[发明专利]一种基于仿生视觉机理的水下偏振图像融合系统

摘要

本发明公开了一种基于仿生视觉机理的水下偏振图像融合系统，其包括基于非均匀光场的集束光水下偏振成像模块、偏振参量图像计算模块、图像存储模块、图像分级融合模块、输出显示模块。首先，采用集束光源作为水下照明建立非均匀光场，仿螳螂虾视觉偏振感知机理提取水下偏振图像，抑制水中悬浮微粒导致的后向散射；然后，利用偏振参量图像间的信息相关性和互补性，基于人眼视觉特性构建图像的分级融合模型，实现偏振图像的特征与多尺度融合。本发明可以有效地改善水下偏振图像的清晰度和对比度，有利于水下目标的检测与分析，进一步提高水下目标的探测精度。

主权项

1.一种基于仿生视觉机理的水下偏振图像融合系统，其特征在于：包括水下偏振成像模块、偏振参量图像计算模块、图像存储模块、图像分级融合模块以及输出显示模块；所述水下偏振成像模块，采用集束光源作为水下照明建立非均匀光场，在水下摄像机前面安置线偏振片，通过偏振片旋转控制器改变偏振角度，分别采集偏振角度为0°、45°、90°、135°的四幅线偏振图像I_0°,I_45°,I_90°,I_135°；所述偏振参量图像计算模块，模拟螳螂虾的偏振感知机制，建立双通道偏振拮抗模型，将所述四幅偏振角度互相垂直的线偏振图像I_0°,I_90°,I_45°,I_135°分别输入拮抗双通道，通过优化模型参数，计算获得具有不同偏振特征信息的偏振拮抗参数，包括偏振拮抗参数Ph和Pd，其中Ph表示由I_0°和I_90°组成的1通道的输出偏振拮抗参数，Pd表示由I_45°和I_135°组成的2通道的输出偏振拮抗参数，并采用Stokes向量法计算出线偏振度DoP和合成光强I，从而得到偏振拮抗参数Ph、Pd和线偏振度DoP、合成光强I的四幅水下偏振参量图像；所述图像存储模块，对采集和计算的水下偏振参量图像数据进行存储；所述图像分级融合模块，基于人眼视觉特性构建水下偏振图像的分级融合模型，依次实现第一级特征融合和第二级的多尺度融合，得到细节信息丰富且对比度高的偏振融合结果图像；所述输出显示模块，将所述偏振融合结果图像输出显示；所述偏振参量图像计算模块，仿螳螂虾偏振视觉的偏振拮抗参数计算方法，包括以下步骤：(一)借鉴螳螂虾的偏振拮抗感知机制，建立双通道偏振拮抗模型，形成两个线偏振拮抗通道，每个通道由相互正交的一对偏振信号作为输入，即1通道由I_0°和I_90°作为输入，2通道由I_45°和I_135°作为输入；(二)设计线偏振拮抗通道的调谐参数e和t，对1通道和2通道的输入偏振信号对分别进行线性加权处理，得到双通道的输出偏振拮抗参数Ph和Pd，其中，所述步骤(二)中，1通道和2通道的输出调谐参数计算公式如下：Ph＝e×I_0°+t×I_90°Pd＝e×I_45°+t×I_135°，其中，e和t为线偏振拮抗通道的调谐参数；通过实验确定参数e和t的取值范围，然后以基于局部结构张量的无参考型图像质量评价指标Q作为目标函数，采用混沌粒子群优化算法，自适应地寻找参数e和t的最优解，基于局部结构张量的无参考型图像质量评价指标Q为：e和t由图像的局部梯度协方差矩阵局部结构张量F进行奇异值分解得到：图像中的某一像素点f(x,y)的P×P邻域为w，该像素点的局部梯度向量J为：J＝[g_x(k) g_y(k)],k∈w；所述图像分级融合模块中，基于人眼视觉特性的水下偏振参量图像分级融合方法，分为特征融合和多尺度融合两个层级，第一级特征融合包括以下步骤：(a)将Ph、Pd和DoP三幅偏振参量图像矩阵分别按列首尾相连存成3个列向量，再组成一个3列的矩阵作为非负矩阵分解的输入数据矩阵A_i×3，其中，i＝C*D是每幅图像的像素总数，C、D分别表示每幅图像矩阵的行、列数；(b)采用A_i×3和W×H间欧氏距离的平方作为目标函数，并选取特征基矩阵W的列数为1，对A_i×3矩阵进行NMF处理，从而得到特征基向量W_i×1，将其转换成C×D维矩阵，即得偏振特征融合图像PF，W和H分别是对A_i×3线性逼近的特征基矩阵及A_i×3在特征基上的投影系数矩阵；所述的图像分级融合模块中，第二级多尺度融合方法包括以下步骤：(1)对待融合的合成光强图像I和偏振特征融合图像PF进行快速离散Curvelet变换，分别得到低频子带CI₀(x,y)和CPF₀(x,y)，与各个高频方向子带CI_(s,d)(x,y)和CPF_(s,d)(x,y)，其中s表示尺度，d表示子带方向；(2)对所述步骤(1)中的低频子带，采用如下线性加权融合策略：CFI₀(x,y)＝w₁CI₀(x,y)+w₂CPF₀(x,y)其中，CFI₀(x,y)是融合后的低频子带，w₁、w₂为融合权重因子，取值范围均为[0,1]，将此时融合后的低频图像的信息熵E(w₁,w₂)作为混沌粒子群优化算法的适应度函数，利用混沌粒子群优化算法自适应地寻找最佳融合权重因子w₁和w₂；(3)为了保留待融合图像的细节信息，对所述步骤(1)中的高频方向子带，采用局部区域能量作为特征量的融合策略：其中，CFI_(s,d)(x,y)是融合后的第s尺度d方向的高频子带系数，和分别表示合成光强图像I和偏振特征图像PF在第s尺度d方向上的高频子带以(x,y)为中心的局部区域能量，其计算公式如下：式中：M、N表示以(x,y)为中心的局部矩形区域的长和宽；(4)对步骤(2)中融合后的低频子带系数采用Retinex算法去除图像中的光照不均，对步骤(3)中融合后的高频方向子带系数采用自适应阈值法滤除噪声；其中，Retinex算法采用的是多尺度Retinex算法，Retinex算法处理：r(x,y)是输出低频子带，F(x,y)是高斯滤波函数，S(x,y)是输入低频子带，K是尺度的个数，a_k是每个尺度的权重，K＝3，并取a₁＝a₂＝a₃＝1/3，自适应阈值去噪法：这里，各个高频方向子带的阈值选取采用如下公式：式中，对最细尺度，取l＝4，其余子带取l＝3，原图的噪声标准差σ_n用鲁棒的中值估计子进行估计，即：σ_n＝median(abs(E))/0.6745，第s尺度d方向上的高频子带系数方差利用蒙特卡洛估计法计算得到；(5)对步骤(4)中处理后的低频子带系数和高频方向子带系数进行HVS掩模变换，得到基于人眼视觉特性的FDCT对比度掩模系数；(6)对所述步骤(5)得到的FDCT对比度掩模系数采用非线性映射函数进行自动处理，突出图像的细节特征；(7)采用非线性增益函数对FDCT低频子带系数进行自动调整，提高图像整体对比度；(8)对步骤(6)中经非线性映射函数处理后的FDCT对比度掩模系数进行HVS掩模反变换，得到处理后的FDCT高频方向子带系数；(9)对步骤(7)和(8)中处理后的FDCT低频子带系数和高频方向子带系数进行FDCT反变换，得到最终的偏振融合结果图像FI。