【技术实现步骤摘要】
本专利涉及光学、计算机视觉和深度学习领域，尤其涉及一种生成偏振像的材料鉴别技术。
技术介绍
1、不同材料的偏振特性通常不同，我们可以通过加入偏振片来分析一种材料的偏振特性，从而识别出该材料的种类。然而由于加入偏振片使得光路复杂化，且有较多光强损失，我们可采用生成偏振像的算法来替代偏振片。
2、但传统的偏振像生成算法是利用网络拟合出偏振公式，我们并不能确定网络能拟合出正确的对斯托克斯矢量进行变换的公式，因此我们专利技术了一种方法，将公式“嵌入”到网络内部，无需网络拟合，而无法用公式表示的部分仍用网络拟合，将二者融合成一个网络，称为斯托克斯参量偏振融合神经网络。
技术实现思路
1、本专利技术的目的是提供一种基于斯托克斯参量偏振融合神经网络的远程材料鉴别方法，以期能通过网络内嵌穆勒矩阵对斯托克斯参量进行变换的公式的方式，生成更加接近于物理规则、更加真实偏振像，从而更精准地鉴别材料。
2、本专利技术为了实现上述目的，采用如下技术方案：
3、一种基于斯托克斯参量偏振融合神经网络的远程材料鉴别方法，包括以下四个步骤：
4、步骤1、构建斯托克斯参量偏振融合神经网络；
5、步骤2、训练构建完成的斯托克斯参量偏振融合神经网络；
6、步骤3、拍摄需要远程鉴别的材料的照片，输入至训练完成的斯托克斯参量偏振融合神经网络，生成偏振像；
7、步骤4、识别该材料对应的偏振像，进行材料鉴别。
8、进一步地，在步骤1中，
9、进一步地，纯斯托克斯参量型偏振神经网络的特点是无需用网络拟合，而是完全用公式搭建两层网络。第一层是输入层，输入原图像的四个偏振特性，第二层是输出层，输出偏振像的四个特性，两层之间使用公式（1）连接，
10、，
11、其中，是穆勒矩阵。
12、进一步地，训练纯斯托克斯参量型偏振神经网络时，输入只需给出s0、s1、s2、s3中的其中一个，输出只需给出s0’、s1’、s2’、s3’中的其中一个做均方差损失，反向传播时更新公式（1）中的各参数，并更新s1、s2、s3。训练完成后得到公式（1）中的各参数和s1、s2、s3。
13、进一步地，使用训练完成纯斯托克斯参量型偏振神经网络生成图像时，只需给出s0，用训练好的s1、s2、s3和s0通过公式（1）计算出s0’。
14、特别说明的是，由于rgb值与光强呈线性关系，那么训练时输入原图像的rgb值作为i，原图像的0度线偏振光图像的rgb值作为i0、原图像的45度线偏振光图像的rgb值作为i45、原图像的90度线偏振光图像的rgb值作为i90、原图像的135度线偏振光图像的rgb值作为i135、原图像的右旋圆偏振光图像的rgb值作为i右旋、原图像的左旋圆偏振光图像的rgb值作为i左旋，同理，数据集中偏振像的rgb值作为i’，偏振像的0度线偏振光图像的rgb值作为i0’、偏振像的45度线偏振光图像的rgb值作为i45’、偏振像的90度线偏振光图像的rgb值作为i90’、偏振像的135度线偏振光图像的rgb值作为i135’、偏振像的右旋圆偏振光图像的rgb值作为i右旋’、偏振像的左旋圆偏振光图像的rgb值作为i左旋’，那么就有s0=i，s1=i0-i90，s2=i45-i135，s3=i右旋-i左旋，s0’=i’，s1’=i0’-i90’，s2’= i45’-i135’，s3’=i右旋’-i左旋’。
15、进一步地，输入融合型斯托克斯参量偏振融合神经网络是对纯斯托克斯参量型偏振神经网络的改进版本，因为训练完成后的纯斯托克斯参量型偏振神经网络将每个像素点的s1、s2、s3视为一样的，即把每个像素点的线偏振光强和原偏振光强视为一样的。因此输入融合型斯托克斯参量偏振融合神经网络将训练好的s1、s2、s3当作假s1、假s2、假s3使用，并通过一个线偏振输入融合层将假s1、假s2变换为真s1、真s2，通过一个圆偏振输入融合层将假s3变换为真s3。而输入的原图像的rgb值与真实的光强值呈线性关系，因此作为真s0输入。那么真s0、真s1、真s2、真s3就可以通过公式（1）计算出真s0’、真s1’、真s2’、真s3’。
16、进一步地，训练输入融合型斯托克斯参量偏振融合神经网络时，输入只需给出真s0、假s1、假s2、假s3中的其中一个，输出只需给出真s0’、真s1’、真s2’、真s3’中的其中一个做均方差损失，反向传播时更新公式（1）中的各参数、线偏振输入融合层的权重参数和偏置、圆偏振输入融合层的权重参数和偏置以及假s1、假s2、假s3的值。训练完成后得到公式（1）中的各参数、线偏振输入融合层的权重参数和偏置、圆偏振输入融合层的权重参数和偏置以及假s1、假s2、假s3的值。
17、进一步地，使用训练完成的输入融合型斯托克斯参量偏振融合神经网络生成偏振像时，只需给出真s0，根据给出的真s0和假s1、假s2通过线偏振输入融合层生成真s1、真s2、根据给出的真s0和假s3通过圆偏振输入融合层生成真s3，进而使用真s0、真s1、真s2、真s3通过公式（1）计算出真s0’，得到偏振像的rgb值。
18、进一步地，输出融合型斯托克斯参量偏振融合神经网络也是对纯斯托克斯参量型偏振神经网络的改进版本，以真s0、假s1、假s2、假s3作为输入，先用公式（1）计算出假s0’、假s1’、假s2’、假s3’，再经过一个输出融合层生成真s0’、真s1’、真s2’、真s3’。
19、进一步地，训练输出融合型斯托克斯参量偏振融合神经网络时，输入只需给出真s0、假s1、假s2、假s3中的其中一个，输出只需给出真s0’、真s1’、真s2’、真s3’中的其中一个做均方差损失，反向传播时更新输出融合层的权重参数和偏置、公式（1）中的各参数以及假s1、假s2、假s3的值。训练完成后得到输出融合层的权重参数和偏置、公式（1）中的各参数以及假s1、假s2、假s3的值。
20、进一步地，使用训练完成的输入融合型斯托克斯参量偏振融合神经网络生成偏振像时，只需给出真s0，用训练好的假s1、假s2、假s3和真s0通过公式（1）计算得到假s0’、假s1’、假s2’、假s3’，再通过输出融合层计算出真s0’、真s1’、真s2’、真s3’，得到偏振像的rgb值。
21、进一步地，输入输出全融合型斯托克斯参量偏振融合神经网络结合了输入融合型斯托克斯参量偏振融合神经网络和输出融合型斯托克斯参量偏振融合神经网络的特征，输入的真s0、假s1、假s2、假s3通过一个线偏振输入融合层和一个圆偏振输入融合层变换为新的s1、s2、s3，由于这三个参数经过公式（1）计算出的s0’、s1’、s2’、s3’还需再次通过输出融合层变换得到真s0本文档来自技高网...
【技术保护点】
1.一种基于斯托克斯参量偏振融合神经网络的远程材料鉴别方法，其特征在于，包括以下四个步骤：
2.根据权利要求1所述的基于斯托克斯参量偏振融合神经网络的远程材料鉴别方法，其特征在于，所述的斯托克斯参量偏振融合神经网络分为纯斯托克斯参量型偏振神经网络、输入融合型斯托克斯参量偏振融合神经网络、输出融合型斯托克斯参量偏振融合神经网络和输入输出全融合型斯托克斯参量偏振融合神经网络四种类型，其中：
3.根据权利要求1所述的基于斯托克斯参量偏振融合神经网络的远程材料鉴别方法，其特征在于，所述的训练斯托克斯参量偏振融合神经网络包括以下步骤：
4.根据权利要求1所述的基于斯托克斯参量偏振融合神经网络的远程材料鉴别方法，其特征在于，所述的生成偏振像的具体步骤为：将所要鉴别材料的照片每个像素点的RGB值作为总光强，输入至至步骤1.2所述的训练完成的斯托克斯参量偏振融合神经网络的输入层的S0或真S0中，与训练好的S1、S2、S3或假S1、假S2、假S3一起经过网络生成S0’或真S0’，作为该材料的偏振像每个像素点的RGB值。
5.根据权利要求1所述的基于斯
...【技术特征摘要】
1.一种基于斯托克斯参量偏振融合神经网络的远程材料鉴别方法，其特征在于，包括以下四个步骤：
2.根据权利要求1所述的基于斯托克斯参量偏振融合神经网络的远程材料鉴别方法，其特征在于，所述的斯托克斯参量偏振融合神经网络分为纯斯托克斯参量型偏振神经网络、输入融合型斯托克斯参量偏振融合神经网络、输出融合型斯托克斯参量偏振融合神经网络和输入输出全融合型斯托克斯参量偏振融合神经网络四种类型，其中：
3.根据权利要求1所述的基于斯托克斯参量偏振融合神经网络的远程材料鉴别方法，其特征在于，所述的训练斯托克斯参量偏振融合神经网络包括以下步骤：
4.根据权利要求1所述的基于斯托克斯参量偏...
【专利技术属性】
技术研发人员：肖迅漫，季浩富，王闯，霍惟，卢方印，娄卓然，白玉月，赵子玉，李连江，
申请(专利权)人：东北大学秦皇岛分校，
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。