处理复原技术主通常算法简单，处理速度快，但其恢复目标细节的能力有限，且存在问题部分图像失真。光学复原技术主要是基于物理退化模型来实现的反演得到真实场景的光强恢复，包括偏振光学成像、多光谱融合复原等。偏振光学成像结构简单，应用方便，是目前最有效的光学复原技术之一,但成像效果仍存在一定局限性，影响了进一步的应用。

技术实现思路

[0004]本专利技术针对
技术介绍
存在的不足，本专利技术提供了一一种基于深度学习的水下偏振图像复原系统及其复原方法。输入端口中引入圆偏振图像，利用四张偏振图像进行相关参数K的估计，从而进行图像复原，可有效提高图像成像质量。
[0005]对
技术介绍
存在的不足，本专利技术提供了一种基于深度学习的水下偏振图像复原系统，包括水下主动成像系统；水下主动成像系统包括设置在水下目标物上(7)外侧的主动光源、偏振调制系统和图像采集系统；主动光源包括对准水下目标物上(7)进行激光照射的激光器(1)，偏振调制系统包括设置在激光器(1)照射光束路径上的第一偏振片(2)，第一四分之一波片(3)和扩束器(4)，用于激光器(1)发出的光束依次经过第一偏振片(2)、第二四分之一波片(10)和扩束器(4)后照射在水下目标物上(7)；图像采集系统包括对准水下目标物上(7)的第一CMOS相机(11)、第二四分之一波片(10)、由步进电机控制旋转的第二偏振片(8)和计算机(13)；第二四分之一波片(10)和第二偏振片(8)分别设置在第一CMOS相机(11)与水下目标物上(7)的光束反射路径上，用于水下目标物(7)将激光器(1)发出的光束反射后依次经过第二偏振片(8)、第二四分之一波片(10)后到达第一CMOS相机(11)；计算机(13)与步进电机电连接。
[0006]进一步的，第二偏振片(8)和第二四分之一波片(10)之间设置分束器(9)和第二CMOS相机(12)，第二CMOS相机(12)对准分束器(9)；通过分束器(9)将水下目标物(7)反射后经过第二偏振片(8)的光束分成两束光束，其中一束光束经过第二四分之一波片(10)到达第一CMOS相机(11)，另一束光束直接到达第二CMOS相机(12)。
[0007]所述第二偏振片(8)设有与其相连接的偏振片底座(未示出)，所述偏振片底座由
所述步进电机控制旋转，用于自动调整所述第二偏振片(8)的旋转角度。
[0008]优选的，激光器采用532nm蓝绿激光器。
[0009]计算机(13)用于接收并处理第一CMOS相机(11)和第二CMOS相机(12)拍摄的图像信息。
[0010]本专利技术还提供了一种基于深度学习的水下偏振图像复原系统上的复原方法：
[0011]包括以下复原步骤：
[0012]步骤1、搭建水下主动成像系统；所述激光器(1)发出的光束依次经过所述第一偏振片(2)、所述第二四分之一波片(10)和所述扩束器(4)后照射在水下目标物上(7)，所述水下目标物(7)将所述激光器(1)发出的光束反射后依次经过所述第二偏振片(8)、所述分束器(9)、第二四分之一波片(10)后到达所述第一CMOS相机(11)；其中所述分束器(9)将所述水下目标物(7)的反射光束分成另一束光束直接到达所述第二CMOS相机(12)；
[0013]步骤2、建立数据集；首先拍摄水下中清晰强度图像，然后加入不同浓度脱脂牛奶，利用步进电机控制相机前偏振片，旋转至0
°
、45
°
、90
°
，并加入四分之一波片，得到0
°
、45
°
、90
°
、圆偏振四张图像；
[0014]步骤3裁剪图像；通过翻转扩大数据集，将得到的图像按0.8：0.1：:0.1的比例分为训练集，验证集；
[0015]步骤4、设计卷积神经网络；使用了九个卷积层，通过融合不同大小的滤波器形成多尺度特征，将浑浊水下拍摄的0
°
、45
°
、90
°
、圆偏振四张图作为卷积神经网络的输入；得到K估计模块，从而计算生成恢复图像；
[0016]步骤5、得到K估计模块之后，图像生成模块由乘法层和加法层组成，通过计算生成恢复图像；
[0017]步骤6、利用步骤4中的卷积神经网络训练步骤3中拍摄的训练集，并利用步骤3中的验证集验证神经网络复原图像效果，得到卷积神经网络模型；
[0018]步骤7、利用步骤3中的测试集测试步骤4中训练的卷积神经网络模型，并用图像增强指标衡量图像复原效果。
[0019]在步骤4中，首先细化每幅图像的特征信息，将粗尺度网络特征与细尺度网络的中间层连接起来；利用第三层的连接块连接第一层和第二层的特征信息；通过卷积层，再次细化特征信息；第五层的连接块连接了第二层和第四层的特征信息；第六层连接了第一、四、五层的特征信息；最后3*3卷积层和线性激活函数得到K估计模块。
[0020]有益效果
[0021]本专利技术将多尺度的特征应用于K估计模块的估计，从而实现浑浊水下环境中有效提高图像质量。输入端口中引入圆偏振图像，利用四张偏振图像进行相关参数K的估计，从而进行图像复原，可有效提高图像成像质量
附图说明
[0022]图1为本专利技术中一种基于深度学习的水下偏振图像复原系统上的复原方法的实施整体流程图。
[0023]图2为本专利技术中一种基于深度学习的水下偏振图像复原系统的组成结构示意图。
[0024]图3为为本专利技术中建立的卷积神经网络示意图。
[0025]图4为原始图(左)，基于物理模型复原图(中)和本方法复原图的对比图(右)。
[0026]附图标号：
[0027]激光器1、第一偏振片2、第一四分之一波片3、扩束器4、玻璃水缸5、模拟水下环境6、目标物7、第二偏振片8、分束器9、第二四分之一波片10、第一CMOS相机11、第二CMOS相机12、计算机13。
具体实施方式
[0028]为了使本专利技术的目的、技术方案和有益技术效果更加清晰，下面结合附图和具体实施方式，对本专利技术技术方案进行详细阐述。应当理解的是，本说明书中描述的实施例仅仅是为了解释本专利技术，并非为了限定本专利技术，实施例的参数、比例等可因地制宜做出选择而对结果并无实质性影响
[0029]由图1
‑<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的水下偏振图像复原系统，其特征在于，包括水下主动成像系统；所述水下主动成像系统包括设置在水下目标物上(7)外侧的主动光源、偏振调制系统和图像采集系统；所述主动光源包括对准所述水下目标物上(7)进行激光照射的激光器(1)，所述偏振调制系统包括设置在所述激光器(1)照射光束路径上的第一偏振片(2)，第一四分之一波片(3)和扩束器(4)，用于所述激光器(1)发出的光束依次经过所述第一偏振片(2)、所述第二四分之一波片(10)和所述扩束器(4)后照射在水下目标物上(7)；所述图像采集系统包括对准所述水下目标物上(7)的第一CMOS相机(11)、第二四分之一波片(10)、由步进电机控制旋转的第二偏振片(8)和计算机(13)；所述第二四分之一波片(10)和第二偏振片(8)分别设置在所述第一CMOS相机(11)与所述水下目标物上(7)的光束反射路径上，用于所述水下目标物(7)将所述激光器(1)发出的光束反射后依次经过所述第二偏振片(8)、第二四分之一波片(10)后到达所述第一CMOS相机(11)；所述计算机(13)与所述步进电机电连接。2.根据权利要求1所述的一种基于深度学习的水下偏振图像复原系统，其特征在于，所述第二偏振片(8)和第二四分之一波片(10)之间设置分束器(9)和第二CMOS相机(12)，所述第二CMOS相机(12)对准所述分束器(9)；通过所述分束器(9)将所述水下目标物(7)反射后经过第二偏振片(8)的光束分成两束光束，其中一束光束经过所述第二四分之一波片(10)到达所述第一CMOS相机(11)，另一束光束直接到达所述第二CMOS相机(12)。3.根据权利要求1所述的一种基于深度学习的水下偏振图像复原系统，其特征在于，所述第二偏振片(8)设有与其相连接的偏振片底座，所述偏振片底座由所述步进电机控制旋转，用于自动调整所述第二偏振片(8)的旋转角度。4.根据权利要求1所述的一种基于深度学习的水下偏振图像复原系统，其特征在于，所述激光器(1)采用532nm蓝绿激光器。5.根据权利要求1所述的一种基于深度学习的水下偏振图像复原系统，其特征在于，所述计算机(13)用于接收并处理所述第一CMOS相机(11)和所述第二CMOS相机(12)拍摄的图像信息。6.一种基于深度学习的水下偏振图像复原系统复原方法应用于如权利要求1
‑
...

【专利技术属性】
技术研发人员：项延发，任启明，陈瑞品，
申请(专利权)人：浙江理工大学，
类型：发明
国别省市：