一种偏振误差去除模型的确定方法、应用方法及相关装置

本发明涉及光学偏振探测，特别是涉及一种偏振误差去除模型的确定方法、应用方法及相关装置。

背景技术：

1、偏振成像技术可以有效抑制复杂环境干扰，提升成像质量，增强目标感知能力，在散射成像、遥感成像、生物医学成像等领域应用十分广泛。深度学习能够建立硬件与图像重建之间的非线性联系，从而提高偏振成像效率、降低硬件复杂度、提升成像性能，在偏振成像领域具有非常独特的优势。在偏振成像中偏振误差是影响成像质量以及偏振探测精度的主要因素。偏振误差会导致光波的偏振状态发生变化，从而影响成像质量，通过精确标定与补偿成像系统的偏振误差对偏振成像技术的发展具有十分重要的作用。

2、偏振误差补偿主要有光学设计优化、镀膜、偏振定标等方法。光学设计优化是在光学设计阶段对元件进行弱偏设计或引入其他元件相互抵消偏振变化，如专利cn106501958b利用在光路中插入空间光调制器件实现相位与振幅调制以补偿偏振误差；专利cn113946041b在系统引入透镜组对偏振像差进行校正，此类光学设计优化方法不仅增加了系统的复杂度而且还提升了系统的制造成本。通过镀膜补偿偏振误差的效果往往只针对特定的波长范围内有效，对于宽带光源或多波长系统的应用受限，同时还增加了制造工艺的复杂度和成本。此外，光学设计优化和镀膜的方法，只能在一定程度上减小偏振误差对成像的影响，理论上无法将偏振误差完全消除。专利cn113325575b与专利cn 116609942b都是根据光学系统结构参数进行光线追迹求解得到偏振误差理论值，此类方法并未实际测量标定成像系统的偏振误差，只利用数学模型求解了系统设计时本身的偏振误差，未考虑在加工、装调、测量阶段引入的额外偏振误差。

技术实现思路

1、本发明的目的是提供一种偏振误差去除模型的确定方法、应用方法及相关装置，可有效提升偏振获取精度，提高成像质量。

2、为实现上述目的，本发明提供了如下方案：

3、第一方面，本发明提供了一种偏振误差去除模型的确定方法，所述偏振误差去除模型的确定方法包括：

4、获取数据集；所述数据集包括若干个靶标场景图像和每个靶标场景图像对应的特征靶标图案的实际偏振图像；所述特征靶标图案的实际偏振图像为去除偏振误差的图像。

5、将所述靶标场景图像输入深度学习网络，得到深度学习网络的输出；所述深度学习网络的输出为靶标场景图像对应的特征靶标图案的预测偏振图像。

6、根据所述深度学习网络的输出、靶标场景图像对应的特征靶标图案的实际偏振图像和确定的损失函数，确定损失值。

7、根据所述损失值，对所述深度学习网络的网络参数进行优化，得到偏振误差去除模型。

8、可选地，所述深度学习网络包括：

9、偏振误差去除模块，用于对所述靶标场景图像进行去偏振误差处理和转换处理，得到待重建图像。

10、超分辨率重建模块，用于对所述待重建图像进行超分辨率重建，得到靶标场景图像对应的特征靶标图案的预测偏振图像。

11、可选地，所述偏振误差去除模块包括：

12、第一数据类型转换器，用于将所述靶标场景图像转换为stokes图像。

13、等效卷积层，用于对所述stokes图像进行校正，得到校正后的图像。

14、第二数据类型转换器，用于将所述校正后的图像转换为待重建图像；所述待重建图像的类型为超分辨率重建所需数据类型。

15、可选地，所述等效卷积层的确定过程，具体包括：

16、获取部分视场的mueller矩阵。

17、对所述mueller矩阵进行逆矩阵傅立叶变换，得到逆穆勒点扩散矩阵。

18、对所述逆穆勒点扩散矩阵中的滤波器进行变换操作，得到用于校正全视场的逆穆勒点扩散矩阵数据库。

19、将所述逆穆勒点扩散矩阵数据库中的滤波器作为所述偏振误差去除模块的等效卷积层。

20、可选地，所述变换操作包括：平移、缩放、旋转和倾斜。

21、可选地，所述损失函数的表达式为：

22、；

23、其中，为损失函数，为靶标场景图像对应的特征靶标图案的实际偏振图像，为偏振成像深度学习网络生成函数，为深度学习网络的输出，为计算均方根误差，为计算1范数，为常数。

24、第二方面，本发明提供了一种偏振误差去除模型的应用方法，所述偏振误差去除模型的应用方法包括：

25、获取待去除偏振误差的靶标场景图像。

26、将所述待去除偏振误差的靶标场景图像输入偏振误差去除模型，得到预测偏振图像；所述偏振误差去除模型为根据上述中任一项所述的偏振误差去除模型的确定方法训练得到模型；所述预测偏振图像为去除偏振误差的靶标场景图像。

27、第三方面，本发明提供了一种计算机设备，包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序以实现上述中任一项所述的偏振误差去除模型的确定方法的步骤或所述的偏振误差去除模型的应用方法的步骤。

28、第四方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述中任一项所述的偏振误差去除模型的确定方法的步骤或所述的偏振误差去除模型的应用方法的步骤。

29、第五方面，本发明提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述中任一项所述的偏振误差去除模型的确定方法的步骤或所述的偏振误差去除模型的应用方法的步骤。

30、根据本发明提供的具体实施例，本发明公开了以下技术效果：

31、本发明提供了一种偏振误差去除模型的确定方法、应用方法及相关装置。本发明通过获取若干个靶标场景图像和每个靶标场景图对应的特征靶标图案的实际偏振图像作为数据集，以靶标场景图像为输入，以靶标场景图像对应的特征靶标图案的预测偏振图像为输出，对深度学习网络进行训练，得到偏振误差去除模型。本发明考虑了整个成像链路（系统以及成像过程）上的偏振误差，与传统标定或解算数学模型得到偏振误差的方法相比本发明可有效提升偏振获取精度，提高成像质量。同时，与传统光学设计优化和镀膜的方式相比，本发明无需增加光学系统的复杂度，实现成本低。

技术特征：

1.一种偏振误差去除模型的确定方法，其特征在于，所述偏振误差去除模型的确定方法包括：

2.根据权利要求1所述的偏振误差去除模型的确定方法，其特征在于，所述变换操作包括：平移、缩放、旋转和倾斜。

3.根据权利要求1所述的偏振误差去除模型的确定方法，其特征在于，所述损失函数的表达式为：

4.一种偏振误差去除模型的应用方法，其特征在于，所述偏振误差去除模型的应用方法包括：

5.一种计算机设备，包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现权利要求1-3中任一项所述的偏振误差去除模型的确定方法的步骤或权利要求4所述的偏振误差去除模型的应用方法的步骤。

6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-3中任一项所述的偏振误差去除模型的确定方法的步骤或权利要求4所述的偏振误差去除模型的应用方法的步骤。

7.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-3中任一项所述的偏振误差去除模型的确定方法的步骤或权利要求4所述的偏振误差去除模型的应用方法的步骤。

技术总结本发明公开了一种偏振误差去除模型的确定方法、应用方法及相关装置，涉及光学偏振探测领域，该方法包括：获取数据集；所述数据集包括若干个靶标场景图像和每个靶标场景图像对应的特征靶标图案的实际偏振图像；所述特征靶标图案的实际偏振图像为去除偏振误差的图像；将所述靶标场景图像输入深度学习网络，得到深度学习网络的输出；所述深度学习网络的输出为靶标场景图像对应的特征靶标图案的预测偏振图像；根据所述深度学习网络的输出、靶标场景图像对应的特征靶标图案的实际偏振图像和确定的损失函数，确定损失值；根据所述损失值，对所述深度学习网络的网络参数进行优化，得到偏振误差去除模型。本发明可有效提升偏振获取精度，提高成像质量。技术研发人员：王超,吴幸锴,刘嘉楠,王祺受保护的技术使用者：长春理工大学技术研发日：技术公布日：2024/7/29