摘要
水下成像技术在许多领域有着广泛的应用，如水下救援、水下考古、水下目标识别、水下资源勘探等领域。然而，由于水中存在的悬浮颗粒，光将被散射和吸收，导致水下成像质量差，图像清晰度低，严重缺乏图像细节，限制了水下成像的质量。因此如何有效降低浑浊水体中悬浮颗粒的散射和吸收效应对成像的影响，提高水下成像的清晰度，成为水下成像领域的一个重要研究课题。水下偏振光去雾成像技术根据光通过散射颗粒时的偏振变化特性，利用光的偏振信息去除散射光的影响，实现浑浊水下环境中的清晰化成像，吸引了许多学者致力于水下偏振去雾成像的研究。提出了包括偏振差分成像、结合斯托克斯矢量、数字图像增强、深度学习等不同的去雾成像方法，进一步提高去雾成像质量。近年来，随着深度学习技术在计算机视觉领域的快速发展与突破，研究基于深度学习的水下偏振去雾成像技术的内在机理并实现有效的去雾，已成为该领域的前沿热门研究课题。本文在水下偏振去雾成像模型的指导下，完成了水下偏振去雾成像系统的搭建和水下真实偏振图像数据集的采集，进行了基于线偏振光和基于圆偏振光的水下去雾成像的实验研究比较。提出了三种神经网络结构，利用采集到的偏振图像数据实现水下清晰化成像。同时，通过深度学习技术优化水下偏振去雾成像模型参数的估计过程提高去雾成像的速度，拓展了智能化水下偏振去雾成像的理论与方法。最后，完成了浑浊水下环境中基于偏振特征分布信息的目标识别与定位技术的研究。本论文的主要研究内容如下: 1.基于水下偏振去雾成像理论模型，搭建了两种主动水下偏振（线偏振和圆偏振）去雾成像系统，采集水下偏振图像数据集，对比了不同偏振态的光源在水下去雾成像的效果。同时以水下主动偏振去雾成像的物理模型为基础，结合深度学习设计了两种基于模型参数估计的多输入卷积神经网络（CNN）模型（一种网络是以传统去雾成像模型为基础，一种是在传统物理模型基础上添加了圆偏振分量信息）用以估计物理模型的关键参数变量，从而实现目标物在浑浊水下环境中图像的复原。 2.设计了一种基于偏振残差密集网络的四输入神经网络模型（PRDN）,用于实现端到端的水下图像恢复。考虑到不同材料物体在不同浊度水中的反射光偏振信息差异，利用圆偏振光的记忆效应并结合残差网络，通过残差信息融合的方式实现深层网络对不同偏振分量图像的训练和测试，实现水中目标物体的识别和去雾。网络模型能有效地恢复模糊化图像，即使在高浊度的复杂水下环境中，也有良好的图像恢复效果。 3.根据水下偏振去雾成像物理模型，通过随机梯度下降算法(SGD)联合估计了目标信息光与背向散射光的线偏振度(DOLP)和水中的透射系数，实现水下快速去雾成像。实验结果表明，与传统的水下去雾成像方法相比，该方法能更快的实现水下图像复原，实现快速水下偏振去雾成像。 4.研究了基于不同材料物体的偏振特征信息并进行目标识别与定位。通过利用偏振光照射下不同材质物体的反射光偏振特性的差异，提取了偏振角(AOP)和线性偏振度(DOLP)的偏振特征分布信息,设计了基于偏振特征分布的YOLOv4网络，实现浑浊水下环境中不同材料物体的识别与定位。
NETL