基于改进DeblurGAN-v2模型的偏振图像重建方法

本发明属于图像处理，尤其涉及一种基于改进deblurgan-v2模型的偏振图像重建方法，适用于在动态成像、载体运动或相机抖动条件下对模糊偏振图像进行清晰重建，并为偏振导航定向、目标检测、光学成像质量提升等任务提供稳定可靠的偏振图像数据。

背景技术：

1、偏振成像能够记录光强以外的偏振方向、偏振度等物理信息，因而在仿生偏振导航、复杂环境目标探测、遥感成像以及水下或低能见度场景感知中具有重要应用价值。自然界中的沙蚁、蜜蜂等生物能够利用大气偏振模式完成导航，人们据此发展出的仿生偏振导航技术不依赖卫星信号，不受电磁干扰，具有良好的自主性和抗干扰能力。偏振相机或偏振成像传感器在获取场景偏振信息时，通常需要对不同偏振方向的光强进行采集和计算，以获得偏振角、偏振度及相关斯托克斯参数。

2、然而，在无人机、无人车、手持平台或其他运动载体工作过程中，偏振相机在曝光时间内容易受到平台振动、快速转向、姿态变化及相对运动的影响，导致入射光在传感器成像平面上形成连续位移积分，从而产生运动模糊。运动模糊不仅会造成图像边缘、纹理及高频细节退化，还会破坏偏振参数之间的空间对应关系，使偏振角和偏振度分布发生失真，进一步影响后续的定向解算、特征点提取和目标识别精度。

3、传统图像去模糊方法多依赖显式退化模型、先验假设或迭代优化，在处理均匀模糊或受控场景时具有一定效果，但面对非均匀运动模糊、复杂动态场景以及偏振特征显著变化的图像时，往往难以兼顾空间细节恢复和偏振物理信息保持。随着深度学习的发展，卷积神经网络和生成对抗网络被广泛应用于图像复原任务。deblurgan-v2作为一种典型的端到端运动去模糊模型，通过生成器与判别器的对抗训练能够实现较快且较高质量的图像复原。

4、但原始deblurgan-v2直接应用于偏振图像重建时仍存在不足：一方面，偏振角等参数对空间位置和方向纹理较为敏感，普通卷积特征提取缺乏对水平方向和垂直方向位置信息的显式编码，容易造成偏振边缘定位偏差；另一方面，原模型在特征金字塔结构中主要通过拼接方式融合多尺度特征，难以充分建模大范围偏振区域之间的长程依赖关系，容易产生冗余特征累积或关键偏振关联丢失。因此，有必要提出一种面向偏振图像特性的改进deblurgan-v2模型，以增强偏振空间信息表达和多尺度全局特征融合能力，提高动态场景下偏振图像重建的鲁棒性和准确性。

技术实现思路

1、发明目的：为了解决现有技术中动态偏振成像中运动模糊导致的偏振图像复原质量较差的问题，本发明提供一种基于改进deblurgan-v2模型的偏振图像重建方法。

2、技术方案：一种基于改进deblurgan-v2模型的偏振图像重建方法，包括以下步骤：

3、步骤一：在deblurgan-v2模型的基础上构建改进deblurgan-v2模型，改进deblurgan-v2模型包括生成器，所述生成器依次包括特征提取主干网络、特征融合模块及图像复原模块，所述特征提取主干网络在卷积层之前引入坐标注意力模块，所述特征融合模块在多尺度特征拼接之后引入biformer注意力模块；

4、步骤二：采集同一场景下的模糊偏振图像和对应的清晰偏振图像，对模糊偏振图像和清晰偏振图像进行空间配准及标准化处理，得到标准化偏振图像，将标准化后的模糊偏振图像作为生成器的输入，对应的标准化后的清晰偏振图像作为监督目标，输入改进deblurgan-v2模型的生成器进行训练；

5、步骤三：获取待重建的模糊偏振图像，对待重建的模糊偏振图像进行预处理，将预处理后的偏振图像特征数据输入训练好的改进deblurgan-v2模型的生成器中；先进行特征提取，在特征提取过程中利用坐标注意力模块对模糊偏振图像中的空间位置信息和通道特征信息进行联合编码，得到增强后的偏振特征图；再进行特征融合，在特征融合过程中利用biformer注意力机制，对不同尺度、不同层级的偏振特征进行动态筛选与融合；最后通过图像复原模块输出清晰偏振重建图像。

6、进一步地，步骤三中，在特征提取阶段，所述坐标注意力模块接收前序网络输出的偏振特征图，并分别沿高度方向和宽度方向对偏振特征图进行全局平均池化，得到包含水平方向位置信息的第一特征向量和包含垂直方向位置信息的第二特征向量；将所述第一特征向量和第二特征向量进行拼接，并输入共享的1×1卷积层和非线性激活函数中进行联合编码，得到融合空间坐标信息的中间特征；再通过两个并行的1×1卷积层分别生成水平方向注意力权重和垂直方向注意力权重，并经sigmoid函数归一化处理；最后，将所述水平方向注意力权重、垂直方向注意力权重与前序网络输出的偏振特征图进行逐元素相乘，得到增强后的偏振特征图。

7、进一步地，步骤三中，在特征融合阶段，将拼接后的多尺度偏振特征图划分为多个非重叠局部区域，并通过线性映射生成查询向量、键向量和值向量；对每个局部区域内的特征进行聚合，得到表示该区域整体语义和偏振分布的区域级特征表示；根据区域级特征之间的相关性构建邻接关系，并从中筛选出与当前区域相关性最高的若干区域作为注意力计算对象；随后利用双层路由注意力机制对被选中的局部区域进行特征交互，获得融合特征。

8、进一步地，步骤二中，空间配准及标准化处理包括：对模糊偏振图像和清晰偏振图像进行空间配准，使模糊偏振图像与清晰偏振图像在像素坐标上保持对应关系；将配准后的图像统一裁剪或缩放至预设分辨率，并对像素值进行归一化处理，得到标准化偏振图像数据。

9、进一步地，步骤三中，对待重建的模糊偏振图像进行预处理包括：对待重建的模糊偏振图像进行尺寸调整和像素归一化。

10、进一步地，步骤一中，改进deblurgan-v2模型还包括判别器，所述判别器采用双尺度判别机制，分别从局部图像块和整体图像层面对生成结果进行判别。

11、相比较现有技术，本发明提供的一种基于改进deblurgan-v2模型的偏振图像重建方法，存在以下有益效果：

12、（1）本发明在deblurgan-v2框架基础上面向动态偏振成像条件图像重建需求对传统模型结构进行了改进，可在动态成像和非均匀模糊场景下有效恢复偏振图像纹理、边缘和空间结构，避免偏振物理信息失真，充分融合多尺度特征，提高偏振图像重建质量。

13、（2）本发明通过在生成器特征提取阶段引入坐标注意力模块，将空间坐标信息嵌入通道加权过程，使网络在保留通道响应能力的同时具备更强的位置感知能力，从而增强对关键偏振边缘、纹理和模糊区域的表达。

14、（3）本发明通过在多尺度特征融合阶段引入biformer注意力机制，利用动态稀疏注意力和双层路由机制筛选有效区域并建模长程依赖，减少传统特征拼接造成的信息冗余，提高多尺度偏振特征的利用效率，从而提升偏振图像复原质量。

15、（4）本发明可提高偏振成像系统在动态环境中的鲁棒性，尤其适用于在动态成像、载体运动或相机抖动条件下对模糊偏振图像进行清晰重建，为后续偏振角解算、偏振导航定向、目标检测及复杂场景视觉感知等提供更清晰、更稳定可靠的输入图像。