[发明专利]一种水下偏振图像复原与识别方法

说明书

本发明提供了一种水下偏振图像复原与识别方法，包括搭建水下主动成像系统；拍摄偏振图像；构建数据集；对数据集进行打标处理；在pytorch框架基础上设计图像复原网络与识别网络；搭建图像复原与目标识别网络层；复原图像与识别结果进行合并，实现端对端的图像复原与识别等多个步骤进行水下偏振图像的复原和识别，最后使用测试集测试经图像复原网络模型恢复后的图像质量效果并利用测试集的含有目标位置与类别信息的标签文件测试识别网络的识别效果。

技术领域

本发明涉及水下光学成像技术领域，尤其涉及一种水下偏振图像复原与识别方法。

背景技术

水下光学成像技术在水下勘探检测等领域具有广泛应用，为探索海洋提供了技术支持，但传统的水下光学成像技术无法过滤并剔除由杂质粒子发出的散射光，导致成像质量差的问题。因此提出了光学物理模型与深度学习相结合的研究，即利用神经网络提取图像的有效偏振信息达到清晰成像的目的。但对于实现水下探测设备的智能化，该研究仍存在不足与局限性。

目前，通过神经网络处理图像偏振信息的图像复原技术并没有充分利用采集到的偏振信息。在偏振成像的物理模型中，可以得到多个偏振信息指标。深度学习中的神经网络具有强大的特征提取与处理能力，完全能够充分提取并处理这些偏振信息。

如专利号CN113538279A公开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，通过利用卷积神经网络进行高浑浊度水下图像复原，虽然该专利的水下偏振图像复原系统基于深度学习，只针对于能够提高成像质量的偏振信息进行处理，使用提取的偏振光信息，去除混浊粒子的散射光的影响实现清晰成像能够对水下目标实现了图像的复原，却忽略了偏振信息中所隐含的图像内容的特征信息。缺乏对隐含图像内容的特性信息的处理，导致系统无法对图像内容做出相应反应与处理。

因此，对于整体的基于深度学习的图像恢复系统而言，如何在实现图像复原的基础上，通过构建目标识别网络对图像内容进行识别，从而实现水下光学成像智能化复原和识别成为本领域急需解决的难题。

发明内容

本发明针对现有图像复原技术存在的不足，本发明提供了一种基于深度学习的水下偏振图像复原与识别方法。输入端口中引入圆偏振图像，利用神经网络提取四张偏振图像的偏振信息，在pytorch框架基础上设计图像复原网络与识别网络，得到与提高成像质量相关的偏振信息矩阵，传入yolo网络，进一步提取特征，提取图像目标边缘表面的特征从而在图像复原基础上实现目标识别。

技术方案

一种水下偏振图像复原与识别方法，包括以下步骤：

步骤1、搭建水下主动成像系统；由光源(1)发出的光束依次经过偏振调制系统的第一偏振片(2)、第二四分之一波片(3)和扩束器(4)后照射在水中的目标物上(7)，经过目标物(7)反射后依次经过图像采集系统的第二偏振片(8)，四分之一波片(9)到达CMOS相机(10)；

步骤2、拍摄偏振图像；拍摄水下中清晰强度图像，利用步进电机控制CMOS相机(10)前的第二偏振片(8)，旋转至0°、45°、90°，并加入四分之一波片，得到0°、45°、90°和圆偏振四张图像；

步骤3、构建数据集；首先利用裁剪图像得到0°、45°、90°和圆偏振四张图像合成按照RGB图像格式构建三维图像，通过翻转扩大数据集，同时对图像中的目标进行打标操作，在标记图像中目标位置与类别信息；将得到的图像按0.8：0.1：0.1的比例分为训练集，验证集，测试集；

步骤4、在pytorch框架基础上设计图像复原网络与识别网络；其中图像复原网络由SFE、RDB、DFF网络层组件构成，用于图像的复原；目标识别网络由CSPDarknet53、SPP、PANet网络层组件构成，用于图像中目标的识别；通过路径聚合网络(PANet)将图像复原网络与识别网络进行链接，实现图像复原的同时实现目标识别；