[发明专利]一种基于深度学习的偏振彩色化方法

说明书

本发明公开了一种基于深度学习的偏振彩色化方法，包括以下步骤：采用偏振成像系统采集四个偏振方向的图像以及同一场景对应的彩色图像；计算所采集图像的偏振角图像和偏振度图像，计算场景对应的偏振因子特征图像；根据场景的彩色图像与对应的偏振因子特征图像，构建训练集；构建基于深度学习的微光偏振彩色化的双流架构网络；设计损失函数；将训练集中的图像输入深度神经网络中进行训练，得到偏振彩色化模型。本发明的方法，采用双流架构的彩色化网络，融合全局信息与局部信息，实现图像特征的充分提取；避免人为干扰，可实现偏振成像的彩色化效果，符合人眼观察习惯，进一步丰富场景的细节信息。

技术领域

本发明涉及一种偏振彩色化方法。

背景技术

偏振信息是独立于振幅、相位、频率的信息，物体在反射和辐射电磁波过程中会根据物体表面性质改变其偏振态，不同目标或相同目标不同状态产生的偏振信息不同，根据这种特性可有效辨别目标与背景信息，从而实现目标的高效探索识别，在军事和民用领域均有着深远的应用前景，因此，将偏振信息与现有成像系统相融合，可有效克服对比度低的情况下目标有效信息难以提取的问题。目前现有的偏振成像效果多为灰度图像，而人眼对于彩色目标的识别能力更强，为丰富观察到场景目标的细节层次，需采用图像处理手段对偏振成像进行彩色化处理。

传统的彩色化方法包括基于用户引导下的颜色传播类算法、基于指定函数或参数的颜色映射算法以及基于数据驱动的图像着色方法等。基于用户引导下的颜色传播类算法对于色度深浅等属性无法较好地进行表征与实现，彩色化的准确性也不可预知。基于指定函数或参数的颜色映射算法主要是伪彩着色，依赖于阈值分割，且彩色化效果不符合人眼的观察习惯。基于数据驱动的图像着色方法主要在于要针对目标着色图像寻找适配的参考图像，但是每一次匹配后工作过程和结果不能重复利用，在对新的图像进行着色时，需要重新匹配。

为弥补上述彩色化方法的不足，需研究新型偏振图像的彩色化处理技术。深度学习的不断发展以及计算机性能的不断提高，为偏振图像彩色化处理提供了新的方式。考虑到深度学习有着丰富的算法类型及强大的特征提取及表征能力，尤其是卷积神经网络在特征提取方面的显著优势，在偏振图像的彩色化方面采用基于卷积神经网络的深度学习算法进行学习处理。从数据集制作、网络结构设计以及损失函数构造设计入手，建立偏振图像与我们所希望获得的彩色图像之间的非线性映射关系，最终获得符合人眼观察习惯的偏振图像彩色化处理效果。

发明内容

本发明的目的是根据偏振图像特点，采用一种深度学习的方法将灰度偏振图像处理成彩色图像，丰富目标的观测层次，提高目标的识别效率。

实现本发明目的的技术解决方案为：

一种基于深度学习的偏振彩色化方法，包括以下步骤：

第一步，采用偏振成像系统采集0°，45°，90°，135°四个偏振方向的图像以及同一场景对应的彩色图像；

第二步，计算所采集图像的偏振角图像和偏振度图像，计算场景对应的偏振因子特征图像；

第三步，根据场景的彩色图像与对应的偏振因子特征图像，构建训练集；

第四步，构建基于深度学习的微光偏振彩色化的双流架构网络；

第五步，设计损失函数；

第六步，将训练集中的图像输入深度神经网络中进行训练，得到偏振彩色化模型。

进一步地，第二步中，采用Stokes矢量法描述光的偏振态，偏振态由下式表示：