電子發(fā)燒友App
偏振圖像融合旨在通過(guò)光譜信息和偏振信息的結(jié)合改善圖像整體質(zhì)量，在圖像增強(qiáng)、空間遙感、目標(biāo)識(shí)別和軍事國(guó)防等領(lǐng)域具有廣泛應(yīng)用。
據(jù)麥姆斯咨詢報(bào)道，近期，長(zhǎng)春理工大學(xué)電子信息工程學(xué)院的科研團(tuán)隊(duì)在《紅外技術(shù)》期刊上發(fā)表了以“深度學(xué)習(xí)偏振圖像融合研究現(xiàn)狀”為主題的文章。該文章第一作者和通訊作者為段錦教授。
本文在回顧基于多尺度變換、稀疏表示和偽彩色等傳統(tǒng)融合方法基礎(chǔ)上，重點(diǎn)介紹基于深度學(xué)習(xí)的偏振圖像融合方法研究現(xiàn)狀。首先闡述基于卷積神經(jīng)網(wǎng)絡(luò)和生成對(duì)抗網(wǎng)絡(luò)的偏振圖像融合研究進(jìn)展，然后給出在目標(biāo)檢測(cè)、語(yǔ)義分割、圖像去霧和三維重建領(lǐng)域的相關(guān)應(yīng)用，同時(shí)整理公開(kāi)的高質(zhì)量偏振圖像數(shù)據(jù)集，最后對(duì)未來(lái)研究進(jìn)行展望。
傳統(tǒng)偏振融合方法
基于多尺度變換
基于多尺度變換（MST）的偏振圖像融合方法研究開(kāi)始較早且應(yīng)用廣泛。2016年，中北大學(xué)提出一種紅外偏振與強(qiáng)度圖像融合算法，融合結(jié)果能夠保留紅外強(qiáng)度圖像的全部特征和大部分偏振圖像的特征。2017年，提出一種基于離散小波變換（DWT）、非下采樣輪廓波變換（NSCT）以及改進(jìn)主成分分析（PCA）的多算法協(xié)同組合的融合方法，該方法考慮到了3種算法的互補(bǔ)協(xié)同關(guān)系，能夠充分保留源圖像的重要目標(biāo)和細(xì)節(jié)信息。2020年，提出一種基于小波和輪廓波變換的偏振圖像融合算法，解決了信息保留不充分、偏振圖像干擾視覺(jué)觀察和紋理細(xì)節(jié)不理想等問(wèn)題。同年，有研究者針對(duì)中波紅外偏振圖像特點(diǎn)，提出一種基于小波變換的融合方法，根據(jù)圖像的高低頻特點(diǎn)選擇不同的融合規(guī)則，獲得了高分辨率的融合圖像。2022年，提出一種水下偏振圖像融合算法，融合圖像具有突出的細(xì)節(jié)和更高的清晰度。2023年，提出一種多尺度結(jié)構(gòu)分解的圖像融合方法，將紅外圖像和偏振圖像分解為平均強(qiáng)度、信號(hào)強(qiáng)度和信號(hào)結(jié)構(gòu)并分別采用不同的融合策略，實(shí)驗(yàn)結(jié)果能保留更多的紋理細(xì)節(jié)，對(duì)比度得到有效提升并抑制偽影。
基于稀疏表示
基于稀疏表示（SR）的融合方法主要利用偏振圖像稀疏性，將圖像分解為基礎(chǔ)矩陣和稀疏系數(shù)矩陣后，再利用逆稀疏性原理進(jìn)行重構(gòu)，能夠?qū)崿F(xiàn)偏振信息和空間信息的充分融合。2015年，將MST和SR相結(jié)合提出一種通用的圖像融合框架，然后在多聚焦、可見(jiàn)光和紅外以及醫(yī)學(xué)圖像融合任務(wù)中進(jìn)行驗(yàn)證，并與6種多尺度分析方法的融合效果進(jìn)行比較。2017年，天津大學(xué)提出一種基于雙樹(shù)復(fù)小波變換（DTCWT）和SR的偏振圖像融合方法。利用絕對(duì)值最大值策略融合高頻部分，低頻部分則利用稀疏系數(shù)的位置信息判斷共有特征和特有特征，并分別制定相應(yīng)策略，融合圖像具有較高對(duì)比度和細(xì)節(jié)信息。2021年，提出一種雙變量二維的經(jīng)驗(yàn)?zāi)B(tài)分解和稀疏表示相結(jié)合的紅外偏振圖像融合方法。通過(guò)絕對(duì)值最大策略融合高頻分量，有效地保留了細(xì)節(jié)信息。利用SR提取低頻分量間的共同特征和新特征，并制定適當(dāng)?shù)娜诤弦?guī)則進(jìn)行組合，融合結(jié)果在視覺(jué)感受和定量分析都更具有優(yōu)勢(shì)，如圖1所示。
圖1 基于SR的不同場(chǎng)景融合結(jié)果
基于淺層神經(jīng)網(wǎng)絡(luò)
基于淺層神經(jīng)網(wǎng)絡(luò)的偏振圖像融合方法主要利用了脈沖耦合神經(jīng)網(wǎng)絡(luò)（PCNN），通過(guò)脈沖編碼信號(hào)進(jìn)行信息的傳遞和處理，也通常與多尺度變換方法結(jié)合設(shè)計(jì)。2013年，提出一種改進(jìn)PCNN模型的偏振圖像融合算法，利用偏振參數(shù)圖像生成帶有目標(biāo)細(xì)節(jié)的融合圖像進(jìn)行偏振信息分析，同時(shí)使用匹配度M作為融合規(guī)則，獲得了能夠保留更多細(xì)節(jié)信息的高質(zhì)量融合圖像。2018年，提出一種基于二維經(jīng)驗(yàn)?zāi)Ｊ椒纸猓˙EMD）和自適應(yīng)PCNN的偏振圖像融合算法，首先將線偏振度圖像和偏振角圖像進(jìn)行融合得到偏振特征圖像，然后將其與強(qiáng)度圖像進(jìn)行分解，最后高低頻分量分別利用局部能量和區(qū)域方差自適應(yīng)的融合策略。實(shí)驗(yàn)結(jié)果表明，提出的算法在多項(xiàng)評(píng)價(jià)指標(biāo)上更具有優(yōu)勢(shì)。2020年，結(jié)合非下采樣剪切波變換和參數(shù)自適應(yīng)簡(jiǎn)化型脈沖耦合神經(jīng)網(wǎng)絡(luò)提出一種水下偏振圖像融合方法，能夠有效探測(cè)到水下目標(biāo)物的更多細(xì)節(jié)和顯著特征，在主觀視覺(jué)和客觀評(píng)價(jià)上都得到明顯提升，融合結(jié)果如圖2所示。
圖2 基于PCNN的不同場(chǎng)景融合結(jié)果
基于偽彩色
基于偽彩色的偏振圖像融合方法可以將目標(biāo)或場(chǎng)景的熱輻射信息轉(zhuǎn)換為符合人類(lèi)視覺(jué)感受的色彩，能夠有效提高成像效果。2006年，采集665 nm波段的航空遙感偏振圖像，并對(duì)地物場(chǎng)景進(jìn)行上色，成功區(qū)分了陸地、海面和房屋等顯著區(qū)域。2007年，西北工業(yè)大學(xué)提出一種基于偽彩色映射和線偏振度熵的自適應(yīng)加權(quán)多波段偏振圖像融合方法，通過(guò)將不同波段的Stokes圖像和DoLP圖像結(jié)合，有效地去除了背景雜波。同年，提出一種綜合偽彩色映射和小波變換的融合方法，將其應(yīng)用在全色圖像和光譜圖像的融合任務(wù)中，在顯著增強(qiáng)目標(biāo)與背景對(duì)比度的同時(shí)可以保留目標(biāo)信息。2010年，結(jié)合非負(fù)矩陣分解和IHS顏色模型提出一種偏振圖像融合方法，具有較好的色彩表達(dá)和目標(biāo)細(xì)節(jié)增強(qiáng)能力。隨后，他們提出一種基于顏色轉(zhuǎn)移和聚類(lèi)分割的偽彩色圖像融合方法，融合結(jié)果符合視覺(jué)感知，同時(shí)可以使人工目標(biāo)在雜亂背景下的對(duì)比度更加突出。2012年，提出一種針對(duì)紅外偏振和紅外光強(qiáng)圖像的偽彩色融合方法，并通過(guò)實(shí)驗(yàn)證明了在多項(xiàng)指標(biāo)中的明顯優(yōu)勢(shì)。近些年，北京理工大學(xué)在該領(lǐng)域開(kāi)展較多研究，取得了豐富的研究成果。
傳統(tǒng)融合方法對(duì)比分析
以上4種類(lèi)型融合方法都具有各自的優(yōu)缺點(diǎn)，方法對(duì)比如表1所示。在實(shí)際應(yīng)用中，通?？梢愿鶕?jù)應(yīng)用場(chǎng)景將這些方法相互結(jié)合進(jìn)行算法的設(shè)計(jì)。
表1 傳統(tǒng)偏振圖像融合方法對(duì)比
深度學(xué)習(xí)偏振融合方法
基于卷積神經(jīng)網(wǎng)絡(luò)
基于CNN的偏振圖像融合方法具有較為突出的融合效果。2017年，提出一種雙流型CNN用于高光譜圖像和SAR圖像的融合任務(wù)，并通過(guò)實(shí)驗(yàn)證明了提出的網(wǎng)絡(luò)能夠較好地平衡和融合源圖像的互補(bǔ)信息。2020年，中南大學(xué)在可見(jiàn)光單波段的偏振融合任務(wù)中提出一種無(wú)監(jiān)督的深度學(xué)習(xí)網(wǎng)絡(luò)（PFNet），網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。其中，PFNet包括特征提取、融合和重構(gòu)模塊，同時(shí)通過(guò)密集塊和多尺度加權(quán)結(jié)構(gòu)相似度損失函數(shù)提高了網(wǎng)絡(luò)性能。PFNet能夠?qū)W習(xí)端到端的映射，進(jìn)而實(shí)現(xiàn)強(qiáng)度圖像和偏振度圖像的充分融合，而無(wú)需考慮融合圖像的真實(shí)值，具有能夠避免復(fù)雜的水平測(cè)量和融合規(guī)則設(shè)計(jì)等優(yōu)點(diǎn)。
圖3 PFNet網(wǎng)絡(luò)架構(gòu)
2021年，提出一種結(jié)合NSCT 和CNN的偏振圖像融合算法。首先利用快速引導(dǎo)濾波和脈沖耦合神經(jīng)網(wǎng)絡(luò)對(duì)偏振角圖像進(jìn)行去噪，然后將其與線偏振度圖像融合得到偏振特征圖像，最后通過(guò)多尺度變換的方法生成融合圖像。同年，中南大學(xué)對(duì)PFNet進(jìn)行改進(jìn)，提出一種自學(xué)習(xí)策略的深度卷積網(wǎng)絡(luò)。相較于PFNet，主要改進(jìn)內(nèi)容是在網(wǎng)絡(luò)結(jié)構(gòu)中構(gòu)建一個(gè)融合子網(wǎng)絡(luò)替代原來(lái)的連接方式。融合子網(wǎng)絡(luò)的設(shè)計(jì)借鑒了殘差結(jié)構(gòu)，采用3層帶有RELU激活函數(shù)的卷積層，如圖4所示。同時(shí)，使用修正的余弦相似度損失函數(shù)代替平均絕對(duì)誤差損失，能夠更好地衡量融合特征與編碼特征間的差異。此外，提出的網(wǎng)絡(luò)在偏振圖像數(shù)據(jù)集中進(jìn)行訓(xùn)練得到的模型，在其他模態(tài)圖像融合任務(wù)中仍具有較好的效果。
圖4 融合子網(wǎng)架構(gòu)
2022年，提出一種基于像素信息引導(dǎo)和注意力機(jī)制的無(wú)監(jiān)督偏振圖像融合網(wǎng)絡(luò)。將偏振圖像中需要融合的信息定義為高度偏振的目標(biāo)信息和強(qiáng)度圖像的紋理信息，通過(guò)特別設(shè)計(jì)的損失函數(shù)約束不同圖像的像素分布，可以在像素級(jí)別上更好地保留不同類(lèi)型的顯著信息，同時(shí)在融合模塊中引入注意力機(jī)制，有效解決了偏振信息和紋理分布不一致等問(wèn)題。實(shí)驗(yàn)證明，融合結(jié)果具有更豐富的偏振信息和更適宜的亮度。2023年，提出一種強(qiáng)度圖像和偏振度圖像的融合方法。通過(guò)編碼器提取源圖像的語(yǔ)義信息和紋理細(xì)節(jié)，并利用設(shè)計(jì)的加法策略和殘差網(wǎng)絡(luò)對(duì)圖像特征進(jìn)行融合，同時(shí)提出改進(jìn)的損失函數(shù)引導(dǎo)網(wǎng)絡(luò)訓(xùn)練。
基于生成對(duì)抗網(wǎng)絡(luò)
2014年，Goodfellow等提出由生成器和鑒別器組成的生成對(duì)抗網(wǎng)絡(luò)。其中，生成器用于獲取數(shù)據(jù)分布，鑒別器能夠估計(jì)生成的數(shù)據(jù)是真實(shí)數(shù)據(jù)還是來(lái)自生成器。當(dāng)生成器和鑒別器通過(guò)對(duì)抗博弈達(dá)到平衡狀態(tài)時(shí)，代表網(wǎng)絡(luò)訓(xùn)練已完成。此時(shí)，生成器可以生成類(lèi)似于真實(shí)分布中的樣本。2019年，將紅外圖像和可見(jiàn)光圖像的融合任務(wù)定義為生成器和鑒別器間的學(xué)習(xí)對(duì)抗，提出的FusionGAN能夠顯著增強(qiáng)融合圖像的紋理細(xì)節(jié)，同時(shí)為圖像融合領(lǐng)域開(kāi)辟了新的研究思路。此后，基于GAN的圖像融合方法發(fā)展迅速，而為平衡圖像間的信息差異，一些方法開(kāi)始構(gòu)建具有雙鑒別器的生成對(duì)抗網(wǎng)絡(luò)結(jié)構(gòu)，同時(shí)估計(jì)源圖像的兩個(gè)概率分布，用以獲得更好的融合效果。
2019年，提出一種能夠?qū)W習(xí)和分類(lèi)源圖像特征的生成對(duì)抗網(wǎng)絡(luò)，相較于其他對(duì)比算法，提出網(wǎng)絡(luò)在視覺(jué)質(zhì)量和整體分類(lèi)精度方面具有更好的性能。2022年，提出一種生成對(duì)抗融合網(wǎng)絡(luò)用以學(xué)習(xí)偏振信息與物體輻射度之間的關(guān)系，并以實(shí)驗(yàn)證明了將偏振信息引入基于深度學(xué)習(xí)方法的圖像復(fù)原任務(wù)中的可行性，提出方法能夠有效地去除后向散射光，更有利于恢復(fù)物體的輻射亮度。同年，長(zhǎng)春理工大學(xué)提出一種語(yǔ)義引導(dǎo)的雙鑒別器偏振融合網(wǎng)絡(luò)。提出的網(wǎng)絡(luò)由一個(gè)生成器和兩個(gè)鑒別器組成，雙流型結(jié)構(gòu)的生成器能夠充分地提取特征，通過(guò)對(duì)各語(yǔ)義對(duì)象進(jìn)行加權(quán)生成融合圖像。而雙鑒別器則主要用于識(shí)別偏振度和強(qiáng)度圖像的各種語(yǔ)義目標(biāo)。此外，作者構(gòu)建了一個(gè)偏振圖像信息量判別模塊，通過(guò)加權(quán)的方式指導(dǎo)圖像融合過(guò)程，能夠針對(duì)性地保留不同材料的偏振信息。實(shí)驗(yàn)結(jié)果表明，融合網(wǎng)絡(luò)在視覺(jué)效果和定量指標(biāo)都具有更突出的性能，同時(shí)有助于高級(jí)視覺(jué)任務(wù)性能的提升。
深度學(xué)習(xí)融合算法對(duì)比分析
基于CNN和GAN的偏振圖像融合算法具有不同特點(diǎn)，具體的對(duì)比分析如表2所示。
表2 基于CNN和GAN的偏振圖像融合算法對(duì)比
偏振融合應(yīng)用
光譜信息和偏振信息的結(jié)合能夠更好地反映不同材質(zhì)的特性，對(duì)于突出目標(biāo)細(xì)節(jié)和改善視覺(jué)質(zhì)量具有明顯的效果，有助于提高后續(xù)視覺(jué)任務(wù)的準(zhǔn)確性和魯棒性。本章重點(diǎn)介紹偏振融合方法在目標(biāo)檢測(cè)、語(yǔ)義分割、圖像去霧以及三維重建任務(wù)中應(yīng)用。
目標(biāo)檢測(cè)
偏振圖像融合有利于提升目標(biāo)檢測(cè)率。2020年，提出一種偏振圖像融合方法，通過(guò)偏振特征提取器和連續(xù)小卷積的深度卷積神經(jīng)網(wǎng)絡(luò)有效提高了目標(biāo)檢測(cè)的精度，并設(shè)計(jì)實(shí)驗(yàn)證明提出網(wǎng)絡(luò)的檢測(cè)錯(cuò)誤率低于傳統(tǒng)方法。2022年，利用YOLO v5s模型對(duì)源圖像進(jìn)行目標(biāo)檢測(cè)，并與11種對(duì)比方法進(jìn)行比較，驗(yàn)證了網(wǎng)絡(luò)的優(yōu)越性以及目標(biāo)檢測(cè)任務(wù)的提升，實(shí)驗(yàn)結(jié)果如圖5所示。
圖5 目標(biāo)檢測(cè)結(jié)果
語(yǔ)義分割
偏振圖像融合能夠有效提升語(yǔ)義分割任務(wù)的實(shí)驗(yàn)效果。2019年，提出一種多階段復(fù)雜模態(tài)網(wǎng)絡(luò)，通過(guò)基于后期融合的網(wǎng)絡(luò)框架對(duì)RGB圖像和偏振圖像進(jìn)行融合，充分提高了分割性能。2021年，提出一種注意力融合網(wǎng)絡(luò)，在充分融合源圖像信息的同時(shí)具有適應(yīng)其他傳感器組合場(chǎng)景的靈活性，能夠顯著提升語(yǔ)義分割的精準(zhǔn)度。2022年，通過(guò)實(shí)驗(yàn)證明了融合偏振圖像在語(yǔ)義分割應(yīng)用中的優(yōu)勢(shì)性。作者利用DeepLabv3+模型對(duì)偏振強(qiáng)度圖像、線偏振度和融合圖像分別進(jìn)行測(cè)試，發(fā)現(xiàn)融合圖像的分割精度相較于強(qiáng)度圖像提高7.8%，能夠?qū)崿F(xiàn)更準(zhǔn)確的分割效果，如圖6所示。
圖6 語(yǔ)義分割結(jié)果
圖像去霧
在圖像去霧的研究領(lǐng)域，結(jié)合偏振信息可以幫助恢復(fù)圖像的透射率和深度信息，有利于提升去霧效果。2018年，提出一種多小波融合的偏振探測(cè)去霧方法，將高低頻系數(shù)分別按照不同規(guī)則進(jìn)行融合，突顯了目標(biāo)輪廓和細(xì)節(jié)信息。實(shí)驗(yàn)結(jié)果表明，在實(shí)際煙霧環(huán)境下，提出方法在視覺(jué)效果和客觀評(píng)價(jià)方面具有更多優(yōu)勢(shì)，能夠提升霧天環(huán)境的目標(biāo)識(shí)別效率。2021年，針對(duì)遠(yuǎn)場(chǎng)密集霧霾天氣的去霧任務(wù)，提出一種基于空間頻分融合的偏振去霧方法，得到較為理想的實(shí)驗(yàn)效果。同年，提出一種基于多尺度奇異值分解的偏振圖像融合去霧算法，通過(guò)驗(yàn)證實(shí)驗(yàn)和量化評(píng)價(jià)證明算法具有較強(qiáng)的自適應(yīng)性和魯棒性，能夠有效地改善光暈和過(guò)曝光等問(wèn)題。
三維重建
在三維重建的研究領(lǐng)域，偏振維度信息提供的紋理和形狀信息有利于改善三維重建效果，同時(shí)對(duì)法向量估計(jì)任務(wù)也具有重要作用。2020年，將偏振形狀問(wèn)題與深度學(xué)習(xí)結(jié)合，通過(guò)將物理模型融入神經(jīng)網(wǎng)絡(luò)架構(gòu)，使實(shí)驗(yàn)結(jié)果在每個(gè)測(cè)試條件都達(dá)到最低的測(cè)試誤差。2021年，利用深度學(xué)習(xí)網(wǎng)絡(luò)克服了偏振法線計(jì)算中的角度模糊性問(wèn)題，通過(guò)將優(yōu)化后的偏振法線與圖像特征進(jìn)行融合，實(shí)現(xiàn)了高精度的物體表面法線估計(jì)。2022年，提出一種融合偏振和光場(chǎng)信息的低紋理目標(biāo)三維重建算法。通過(guò)融合目標(biāo)物表面的光場(chǎng)信息與反射光的偏振信息用以增加圖像信息維度，解決了入射面方位角歧義性問(wèn)題。
偏振圖像數(shù)據(jù)集
基于深度學(xué)習(xí)的偏振圖像融合網(wǎng)絡(luò)依賴于高質(zhì)量的數(shù)據(jù)集，偏振圖像數(shù)據(jù)集的質(zhì)量和數(shù)量很大程度上影響著網(wǎng)絡(luò)的訓(xùn)練效果。目前，已有的公開(kāi)高質(zhì)量偏振圖像數(shù)據(jù)集仍相對(duì)較少。為此，一些國(guó)內(nèi)外研究團(tuán)隊(duì)慷慨地公開(kāi)了各自建立的數(shù)據(jù)集，為相關(guān)領(lǐng)域研究做出寶貴貢獻(xiàn)。
2019年，拍攝一個(gè)包含120組圖像的偏振數(shù)據(jù)集，每組數(shù)據(jù)由偏振角度為0°、45°、90°和135°的強(qiáng)度圖像組成。2020年，東京工業(yè)大學(xué)公開(kāi)了一組包含40個(gè)場(chǎng)景的全彩色偏振圖像數(shù)據(jù)集，每組由4幅不同偏振角度的RGB圖像組成。同年，采用自行研制的非制冷紅外DoFP相機(jī)進(jìn)行拍攝，公開(kāi)由2113張標(biāo)注圖像組成的長(zhǎng)波紅外偏振數(shù)據(jù)集，包括白天和晚上的城市道路和高速公路場(chǎng)景。
2021年，浙江大學(xué)研究團(tuán)隊(duì)針對(duì)校園道路場(chǎng)景建立一個(gè)共計(jì)394幅標(biāo)注像素對(duì)齊的彩色偏振圖像數(shù)據(jù)集，包含RGB圖像、視差圖像和標(biāo)簽圖像；中南大學(xué)拍攝一個(gè)由66組偏振圖像組成的數(shù)據(jù)集，包括各種建筑、植物和車(chē)輛等物體；阿卜杜拉國(guó)王科技大學(xué)公開(kāi)一個(gè)包括40幅彩色圖像的偏振數(shù)據(jù)集，每個(gè)場(chǎng)景包含4幅不同偏振角度的強(qiáng)度圖像。上述偏振圖像數(shù)據(jù)集的簡(jiǎn)要介紹如表3所示。
表3 偏振圖像數(shù)據(jù)集
總結(jié)與展望
目前，偏振圖像融合領(lǐng)域正在受到越來(lái)越多的關(guān)注和研究。通過(guò)將不同光譜、模態(tài)圖像與偏振圖像進(jìn)行融合，可以實(shí)現(xiàn)不同優(yōu)勢(shì)信息的有效互補(bǔ)。深度學(xué)習(xí)融合方法在一定程度上彌補(bǔ)了傳統(tǒng)融合方法的局限性，表現(xiàn)出其獨(dú)特優(yōu)勢(shì)，在主觀評(píng)價(jià)和客觀分析方面都具有較為突出的表現(xiàn)，已成為偏振圖像融合領(lǐng)域的主要研究方向。然而，當(dāng)前的深度學(xué)習(xí)偏振融合方法仍相對(duì)較少且大部分僅是對(duì)現(xiàn)有深度網(wǎng)絡(luò)的直接利用或簡(jiǎn)單改進(jìn)，缺少?gòu)钠癯上裨砗臀镔|(zhì)偏振特性進(jìn)行深入分析，在基礎(chǔ)理論研究、技術(shù)應(yīng)用以及實(shí)驗(yàn)驗(yàn)證等方面都存在較大的提升空間，需要在以下幾個(gè)方面進(jìn)一步探索和突破：
①利用目標(biāo)與背景間的偏振特性差異構(gòu)建偏振二向反射模型（pBRDF），分析目標(biāo)偏振成像與傳輸介質(zhì)的相互作用關(guān)系，并構(gòu)建起偏-傳輸-探測(cè)的全鏈路光學(xué)成像模型，進(jìn)而實(shí)現(xiàn)更好的偏振特征提取與圖像融合。
②深入研究目標(biāo)偏振特性及其表征方法，充分發(fā)揮深度學(xué)習(xí)的優(yōu)勢(shì)，并挖掘偏振的非物理特征和深度特征。將偏振光學(xué)特性應(yīng)用于圖像融合過(guò)程，同時(shí)將傳統(tǒng)融合方法與深度學(xué)習(xí)融合方法相結(jié)合，實(shí)現(xiàn)更理想的特征級(jí)偏振圖像融合。
③由于深度學(xué)習(xí)融合網(wǎng)絡(luò)訓(xùn)練通常依賴大數(shù)據(jù)，而目前公開(kāi)的高質(zhì)量偏振圖像數(shù)據(jù)有限，所以應(yīng)推進(jìn)偏振多光譜圖像數(shù)據(jù)集的信息共享，并針對(duì)性地提出具有小樣本訓(xùn)練能力的深度學(xué)習(xí)融合網(wǎng)絡(luò)。
④充分結(jié)合不同模態(tài)圖像的優(yōu)勢(shì)信息，探索多源圖像融合新方式，實(shí)現(xiàn)光強(qiáng)、光譜和偏振的信息互補(bǔ)，提升融合性能，同時(shí)為圖像分割分類(lèi)和目標(biāo)檢測(cè)識(shí)別等視覺(jué)任務(wù)提供基礎(chǔ)支撐。
審核編輯：黃飛
?
工商網(wǎng)監(jiān)
評(píng)論