為有效改善紅外偏振圖像視覺效應(yīng),提高紅外偏振成像質(zhì)量,提出了基于互結(jié)構(gòu)正則約束的紅外偏振圖像增強(qiáng)算法。根據(jù)紅外偏振特性描述,對Stokes參數(shù)Q分量與U分量進(jìn)行加權(quán)鄰域梯度融合,獲得起偏特征圖像,捕獲目標(biāo)邊緣、輪廓的偏振特性;提出互結(jié)構(gòu)正則約束模型,以梯度幅值相似算子聯(lián)合正則約束融合結(jié)果與起偏特征圖像的邊緣結(jié)構(gòu)相似性,及與輻射強(qiáng)度圖像的灰度一致性,優(yōu)化得到增強(qiáng)后的高質(zhì)量紅外偏振圖像。實(shí)驗(yàn)結(jié)果表明,基于互結(jié)構(gòu)正則約束的紅外偏振圖像增強(qiáng)算法,能有效提高紅外偏振圖像對比度與清晰度,同時(shí)提升復(fù)雜背景下人造目標(biāo)邊緣輪廓的偏振顯著性,算法快速,工程實(shí)時(shí)性高. 

【文章來源】：光子學(xué)報(bào). 2020,49(05)北大核心

【文章頁數(shù)】：6 頁

【部分圖文】：

基于互結(jié)構(gòu)約束的紅外偏振增強(qiáng)算法流程

為驗(yàn)證融合算法的可行性和有效性，利用紅外微偏振陣列成像儀，對真實(shí)場景進(jìn)行紅外偏振成像，通過算法仿真，結(jié)合視覺效應(yīng)與評測指標(biāo)對文獻(xiàn)[3]算法與本文算法進(jìn)行對比分析．仿真平臺為Matlab2018a，圖像空間分辨率為640×512，算法中取參數(shù)c=10-4，γ=η=1/2，優(yōu)化求解采用梯度下降法（Gradient Descent,GD），其學(xué)習(xí)率設(shè)定為lr=0.01，初始值O0=I，迭代終止誤差設(shè)定為e=10-3，由于能量函數(shù)式（13）為凸函數(shù)，GD優(yōu)化解全局最優(yōu)．針對于測試場景1（停車場），其迭代次數(shù)n=7時(shí)，結(jié)果已收斂；對應(yīng)輻射強(qiáng)度圖像，起偏特征圖像，ZHAO R[3]結(jié)果及本文算法增強(qiáng)結(jié)果如圖2、圖3.圖3 測試場景1局部細(xì)節(jié)結(jié)果對比

圖2 測試場景1結(jié)果對比由圖2、圖3可看出，原始紅外強(qiáng)度圖像，由于成像輻射強(qiáng)度衰減性，清晰度、對比度差；而圖2(b）中，本文計(jì)算得到的起偏特征圖像，有效提高了人造目標(biāo)邊緣輪廓的辨識度；對比圖2(c）、2(d）可明顯看出，相對于ZHAO R[3]算法其增強(qiáng)結(jié)果不顯著，邊緣輪廓信息模糊；本文算法將特征起偏圖像的邊緣細(xì)節(jié)信息進(jìn)行正則約束優(yōu)化，增強(qiáng)結(jié)果其視覺效應(yīng)顯著提高，同時(shí)更清晰凸顯了車輛目標(biāo)的邊緣和輪廓特征，目標(biāo)可探測性進(jìn)一步提升．

【參考文獻(xiàn)】：
期刊論文
[1]基于顏色空間融合與上下文顯著性的紅外偏振圖像目標(biāo)增強(qiáng)[J]. 宮劍,呂俊偉,劉亮.  光學(xué)學(xué)報(bào). 2019(10)
[2]紅外光強(qiáng)與偏振圖像多類擬態(tài)變元組合融合[J]. 呂勝,楊風(fēng)暴,吉琳娜,焦玉茜.  紅外與激光工程. 2018(05)
[3]基于DTCWT和稀疏表示的紅外偏振與光強(qiáng)圖像融合[J]. 朱攀,劉澤陽,黃戰(zhàn)華.  光子學(xué)報(bào). 2017(12)
[4]基于顏色遷移和聚類分割的偏振圖像融合方法[J]. 周浦城,張洪坤,薛模根.  光子學(xué)報(bào). 2011(01)



本文編號：3007689