本发明专利技术涉及一种基于神经网络的自然光下偏振图像重建方法和系统，所述方法包括：搭建实验环境；搭建用于目标重建的神经网络模型；设置差异化目标作偏振图像采集并构建样本集；采用样本集对神经网络模型作训练，并在满足目标条件时，终止训练；将训练好的神经网络模型用于目标重建。本发明专利技术将基于偏振特性对于材料的敏感性和目标偏振信息在散射介质中不易受到影响和卷积神经网络强大的拟合能力的充分有效的结合，实现在非相干光下模糊图像的高质量重建。量重建。量重建。
【技术实现步骤摘要】
一种基于神经网络的自然光下偏振图像重建方法和系统
[0001]本专利技术属于成像
，尤其涉及一种基于神经网络的自然光下偏振图像重建方法和系统。
技术介绍
[0002]各种各样的散射粒子对目标探测、信息传输都有严重的影响。近年来，人们对散射介质的光学成像越来越感兴趣。当散射介质中，获取目标图像是由目标光和背景散射光组成的，散射强度较小或者传输距离近时，图像还能够清晰分辨，由于散射强度、光学厚度、传输距离的增加，图像就变得模糊不清，那就必须把背景散射光削弱甚至去除。然而，偏振信息相比于传统光学采用光强进行散射介质成像携带更多维信息(偏振度、偏振角)，具有独特优势。随着偏振技术的发展研究，其有许多亟待解决的问题。同样地，散射和吸收效应使得偏振光在传输过程中也会受到衰减，当环境的散射强度增大或者传输距离增加时，基于传统物理的偏振成像方法也是难以获取清晰的目标图像。
[0003]此外，计算机处理能力的增强和计算成像技术的快速发展，使得卷积神经网络在各个方面有着广泛的应用。而计算成像的迅速发展是离不开深度学习技术的，卷积神经网络成为了解决散射介质成像的必要手段，卷积神经网络使得之前难以理解的散射问题变得更加有趣。将正常的散射问题以逆向思维描述，为解决该问题开辟了不同的途径。将偏振理论和深度学习算法结合解决散射介质成像成为了一种新型的成像模型，并利用两者的优势来探索基于数据驱动的散射系统的统计特性。基于深度学习的偏振信息在目标检测、水下成像、图像去噪和图像融合中的应用表明，其检测精度更高，噪声得到显著抑制，有效地消除了散射光，可以很好地重建出目标的细节，为推动散射介质成像发展做出巨大贡献。
[0004]根据上述内容，本专利技术实现对被散射介质严重破坏的图像数据进行高质量重建目标的同时，对相同材料物体摆脱其结构限制作泛化成像，以及对跨材料目标和不同位置目标作泛化成像，对在自然光下被厚散射介质严重破坏目标信息作泛化重建。将基于偏振特性对于材料的敏感性和目标偏振信息在散射介质中不易受到影响和卷积神经网络强大的拟合能力充分有效的结合，利用多样化样本集的构造，突出物质的偏振特性，过滤掉无用信息，在构建常规样本的基础上对自然环境下目标的特性作多角度补充，实现在非相干光下模糊图像的高质量重建，仅通过一种材料的简单目标的图像数据便可实现摆脱相同材料目标结构以及跨材料的模型泛化性，推动了基于物质偏振信息的散射介质成像在自然光下重建的广泛应用。
技术实现思路
[0005]为了解决现有技术中的上述问题，本专利技术提出了一种基于神经网络的自然光下偏振图像重建方法和系统，所述方法包含：
[0006]步骤S1：搭建实验环境；
[0007]步骤S2：搭建用于目标重建的神经网络模型；所述神经网络模型的输入为偏振图
像及其偏振系数；神经网络模型的输出为重建后的目标图像；
[0008]步骤S3：在实验环境中设置差异化目标进行偏振图像采集，采集得到四个角度的偏振图像I0°
，I
45
°
，I
135
°
，I
180
°
，确定多角度偏振图像及其对应的第一偏振系数以构建第一样本；将所述第一样本存入样本集中；计算线偏振图像及其第二偏振系数，将线偏振图像及其第二偏振系数关联起来构建第二样本，并将第二样本存入样本集中；
[0009]步骤S4：采用样本集对神经网络模型作训练，并在满足目标条件时，终止训练；
[0010]步骤S5：将训练好的神经网络模型用于目标重建；所述神经网络模型的输入是现场环境下采集到的目标的偏振图像，输出是重建目标图像。
[0011]进一步的，依次配置LED光源、偏振片、散射介质、多个目标和焦平面偏振相机和采集终端。
[0012]进一步的，所述确定多角度偏振图像及其对应的第一偏振系数以构建第一样本；具体包括如下步骤：
[0013]步骤S3A1：确定多角度偏振图像I0°
，I
45
°
，I
135
°
，I
180
°
及其对应的和角度相关的第一偏振系数BI0，BI
45
，BI
90
，BI
135
，分别为：
[0014][0015][0016][0017][0018]其中P0，P
45
，P
90
，P
135
分别为实验环境光场中0
°
，45
°
，90，135
°
的光场强度；
[0019]步骤S3A2：将多角度偏振图像及其对应的和角度相关的第一偏振系数分别对应起来作为第一样本；
[0020]步骤S3A3：两两计算所有第一偏振系数BI0，BI
45
，BI
90
，BI
135
之间的差值SuBB
i，j
和所有第一偏振系数的差值的均值若存在两个第一偏振系数BI
i
和BI
j
之间的差值满足则进入下一步骤S3A4；否则，第一样本的构建结束；i，j为偏振角度，且i≠j；
[0021]步骤S3A4：计算显著偏振图像I
S
＝[I
i
‑
I
j
],其中i<j；将两个第一偏振系数之间的差值作为所述显著偏振图像的第一偏振系数SuBB
i，j
，将显著偏振图像I
S
和第一偏振系数SuBB
i，j
对应起来也作为第一样本。
[0022]进一步的，所述多个目标为不同的结构和材质；。
[0023]进一步的，所述采集终端为计算服务器，计算服务器用于进行神经网络模型的训练和使用神经网络模型作目标重建。
[0024]一种基于神经网络的自然光下偏振图像重建系统，所述系统用于实现所述的基于神经网络的自然光下偏振图像重建方法。
[0025]进一步的，散射介质为5mm厚的毛玻璃。
[0026]一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述的基于神
经网络的自然光下偏振图像重建方法。
[0027]一种计算机可读存储介质，包括程序，当其在计算机上运行时，使得计算机执行所述的基于神经网络的自然光下偏振图像重建方法。
[0028]一种执行设备，包括处理器，所述处理器和存储器耦合，所述存储器存储有程序指令，当所述存储器存储的程序指令被所述处理器执行时实现所述的基于神经网络的自然光下偏振图像重建方法。
[0029]本专利技术的有益效果包括：
[0030](1)将基于偏振特性对于材料的敏感性和目标偏振信息在散射介质中不易受到影响和卷积神经网络强大的拟合能力的充分有效的结合，实现在非相干光下模糊图像的高质量重建；(2)在固有角度对应偏振图像作为训练样本的基础上，补充了因为偏本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于神经网络的自然光下偏振图像重建方法，其特征在于，包括：步骤S1：搭建实验环境；步骤S2：搭建用于目标重建的神经网络模型；所述神经网络模型的输入为偏振图像及其偏振系数；神经网络模型的输出为重建后的目标图像；步骤S3：在实验环境中设置差异化目标进行偏振图像采集，采集得到四个角度的偏振图像I0°
，I
45
°
，I
135
°
，I
180
°
，确定多角度偏振图像及其对应的第一偏振系数以构建第一样本；将所述第一样本存入样本集中；计算线偏振图像及其第二偏振系数，将线偏振图像及其第二偏振系数关联起来构建第二样本，并将第二样本存入样本集中；步骤S4：采用样本集对神经网络模型作训练，并在满足目标条件时，终止训练；步骤S5：将训练好的神经网络模型用于目标重建；所述神经网络模型的输入是现场环境下采集到的目标的偏振图像，输出是重建目标图像。2.根据权利要求1所述的基于神经网络的自然光下偏振图像重建方法，其特征在于，依次配置LED光源、偏振片、散射介质、多个目标和焦平面偏振相机和采集终端。3.根据权利要求2所述的基于神经网络的自然光下偏振图像重建方法，其特征在于，所述确定多角度偏振图像及其对应的第一偏振系数以构建第一样本；具体包括如下步骤：步骤S3A1：确定多角度偏振图像I0°
，I
45
°
，I
135
°
，I
180
°
及其对应的和角度相关的第一偏振系数BI0，BI
45
，BI
90
，BI
135
，分别为：，分别为：，分别为：，分别为：其中P0，P
45
，P
90
，P
135
分别为实验环境光场中0
°
，45
°
，90，135
°
的光场强度；步骤S3A2：将多角度偏振图像及其对应的和角度相关的第一偏振系数分别对应起来作为第一样本；步骤S3A3：两两计算所有第一偏振系数B...
【专利技术属性】
技术研发人员：郭忠义，林冰，李关辉，
申请(专利权)人：哈工大机器人合肥国际创新研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。