一种水下压缩感知成像方法及装置

摘要: 本发明属于激光成像领域,具体涉及一种水下压缩感知成像方法及装置。背景技术:1、水下光学成像在海洋资源探测、水下目标识别、海洋工程检测以及水下机器人视觉感知等领域...
一种水下压缩感知成像方法及装置

本发明属于激光成像领域,具体涉及一种水下压缩感知成像方法及装置。

背景技术:

1、水下光学成像在海洋资源探测、水下目标识别、海洋工程检测以及水下机器人视觉感知等领域具有重要应用价值。然而,光在水体中传播时会受到吸收和散射的共同影响,其中吸收会造成光能量衰减,散射会改变光的传播方向并引入背景噪声和图像模糊。当水体浑浊程度升高或传播距离增加时,探测器接收到的有效目标信息明显减少,传统面阵相机成像容易出现对比度下降、边缘模糊、细节丢失和噪声增强等问题。因此,如何在复杂水质条件下提高水下目标成像质量,一直是水下光学成像领域的重要研究方向。

2、现有方法通常先利用如匹配追踪(omp)、基追踪(bp)、凸集投影(pocs)等传统重建算法获得初始重建图像,再将该图像输入深度网络进行后端增强,最终输出增强后的重建图像。

3、然而,由于传统重建算法对噪声和欠采样敏感,使初始重建图像容易产生背景噪声和高频伪影,导致初始重建图像不准确;同时深度网络难以利用原始测量值中包含的有效信息,导致增强过程容易受到影响。因此导致输出的增强后的重建图像不准确。

技术实现思路

1、为了解决现有技术中存在的上述问题,本发明提供了一种水下压缩感知成像方法。本发明要解决的技术问题通过以下技术方案实现:

2、第一方面,本发明提供了一种水下压缩感知成像方法,所述方法包括:

3、s1、获取对水下待成像目标进行压缩感知采样得到的多组光强分布值,以及dmd测量矩阵,并从多组光强分布值划分出训练集;

4、s2、对所述训练集中的光强分布值进行计算得到用于表征水下成像系统固有误差的共同响应向量,并将所述训练集中的光强分布值与所述共同响应向量进行相减,得到用以表征环境随机扰动的条件退化残差集合;

5、s3、获取清晰目标图像,基于所述dmd测量矩阵计算所述清晰目标图像的光强分布值并进行均值归一化,得到均值归一化光强分布值,将所述均值归一化光强分布值与所述共同响应向量进行逐元素相乘,并叠加从所述条件退化残差集合中选择的目标条件退化残差,生成仿真光强分布值;将得到的各仿真光强分布值与对应的清晰目标图像组合,得到仿真训练数据集;

6、s4、将所述仿真训练数据集中的仿真光强分布值输入已构建的重建网络,提取所述仿真光强分布值的测量域特征;利用所述dmd测量矩阵对所述仿真光强分布值进行物理反投影,得到物理反投影特征;利用所述物理反投影特征与所述仿真光强分布值构建退化条件编码;基于所述测量域特征、物理反投影特征和退化条件编码输出重建图像;基于所述dmd测量矩阵、所述重建图像、所述仿真光强分布值与对应的清晰目标图像,计算总损失以更新所述重建网络的参数,得到训练好的wg-spinet重建网络模型;

7、s5、获取待测水下成像目标的光强分布值输入训练好的wg-spinet重建网络模型中,输出对应的水下重构目标图像。

8、在本发明的一个实施例中,所述对所述训练集中的光强分布值进行计算得到用于表征水下成像系统固有误差的共同响应向量,包括:

9、对所述训练集中的各组光强分布值进行背景估计,并基于估计得到的背景从对应组的光强分布值中进行扣除,得到各组对应的背景扣除光强分布值;

10、针对得到的各组背景扣除光强分布值,计算算术平均值,得到对应的平均光强分布值;

11、基于各组背景扣除光强分布值和所述平均光强分布值,计算各组对应的归一化光强分布值;

12、基于各组对应的归一化光强分布值,计算得到用于表征水下成像系统固有误差的共同响应向量。

13、在本发明的一个实施例中,所述基于各组对应的归一化光强分布值,计算得到用于表征水下成像系统固有误差的共同响应向量,包括:

14、将各组对应的归一化光强分布值,根据所述dmd测量矩阵以调制图案位置为基准分组,得到归一化光强分布值序列;

15、取所述归一化光强分布值序列中的中间值作为所述归一化光强分布值序列对应的序列光强分布值;

16、基于所有所述序列光强分布值构建共同响应向量。

17、在本发明的一个实施例中,所述将所述训练集中的光强分布值与所述共同响应向量进行相减,得到用以表征环境随机扰动的条件退化残差集合,包括:

18、将各组对应的归一化光强分布值分别与所述共同响应向量进行逐元素相减,得到多组条件退化残差,由所述多组条件退化残差构成所述条件退化残差集合。

19、在本发明的一个实施例中,所述基于所述dmd测量矩阵计算所述清晰目标图像的光强分布值并进行均值归一化,得到均值归一化光强分布值,将所述均值归一化光强分布值与所述共同响应向量进行逐元素相乘,包括:

20、将所述均值归一化光强分布值与所述共同响应向量进行哈达玛积运算,以利用所述共同响应向量对所述清晰目标图像的光强分布值进行系统固有退化调制,得到退化调制特征。

21、在本发明的一个实施例中,所述叠加从所述条件退化残差集合中选择的目标条件退化残差,生成仿真光强分布值,包括:

22、根据水质类别,从所述条件退化残差集合中选择对应的条件退化残差作为目标条件退化残差。

23、将所述退化调制特征、乘有预设权重系数的所述目标条件退化残差、高斯随机噪声项以及预设的系统漂移偏置进行叠加,生成所述仿真光强分布值。

24、在本发明的一个实施例中,所述利用所述dmd测量矩阵对所述仿真光强分布值进行物理反投影,得到物理反投影特征;利用所述物理反投影特征与所述仿真光强分布值构建退化条件编码,包括:

25、将所述仿真训练数据集中的仿真光强分布值通过所述dmd测量矩阵进行物理反投影映射,展开至二维图像像素空间,得到所述仿真光强分布值对应的二维空间初始特征作为所述物理反投影特征;

26、将所述二维空间初始特征与对应的仿真光强分布值进行通道拼接,得到对应的退化条件编码。

27、在本发明的一个实施例中,所述基于所述dmd测量矩阵、所述重建图像、所述仿真光强分布值与对应的清晰目标图像,计算总损失以更新所述重建网络的参数,得到训练好的wg-spinet重建网络模型,包括:

28、将所述重建网络输出的重构图像与所述dmd测量矩阵进行矩阵相乘,反向投影重构出所述重构图像对应的预测光强分布值;

29、基于所述预测光强分布值与所述仿真光强分布值之间的差异,计算测量一致性损失;

30、基于所述重构图像与对应的清晰目标图像之间的差异计算图像重建损失;

31、基于所述重构图像的梯度分布和对应的清晰目标图像的梯度分布之间的差异计算边缘梯度损失;

32、根据所述一致性损失、所述图像重建损失和所述边缘梯度损失计算总损失,根据所述总损失通过反向传播更新所述重建网络的网络参数。

33、在本发明的一个实施例中,所述待测水下成像目标的光强分布值,是对待测水下成像目标进行压缩感知采样得到的真实光强分布值。

34、第二方面,本发明提供了一种水下压缩感知成像装置,所述装置包括:

35、数据集划分模块,用于获取对水下待成像目标进行压缩感知采样得到的多组光强分布值,以及dmd测量矩阵,并从多组光强分布值划分出训练集;

36、退化特征分解模块,用于对所述训练集中的光强分布值进行计算得到用于表征水下成像系统固有误差的共同响应向量,并将所述训练集中的光强分布值与所述共同响应向量进行相减,得到用以表征环境随机扰动的条件退化残差集合;

37、仿真数据构建模块,用于获取清晰目标图像,基于所述dmd测量矩阵计算所述清晰目标图像的光强分布值并进行均值归一化,得到均值归一化光强分布值,将所述均值归一化光强分布值与所述共同响应向量进行逐元素相乘,并叠加从所述条件退化残差集合中选择的目标条件退化残差,生成仿真光强分布值;将得到的各仿真光强分布值与对应的清晰目标图像组合,得到仿真训练数据集;

38、网络模型训练模块,用于将所述仿真训练数据集中的仿真光强分布值输入已构建的重建网络,提取所述仿真光强分布值的测量域特征;利用所述dmd测量矩阵对所述仿真光强分布值进行物理反投影,得到物理反投影特征;利用所述物理反投影特征与所述仿真光强分布值构建退化条件编码;基于所述测量域特征、物理反投影特征和退化条件编码输出重建图像;基于所述dmd测量矩阵、所述重建图像、所述仿真光强分布值与对应的清晰目标图像,计算总损失以更新所述重建网络的参数,得到训练好的wg-spinet重建网络模型;

39、水下图像重建模块,用于获取待测水下成像目标的光强分布值输入训练好的wg-spinet重建网络模型中,输出对应的水下重构目标图像。

40、与现有技术相比,本发明的有益效果包括:

41、首先,本发明通过步骤s1和s2,对实测光强数据进行分解,提取出表征系统固有误差的“共同响应向量”与表征环境随机扰动的“条件退化残差集合”;进一步通过步骤s3,将清晰图像的归一化光强与共同响应向量逐元素相乘并叠加目标条件退化残差,从而物理级地合成了高度逼真的水下仿真光强分布值。该过程将复杂的水下退化解耦为系统固有误差和环境随机噪声,克服了传统重建算法对噪声敏感、易产生背景噪声和高频伪影的缺陷,提升了网络训练数据的物理逼真度与丰富度,提高了后续图像重建的准确性与抗噪能力。

42、同时,本发明在步骤s4中,并非直接将测量值输入通用深度网络,而是首先提取一维测量域特征,同时利用dmd测量矩阵将测量值物理反投影至二维空间以保留成像物理先验,并进一步结合二者构建退化条件编码来动态调制网络。通过将一维测量域信息、二维物理反投影特征与环境退化条件深度融合,克服了传统深度网络无法充分挖掘和利用原始测量值中包含的有效信息的缺陷,增强了网络对不同水下退化条件的自适应能力,使图像增强与重建过程更加鲁棒和准确。

43、最后,本发明在步骤s4的网络训练中,总损失不仅包含了重构图像与真实图像在空间域的像素级差异,还结合dmd测量矩阵引入了测量域的一致性约束;在步骤s5中,将待测光强直接输入训练好的wg-spinet网络实现高精度重构。通过测量一致性约束,确保了重构图像在物理测量域与空间像素域的双重对齐,有效地抑制了高频伪影,保留了目标的边缘与细节特征,最终实现了对水下浑浊环境中目标的高清晰度、高准确度重建。

44、以下将结合附图及实施例对本发明做进一步详细说明。