【技术实现步骤摘要】
本专利技术涉及仿生偏振光导航领域，具体为一种基于深度学习的云层去除偏振定向方法。
技术介绍
1、仿生偏振光导航是近年发展起来的一种新型自主导航方式，可以利用天空光的偏振分布模式实现高精度的导航，相比于传统的导航方式，具有抗干扰能力强、误差不随时间累积而增加的优点，因此受到了越来越多的关注和研究。在晴朗无遮挡环境下，偏振模式具有明显的方向特征，可以通过拟合偏振角度图中太阳子午线的方法来解算航向角；然而在多云天气环境中，由于云层的多次散射会扰乱局部的大气偏振光散射过程，导致采集的大气偏振信息产生不规则区域失真。这些失真区域的无效偏振信息破坏了大气偏振模式分布的整体结构。
2、当前常用的一些偏振数据集通常存在着环境单一的问题，无法有效的模拟多云天气环境，因此，迫切需要构建一个涵盖复杂云层天气环境的偏振数据集。此外，直接拟合包含云层的偏振图像容易产生错误的方向信息，进而影响偏振光导航的精度。因此，需要开发一种基于深度学习的云层去除偏振定向方法，以剔除云层干扰，提高导航性能。
技术实现思路
1、鉴于此，本专利技术的目的在于，提供一种基于深度学习的云层去除偏振定向方法，利用云层以外的蓝天区域获取偏振信息，从而实现精准定向，通过对不同气象环境下的云层图像进行采集分类，构建了包含多种复杂云层环境的偏振数据集；创新性的引入池化索引结构到u-net卷积神经网络的复制拼接操作过程中，提升了u-net网络提取局部特征的能力，从而能够对云层进行精确分割；最后通过获取去云区域的偏振信息，计算得到航
2、为了达到上述专利技术目的，进而采取的技术方案如下：
3、一种基于深度学习的云层去除偏振定向方法，包括以下步骤：
4、s1、通过偏振相机获取天空的云层偏振图像，构建数据集；
5、s2、以u-net网络结构为基础，利用seg-net网络模型中的最大池化索引结构来改进u-net的上采样结构，设计用于遮挡物分割的seg-u-net神经网络模型，将步骤s1中的云层偏振图像数据集输入seg-u-net神经网络模型中进行分割，得到去除云层的天空偏振图像，同时采用混合损失函数来提高seg-u-net神经网络模型的准确率，加快神经网络的学习速度以及提高模型的鲁棒性；
6、s3、采用去除云层后的偏振图像，通过stokes矢量法获取其中的偏振信息，得到偏振度dop和偏振角aop。
7、作为本专利技术的进一步改进，在步骤s1中，通过偏振相机获取的云层偏振图像包含多个复杂云层天气场景，多个复杂云层天气场景包括高层云、层积云、卷云等各种云层类型。
8、作为本专利技术的进一步改进，在步骤s1中，将偏振相机获取的云层偏振图像进行灰度化处理得到灰度图，并进行归一化操作和尺寸调整，能够为后续的神经网络训练提供更加标准和易处理的输入数据，从而提高模型的训练效率和泛化能力。归一化操作和尺寸调整是为了确保模型对输入数据的一致性和标准化处理。通过归一化，可以使图像的像素值处于相同的尺度范围内，有助于模型更稳定地学习特征和权重。而尺寸调整则保证了训练图像的统一输入尺寸，有助于简化模型架构设计，并提高模型对不同尺寸输入的适应性。为了突显图像中白云相对于蓝天的视觉效果，以利于神经网络的识别和分割，还对数据集图像的对比度和直方图进行了均衡化操作。
9、作为本专利技术的进一步改进，步骤s2中的最大池化索引拼接结构相比于u-net上采样结构中直接进行复制拼接的操作，可以帮助模型更精确地保留图像中的细节信息，减少计算量和参数数量，提高图像的分割效率。最大池化索引的计算公式如下：
10、 （1）
11、 （2）
12、其中， h in和 w in分别表示输入张量在垂直方向和水平方向上的尺寸， k h和 k w分别表示池化窗口在垂直方向和水平方向上的大小， s h和 s w分别表示沿着垂直方向和水平方向滑动池化窗口的步长， h out和 w out分别为输出张量在垂直方向和水平方向上的尺寸。
13、作为本专利技术的进一步改进，步骤s2中的混合损失函数是一种衡量深度学习模型预测值 y与真实值 y之间差异程度的函数，用 l来表示，混合损失函数的值越小，代表模型预测值越接近真实值，模型的性能越好，混合损失函数的计算公式如下：
14、 （3）
15、损失函数由两部分组成，其中 l bce为二值交叉熵损失函数， l dice为dice损失函数， β为调节两种损失函数的权重参数，控制二值交叉熵函数与dice损失函数的权重比例，dice损失函数的计算公式为：
16、 （4）
17、二值交叉熵损失函数的计算公式为：
18、 （5）
19、其中， n表示像素点的数量， i表示像素点， y表示真实分割标签， y表示模型预测的分割结果。
20、作为本专利技术的进一步改进，步骤s3中的stokes矢量法是通过四个偏振方向的出射光的光强值来计算入射光的斯托克斯矢量，计算公式如下所示：
21、 （6）
22、其中 i'( φ)表示偏振方向为 φ的出射光强度， φ共分为0°、45°、90°和135°四个角度， i表示总光强， q表示水平方向的直线偏振光分量， u表示45°方向的直线偏振光分量， i、 q、u三个变量的获取如下式所示：
23、 本文档来自技高网...
【技术保护点】
1.一种基于深度学习的云层去除偏振定向方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的云层去除偏振定向方法，其特征在于：在步骤S1中，通过偏振相机获取的云层偏振图像包含多个复杂云层天气场景。
3.根据权利要求1所述的一种基于深度学习的云层去除偏振定向方法，其特征在于：在步骤S1中，将偏振相机获取的云层偏振图像进行灰度化处理得到灰度图，并进行归一化操作。
4.根据权利要求1所述的一种基于深度学习的云层去除偏振定向方法，其特征在于：最大池化索引的计算公式如下：
5.根据权利要求1所述的一种基于深度学习的云层去除偏振定向方法，其特征在于：步骤S2中的混合损失函数是一种衡量深度学习模型预测值y与真实值Y之间差异程度的函数，用L来表示，混合损失函数的值越小，代表模型预测值越接近真实值，模型的性能越好，混合损失函数的计算公式如下：
6.根据权利要求1所述的一种基于深度学习的云层去除偏振定向方法，其特征在于：步骤S3中的Stokes矢量法是通过四个偏振方向的出射光的光强值来计算入射光的斯托克斯矢量，计算公式
...【技术特征摘要】
1.一种基于深度学习的云层去除偏振定向方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的云层去除偏振定向方法，其特征在于：在步骤s1中，通过偏振相机获取的云层偏振图像包含多个复杂云层天气场景。
3.根据权利要求1所述的一种基于深度学习的云层去除偏振定向方法，其特征在于：在步骤s1中，将偏振相机获取的云层偏振图像进行灰度化处理得到灰度图，并进行归一化操作。
4.根据权利要求1所述的一种基于深度学习的云层去除偏振定向方法，其特征在于：最大池...
【专利技术属性】
技术研发人员：李沅，边宇峰，卢研宏，屈绍宇，张斌，马亚云，禇文博，
申请(专利权)人：中北大学，
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。