欢迎访问陕西师范大学学报(自然科学版)官方网站！

陕西师范大学学报(自然科学版) >

2024 , Vol. 52 >Issue 6: 1 - 11

DOI: https://doi.org/10.15983/j.cnki.jsnu.2024327

偏振光谱成像专题 主持人：任立勇

散射介质中偏振图像模拟方法及应用

  • 胡浩丰 , 1, 2, 3, * ,
  • 李天赐 1, 3 ,
  • 申凌皓 , 2, *
展开
  • 1 天津大学 未来技术学院,天津 300072
  • 2 天津大学 海洋科学与技术学院,天津 300072
  • 3 天津大学 精密仪器与光电子工程学院,天津 300072
*胡浩丰,男,教授,研究方向为水下偏振成像。E-mail:;
申凌皓,男,助理研究员,研究方向为水下偏振成像。E-mail:

Copy editor: 李博

收稿日期: 2024-08-27

  网络出版日期: 2024-11-25

基金资助

国家自然科学基金(62075161)

收起

Simulation method of polarization imaging in the scattering medium and its applications

  • HU Haofeng , 1, 2, 3, * ,
  • LI Tianci 1, 3 ,
  • SHEN Linghao , 2, *
Expand
  • 1 School of Future Technology, Tianjin University, Tianjin 300072, China
  • 2 School of Marine Science and Technology, Tianjin University, Tianjin 300072, China
  • 3 School of Precision Instrument and Opto-Electronics Engineering, Tianjin University, Tianjin 300072, China

Received date: 2024-08-27

  Online published: 2024-11-25

Fold

摘要

散射介质中的可见光偏振模拟数据集较为匮乏,这限制了开发和验证散射介质中偏振成像算法。针对此问题,分析了散射环境中的散射退化、光照等对偏振成像的影响,提出了一种散射介质中偏振图像模拟方法。首先采用物理渲染器精确模拟光的传播路径,得到经偏振滤波片的无退化偏振图像;之后利用真实散射环境数据集(水下及雾天环境),计算不同环境下的散射退化参数;最后结合散射退化模型得到不同偏振态下的模拟散射退化图像。结果表明:模拟数据集准确反映真实散射环境中的图像特征,偏振度和偏振角图像有效呈现了真实散射环境中的退偏现象。相应的模拟偏振图像为分析散射介质中目标和背景的偏振特性提供了可靠基础,也为改进偏振去散射算法提供依据。

关键词： 偏振成像; 偏振图像数据集; 散射介质; 散射退化模型

本文引用格式

胡浩丰 , 李天赐 , 申凌皓 . 散射介质中偏振图像模拟方法及应用[J]. 陕西师范大学学报(自然科学版), 2024 , 52(6) : 1 -11 . DOI: 10.15983/j.cnki.jsnu.2024327

Abstract

The visible optical polarization simulation data set in the scattering medium is relatively scarce, which limits the polarization imaging algorithm in the development and verification for the scattering medium. By considering the effects of scattering degeneration and light in the scattered environment on polarizing imaging, a polarizing image simulation method in the scattered medium is proposed. First, the physical render is used to simulate the propagation path of light and obtain the non-degraded polarization images through the polarized filter. After that, the real scattering environment data set (underwater and foggy environment) was used to determine the scattering degradation parameters in different environments. These parameters are then integrated with the scattering degradation model to generate simulated scattering polarization images. The simulation results closely match the image in real scattering environments. The DoLP(degree of linear polarization) images and AoP (angle of polarization) images reflect the phenomenon of depolarization in real scattering environments. Simulating polarization images can be used to analyze the polarization properties of the object and background in the scattered medium, and can provide a solid foundation for improving various polarized scattering algorithms.

Key words： polarization imaging; polarization image dataset; scattering medium; scattering degradation model

散射介质中的成像过程是指光在经过如水体、大气等散射介质时,由于介质中的微粒或分子对光的散射作用,导致光在传播过程中发生方向、强度和偏振状态的改变,从而影响成像系统接收到的光学信息的过程[1-2]。散射介质中的偏振图像数据集对更好地理解和分析不同散射介质的偏振成像的特点和规律,并开发更为精准和有效的处理算法具有重要意义[3⇓-5]。
目前,散射介质中真实偏振图像数据集较为常见。Ding等[6]通过将线性偏振片放置在CCD相机前面,旋转偏振片角度,获得了自然散射环境下的彩色偏振图像数据集。由于相应清晰图像难以获取,因此使用了一系列图像增强算法获取的结果作为真值图像,使得该数据集缺乏可靠性。Shen等[7]搭建了搭载双目偏振相机的水下机器人系统,采集了真实的水下偏振马赛克视频序列,但也缺少对应的真值图像。另外一些真实偏振图像数据集是在实验室条件下取得[8⇓⇓-11],通常是引入偏振光照明,使用偏振相机接收场景反射信号。首先获取一组清晰图像,之后通过不断增加散射介质的方法获取不同散射条件下的偏振图像。此类方法的应用较为普遍,但由于实验室中的散射介质和光照条件无法模仿复杂的散射介质中的退化过程,使得一些依此数据集评估图像恢复的算法对真实散射环境的适应性较差。为了解决此类问题,研究者尝试设计散射环境下的模拟偏振图像数据集。Ba等[12]利用仿真模拟的RGB彩色图像以及表面法向量根据菲涅尔公式反演求得偏振图像,由于目标表面往往同时存在漫反射与镜面反射,但利用菲涅尔公式反演推理偏振图像时往往假设只有单一反射的存在,这会导致偏振信息估计不准确;Shi等[13] 首先获取清晰的偏振图像,之后获取到其深度信息,最后使用散射退化模型获得退化图像;Zhou等[14]利用清晰图像和其深度图以及语义图,并结合随机生成的退化和偏振参数,先合成散射退化图像,再合成散射退化的偏振图像。现有方法只能合成特定场景下的退化场景,对于同一目标在不同环境下的散射退化无法进行模拟,因而无法有效评估图像恢复算法的鲁棒性。
为了解决以上问题,本文针对常见的散射介质(雾天、水下)提出了一种新型散射介质中偏振图像模拟方法。 首先利用图像渲染器来精确模拟光的传播和偏振行为来生成无退化的偏振图像,再结合真实的散射环境图像获取相关退化参数,代入散射介质退化模型生成模拟散射偏振数据。与同类模拟方法相比,该模拟方案可以针对同一场景建立不同散射介质下的图像数据集,图像情况更符合真实散射退化情况。该方法为偏振图像复原算法的开发提供有效依据。

1 散射介质成像模型

1.1 偏振成像原理

偏振光是一种特殊的电磁波,其具有固定的电场振动方向。偏振光获取的方式可以通过偏振片和光学系统来实现。通过合理布置和选择的偏振片,可以捕捉特定方向的偏振光。通常,偏振片可以选择水平方向(0°)、垂直方向(90°)、对角线方向(45°与135°)等特定方向的偏振光[15-16],图1为不同方向偏振光传播示意图。
图1 0°、45°、90°、135°方向偏振图像获取示意图

注:网络版为彩图。

Fig.1 Acquisition of polarization images in the directions of 0°, 45°, 90° and 135°

Stokes向量是一个4维向量,用来描述偏振光的状态。它通常表示为(S0, S1, S2, S3),其中每个分量表示了不同的偏振信息,Stokes向量可以表示为
S= S 0 S 1 S 2 S 3= 1 2 ( I 0 ° + I 45 ° + I 90 ° + I 135 ° ) I 0 ° - I 90 ° I 45 ° - I 135 ° I l h + I r h。
式中:I0°和 I90° 是光通过两个正交偏振片的透过光强度;I45°和 I135°是通过两个正负45°方向旋转的偏振片的透过光强度;Ilh和Irh是通过右旋圆偏振片和左旋圆偏振片的透过光强度。通过计算获得的Stokes参数,可以进一步计算入射光的2个主要偏振参数,即偏振度DoLP(degree of linear polarization)和偏振角AoP(angle of polarization),公式中用VDoLP和VAop表示:
VDoLP= S 1 2 + S 2 2 S 0,
VAoP= 1 2arctan S 2 S 1。
偏振度是介于0到1之间的值,表示光的线偏振光成分在总光强中所占的比例。偏振角表示光的偏振方向相对于参考方向的角度。使用最大光强Imax和最小光强Imin来计算偏振度也是一种常用方式:
VDoLP= I m a x - I m i n I m a x + I m i n。

1.2 散射介质非偏振成像模型

散射介质的成像过程涉及前向散射、后向散射和直接传输的线性叠加。实际上,前向散射效应很弱可以被忽略。水下[17-18]和大气中[19]的散射成像模型为
I(x,y)=D(x,y)+B(x,y)=J(x,y)t(x,y)+B∞(x,y)[1-t(x,y)]。
式中:I(x,y)表示成像设备捕获的像素(x,y)处的光强度值;J表示场景反射光,表示光到达目标场景后反射光的强度,即待恢复的图像;B∞为场景在无穷远处的强度,也称为散射光强度;t为传输图,表示经过散射退化后达到成像设备的场景反射光所占的比例;D(x,y)(direct transmission)为直接传输分量;B(x,y)(back scattering)为后向散射分量。成像过程的示意图可由图2表示。传输图t(x,y)与相机到物体的距离以及水下悬浮颗粒或空气中气溶胶的浓度相关,具体表达式为
t(x,y)=e-βz(x,y)。
式中:β被称为衰减系数,反映水下悬浮颗粒或空气中气溶胶的浓度;z(x,y) 表示每个像素点到成像设备的空间距离。
图2 散射介质非偏振成像模型

注:网络版为彩图。

Fig.2 Non-polarized imaging model in the scattering medium

由公式(5)可得恢复图像的表达式为
J(x,y)= I ( x , y ) - B ∞ ( x , y ) [ 1 - t ( x , y ) ] t ( x , y )。
在此模型中,获得待恢复图像 J(x,y)的关键步骤是对 t(x,y)和 B∞(x,y)的准确估计。

1.3 散射介质偏振成像模型

文献[20]假设场景反射光相比悬浮粒子发出的散射光具有更弱的偏振效应。进一步可假设直接透射光无偏振,偏振完全由后向散射光引起。由此引入散射介质的偏振成像模型。
通过旋转偏振片,可以获得强度分别为最大和最小的图像[21]:
I m a x ( x , y ) = 1 2 [ S 0 ( x , y ) + S 1 2 ( x , y ) + S 2 2 ( x , y ) ] , I m i n ( x , y ) = 1 2 [ S 0 ( x , y ) - S 1 2 ( x , y ) + S 2 2 ( x , y ) ] 。
式中:Imax、Imin 表示通过旋转偏振片得到强度最大与最小的两幅图像(Imax>Imin);I= Imax+Imin。
后向散射B的偏振度定义为
V D o L P B(x,y)= B m a x ( x , y ) - B m i n ( x , y ) B m a x ( x , y ) + B m i n ( x , y )= I m a x ( x , y ) - I m i n ( x , y ) B ( x , y )。
式中:Bmax、Bmin 表示后向散射部分强度最大与最小的强度值(Bmax >Bmin ),B= Bmax+Bmin。
后向散射B的偏振度计算可通过选取整幅图像中只包含后向散射的区域,即场景目标直接传输的部分不存在(D=0)。假设后向散射光强B已知,联立公式(5)和(9),得到
t(x,y)=1- B ( x , y ) B ∞ ( x , y )=1- I m a x ( x , y ) - I m i n ( x , y ) V D o L P B ( x , y ) B ∞ ( x , y )。
式中:B∞(x,y)被假定为在图像I中排名前5%最亮的像素值的平均值; V D o L P B(x,y)取为后向散射区域B中的偏振度的平均值;公式(10)中B∞(x,y)与 V D o L P B(x,y)将转化为与像素位置无关的全局变量。所以公式(10)可以转化为
t(x,y)=1- I m a x ( x , y ) - I m i n ( x , y ) V D o L P B B ∞。
将公式(10)带入公式(7)可得恢复图像J。

2 偏振模拟数据集建立

2.1 模拟数据集框架

本文提出了结合计算机图形学与散射成像模型的模拟偏振图像的方法,在建立模拟散射介质的偏振数据集时,首先利用物理渲染器得到清晰无噪声的空气中的模拟偏振图像作为场景反射光;接着利用真实散射环境的彩色图像估计其散射光强度,并以此模拟4个偏振角度的散射光强度;随后利用渲染得到的深度图与利用真实散射环境的彩色图像估计得到的传输图融合得到RGB 3个通道的传输图;最后利用散射介质的成像模型即可合成模拟散射介质的偏振数据。具体的流程图如图3所示。
图3 散射介质中偏振数据模拟方法流程图

注:网络版为彩图。

Fig.3 Diagram of the method for simulating the polarization images in the scattering medium

2.2 模拟过程

2.2.1 模拟偏振场景反射光J

假设已知目标的三维结构,赋予目标不同的材质与表面特征,设置环境光源,利用物理渲染器模拟光的物理过程,生成高逼真的偏振图像,以此作为模拟的场景反射光。具体的模拟步骤如下。
1)图像渲染器:渲染器的核心功能是模拟光线在三维环境中的物理过程,确定图像的最终亮度和色彩,生成二维图像。本文采用Mitsuba[22]渲染器,它具有高度的可扩展性、允许用户通过插件手段,灵活地更改目标材质与光源的特性。更重要的是,Mitsuba渲染器能够通过模拟真实的光学过程,支持生成高质量的偏振模拟图像。
2)三维结构数据:三维模型数据精确描述了目标物体的几何结构,包括表面法向量等关键信息,为渲染引擎提供了光线与物体交互的必要数据。本文所使用的原始三维模型数据来自斯坦福大学计算机图形实验室的扫描图像库[23]和数据库[24]提供的三维模型数据。这些数据的准确性和细节度对于光线的反射方向和偏振模拟至关重要。
3)目标材质:目标材质数据描述了物体表面的光学特性,包括漫反射和镜面反射、金属和介电质、粗糙和光滑等特性,以及在可见光谱范围内的反射率等信息。本文所使用的目标材质数据来自韩国科学技术院[25]。这些数据提供了关于材质、粗糙度、颜色、介电常数等外观参数的信息,帮助揭示双向反射分布函数与材质外观之间的关系。
4)光源设置:在渲染中光源起着至关重要的作用,决定了图像的照明效果,并直接影响图像的最终外观。本文中光源设置为复杂的环境光源[26],可以模拟真实环境中的复杂光照条件,增强图像的真实性和丰富性。
图4展示了一组完整的模拟偏振场景反射光J的图像结果。其中所应用的材料为图4i所示,而选取的光源则是图4m所示的环境照明。图4a~4d展示了4个角度方向的偏振图像。图4h展示了通过对三维模型的渲染得到的深度图。图4e~4g和图4j~4l是依公式(2)和(3)计算得到的三通道的偏振度和偏振角图像。从结果可见,本节所渲染得到的偏振数据仿真模拟表现出了极其接近真实环境的效果。此外,依据偏振度图像和偏振角图像还可以看出此模拟图像的噪声水平极低。在理论上,通过提高模拟渲染图像的采样精度,可将噪声水平降至0。
图4 偏振仿真模拟数据结果示意图

注:网络版为彩图。

Fig.4 Simulated results of polarization images

2.2.2 模拟散射光B∞与传输图t

通过渲染得到无噪偏振图像J后,为了模拟散射介质中的偏振图像,需要估计散射光强度B∞与传输图t。为保证散射介质的模拟图像的真实性,本文利用真实散射环境图像估计光强度B∞与传输图t。本文使用的真实水下彩色退化图像来自水下数据库DUO[27],使用的真实雾天彩色图像来自数据集HSTS[28]。
散射介质光强度B∞通常根据图像中最亮像素得到。由于可能的人工光源或高反射目标区域的影响,这种选择缺乏鲁棒性。为了提高其鲁棒性,本文采用了基于四叉树的分步搜索方法来估计散射光强度B∞。将真实图像均分为4个相等的矩形子区域,计算每个子区域的像素均值与标准差之间的差值,选取差值最高区域作为下一个待选区域,重复此操作,直到候选区域像素数小于原始图像的1%。图5分别展示了估计水下和大气环境中B∞的示例。
图5 基于四叉树分布搜索B∞结果

注:网络版为彩图。

Fig.5 Search results for B∞ based on quadtree search method

由于真实的散射介质退化图像不含偏振信息,所以无法得到后向散射区域的偏振信息。本文中假设散射光均一,随机生成后向散射区域偏振度 V D o L P B,取值范围为[0.05,0.4],并且随机生成后向散射部分强度最小的强度值Bmin的偏振角度θmin,取值范围为[0°,180°]。根据马吕斯定律[16],各个角度的散射光强度Bθ,∞为
Bθ,∞= B ∞ · ( 1 - V D o L P B · c o s [ 2 ( θ - θ m i n ) ] ) 2。
式中:θ取值为0°、45°、90°、135°。利用图5中选取的最终区域的像素均值作为初始的散射光强度B∞,最终模拟的4个角度的散射光强Bθ,∞结果如图6所示。
图6 4个角度偏振散射光强Bθ,∞模拟结果

注:网络版为彩图。

Fig.6 Simulated results of scattered light intensity Bθ,∞ in four directions

传输图t反映了光的衰减速率,其不受光的偏振方向的影响,因此模拟传输图t时不考虑偏振的影响。针对大气环境和水下环境光衰减过程的差异性,本文给出了不同的传输图t的模拟方案。
大气传输图t的模拟方案为:暗通道先验在估计大气传输图t过程中具有较好的稳定性。本文对大气中传输图t的模拟采用暗通道先验估计[29],并认为大气中不同通道的传输图t差异不大。
由暗通道先验方法可以得到大气传输图t的粗略估计 t ˜(x)为
t ˜(x)=1-w·minc∈{R,G,B} m i n i ∈ Ω ( x ) I c ( i ) B ∞ c。
式中:Ω(x)表示以像素x为中心的一个窗口;w为常量参数(0<w<1);Ic和Bc分别是探测器接收到的光强度和背向散射光强度在不同颜色通道下的值。w参数的引入是考虑到即使晴天环境空气中也有一定的散射粒子,引入该参量保留些许雾保证图像的真实性。
水下传输图t的模拟方案为:在真实水下环境,红色通道经常遭受严重的衰减,并且其强度迅速下降,导致其始终具有最低的强度。红色通道先验(red channel prior,RCP)估计充分考虑了红色通道的影响,对水下传输图t的估计具有较强的鲁棒性,其具体实现过程可参考文献[30]。最终得到的水下红色通道的传输图为
tR(x)=1-min{1- m i n y ∈ Ω ( x ) [ 1 - J R ( y ) ] B R ∞,   m i n y ∈ Ω ( x ) J G ( y ) B G ∞, m i n y ∈ Ω ( x ) J B ( y ) B B ∞}≈0。
式中: B R ∞、 B G ∞与 B B ∞分别为水下散射光强度B∞的RGB三通道的值;JR、JG与JB分别表示场景反射光的RGB三通道的图像;Ω(x)表示为中心点x的局部邻域。
蓝色通道和绿色通道的传输图表示为
tG(x)=[tR(x) ] β B / β R, tB(x)=[tr(x) ] β B / β R。
式中:
β G β R= c G · B R ∞ c R · B G ∞, β B β R= c B · B R ∞ c R · B B ∞,
cλ=(-0.001 13λ+1.625 17)τ(λR)。
式中:λ是波长,本文选择红色、绿色和蓝色的波长分别为620 nm、540 nm和450 nm。τ(λR)是与红色光波长相关的固定值,在计算不同波长散射系数之间比例关系中可被消去。
由公式(6)可知在衰减系数一定的情况下,传输图与深度呈反相关。为了使模拟偏振图像传输图符合实际散射介质成像模型,本文将利用渲染得到的传输图与真实图像RGB三通道传输图相融合。具体操作如下:首先假设衰减系数为1,利用公式(6)计算出三通道传输图,然后将计算得到的传输图RGB三通道进行拉伸,使其均值满足与真实图像RGB三通道传输图相等。结合图5中真实散射环境图像以及模拟的深度图得到不同散射介质中的模拟传输图t,如图7所示。
图7 模拟不同散射环境RGB三通道传输图示例图

注:网络版为彩图。

Fig.7 Simulated three-channel transmissions in different scattering environments

至此,已知散射介质成像模型中的所有参数,可以利用公式(5)求得模拟散射介质中偏振图像为
I θ λ(x,y)= J θ λ(x,y)tλ(x,y)+ B θ , ∞ λ(x,y)[1-tλ(x,y)],λ∈{R,G,B},θ∈{0°,45°,90°,135°}。

3 算法测试与评价

为验证本文提出的模拟数据集的可行性及性能,本文在MATLAB平台上使用提出的算法完成了数据生成工作,并通过主观和客观评价对处理算法进行了性能分析。
图8显示了2组生成图像以及水下生成图像的偏振特性。生成的图像利用图5a、5b中的散射场景计算得到散射光B∞与传输图t,并使用图4a~4d作为4个角度的原始场景偏振反射光。
图8 模拟散射环境中的偏振图像结果

注:网络版为彩图。

Fig.8 Simulated polarization image results in scattering mediums

可以看出,图8a和图8b中散射环境下的图像生成情况与真实水下退化的情况较为接近,其亮度、模糊程度以及色调符合实际情况。由图8c和图8d可以看出,图像出现了严重的退偏现象,这是后向散射退化让目标原有偏振信息在后向散射的偏振信息中湮没,其生成结果也与真实散射环境下的偏振退化情况近似。
为验证本数据集的有效性,本文进一步给出了在不同模拟场景反射光与不同真实散射环境组合模拟出的偏振图像,如图9所示。可以看出本文提出的模拟方法可以模拟出不同真实散射环境下的散射退化和颜色退化,并且由于在模拟过程中利用了场景的偏振信息与深度信息,使得模拟结果更符合散射环境中的物理成像模型。
图9 不同散射环境下模拟偏振图像示例

注:网络版为彩图。

Fig.9 Examples of simulated polarization images in different scattering environments

进一步使用FID(Fréchet inception distance)指标[32]来评价生成数据与真实图像分布之间的差异。FID通过计算两个分布之间的Fréchet距离来衡量生成数据与真实数据分布之间的差异。Fréchet距离考虑2个分布的均值和协方矩阵,可以更好地描述两个分布之间的差异。其计算公式为
VFID=‖μr-μf‖2+Tr(σr+σf-2 σ r σ f)。
式中:Tr(·)表示矩阵对角元素之和;μf和μr分别表示2个分布的均值;σf和σr是2个分布的协方差矩阵。
在计算FID时,首先从真实数据分布和生成模型中分别抽取一组样本,然后使用预训练的Inception网络从这些样本中提取特征向量。计算两个分布的均值和协方差矩阵,最终得到FID值。FID值越小,表示生成模型生成的图像越接近于真实数据分布。
本文针对水下和雾天两种散射环境下的现有数据集分别进行了比较。针对水下环境,UIEBD数据集[33]使用增强的方法和大量主观实验生成的真实-模糊图像对,被广大研究者用于水下计算机视觉算法中,可以认为是水下真实图像数据集;EUVP数据集[34]通过cycleGAN网络生成水下退化图像的配对数据集,这是一种较新的水下图像模拟算法。针对雾天环境,本文比较了RESIDE数据集[28]中的生成雾天图像数据集和Zhou等[14]生成的雾天偏振图像数据集,以及O-HAZY数据集[35]中的真实雾天数据集。如图10所示,左侧3列为水下图像数据集,UIEBD作为标准数据集,EUVP为比较数据集。右侧4列为雾天数据集,O-HAZY作为标准数据集,SOTS和Zhou为比较数据集,由图10可知,本文生成的模拟图像数据集在雾天和水下情况下都更接近于真实图像结果,特别是在水下环境中,本文的生成效果十分接近于真实的配对图像。因此本数据集可以作为各种去散射算法的实验数据,也可以用于散射环境下的图像复原和检测网络的训练。
图10 不同散射图像数据集FID值比较

Fig.10 Comparison of FID values of different scattering image datasets

4 结论

本文利用图像渲染器精确模拟光的传播和偏振行为生成无退化偏振图像,结合真实散射环境获取退化参数,并结合散射退化模型生成了模拟散射介质退化图像。通过实验结果可以看出,水下图像和雾天散射退化的模拟均符合实际散射环境中的图像情况。进一步,通过分析其偏振度和偏振角可以看到,本文模拟的散射退化过程使得原有的偏振信息在后向散射中被不同程度的湮没,可以验证本文提出的散射介质的偏振图像模拟方法可以很好地反映偏振信息在散射介质中的退化情况。模拟偏振图像可以用于分析散射环境中目标与背景的偏振性质,通过与真实散射环境中偏振图像的恢复结果进行比对,可以为散射环境下的偏振成像算法改进提供宝贵的依据。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
梁健, 巨海娟, 张文飞, 等. 偏振光学成像去雾技术综述[J]. 光学学报, 2017, 37(4):0400001.

LIANG J, JU H J, ZHANG W F, et al. Review of optical polarimetric dehazing technique[J]. Acta Optica Sinica, 2017, 37(4):0400001.

[2]
胡浩丰, 李校博, 刘铁根. 基于偏振成像的水下图像复原技术研究最新进展[J]. 红外与激光工程, 2019, 48(6):0603006.

HU H F, LI X B, LIU T G. Recent advances in underwater image restoration technique based on polarimetric imaging[J]. Infrared and Laser Engineering, 2019, 48(6):0603006.

[3]
杨力铭, 梁健, 张文飞, 等. 基于非偏振光照明的水下偏振成像目标增强技术[J]. 光学学报, 2018, 38(6):0611003.

YANG L M, LIANG J, ZHANG W F, et al. Underwater polarimetric imaging target enhancement technology based on unpolarized illumination[J]. Acta Optica Sinica, 2018, 38(6):0611003.

[4]
赵永强, 戴慧敏, 申凌皓, 等. 水下偏振清晰成像方法综述[J]. 红外与激光工程, 2020, 49(6): 20190574.

ZHAO Y Q, DAI H M, SHEN L H, et al. Review of underwater polarization clear imaging methods[J]. Infrared and Laser Engineering, 2020, 49(6): 20190574.

[5]
刘飞, 孙少杰, 韩平丽, 等. 基于稀疏低秩特性的水下非均匀光场偏振成像技术研究[J]. 物理学报, 2021, 70(16):154-160.

LIU F, SUN S J, HAN P L, et al. Clear underwater vision in non-uniform scattering field by low-rank-and-sparse-decomposition-based polarization imaging[J]. Acta Physica Sinica, 2021, 70(16):154-160.

[6]
DING X Y, WANG Y F, FU X P. Multi-polarization fusion generative adversarial networks for clear underwater imaging[J]. Optics and Lasers in Engineering, 2022, 152(6):106971.

[7]
SHEN L H, REDA M, ZHANG X, et al. Coral monitoring system based on polarization vision[C]//Eighth Symposium on Novel Photoelectronic Detection Technology and Applications.November 9-11, 2021.Kunming,China.Bellingham:SPIE,2022:2906-2912.

[8]
HU H F, ZHANG Y B, LI X B, et al. Polarimetric underwater image recovery via deep learning[J]. Optics and Lasers in Engineering, 2020,133:106152.

[9]
ZHANG R, GUI X Y, CHENG H Y, et al. Underwater image recovery utilizing polarimetric imaging based on neural networks[J]. Applied Optics, 2021, 60(27):8419-8425.

[10]
REN Q M, XIANG Y F, WANG G C, et al. The underwater polarization dehazing imaging with a lightweight convolutional neural network[J]. Optik, 2022,251:168381.

[11]
LI D K, LIN B, WANG X Y, et al. High-performance polarization remote sensing with the modified U-net based deep-learning network[J]. IEEE Transactions on Geoscience and Remote Sensing, 2022,60:5621110.

[12]
BA Y H, GILBERT A, WANG F, et al. Deep shape from polarization[C]//European Conference on Computer Vision, August 23-28, 2020, Glasgow, UK. Berlin:Springer,2020: 554-571.

[13]
SHI Y J, GUO E L, BAI L F, et al. Polarization-based haze removal using self-supervised network[J]. Frontiers in Physics, 2022,9:746.

[14]
ZHOU C, TENG M G, HAN Y F, et al. Learning to dehaze with polarization[C]//35th Conference on Neural Information Processing Systems,December 6-14, 2021. New York: Neurlps,2021:11487-11500.

[15]
梁健, 任立勇. 一种基于颜色编码滤波的同时偏振成像方法[J]. 陕西师范大学学报(自然科学版), 2022, 50(1): 91-96.

LIANG J, REN L Y. Simultaneous polarimetric imaging scheme based on division of chromatic coding filter[J]. Journal of Shaanxi Normal University(Natural Science Edition), 2022, 50(1):91-96.

[16]
HUARD S. Polarization of light[J]. Medical Oncology, 2011, 28(1):547-552.

[17]
JAFFE J S. Computer modeling and the design of optimal underwater imaging systems[J]. IEEE Journal of Oceanic Engineering, 1990, 15(2):101-111.

[18]
MCGLAMERY B. A computer model for underwater camera systems[J]. Proceedings of SPIE, 1979,208:2906-2912.

[19]
NARASIMHAN S G, NAYAR S K. Vision and the atmosphere[J]. International Journal of Computer Vision, 2002, 48(3):233-254.

[20]
SCHECHNER Y Y, AVERBUCH Y. Regularized image recovery in scattering media[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2007, 29(9):1655-1660.

PMID

[21]
SHEN L H, REDA M, ZHANG X, et al. Polarization-driven solution for mitigating scattering and uneven illumination in underwater imagery[J]. IEEE Transactions on Geoscience and Remote Sensing, 2024,62:4202615.

[22]
Mitsuba 3[EB/OL].[2024-07-09]. https://mitsuba.readthedocs.io/en/stable/index.html.

[23]
Stanford 3D Scanning Repository[EB/OL].[2024-07-09]. http://graphics.stanford.edu/data/3Dscanrep/.

[24]
Rendering Resources[EB/OL]. [2024-07-09]. https://benedikt-bitterli.me/resources/.

[25]
BAEK S H, ZELTNER T, KU H J, et al. Image-based acquisition and modeling of polarimetric reflectance[J]. ACM Transactions on Graphics, 2020, 39(4):139.

[26]
DEBEVEC P. Rendering synthetic objects into real scenes: bridging traditional and image-based graphics with global illumination and high dynamic range photography[C]//ACM SIGGRAPH 2008 Classes, August 11-15, 2008, Los Angeles. New York: ACM, 2008:1-10.

[27]
LIU C W, LI H J, WANG S C, et al. A dataset and benchmark of underwater object detection for robot picking[C]// 2021 IEEE International Conference on Multimedia & Expo Workshops (ICMEW), July 5-9, 2021, Shenzhen,China.New York: IEEE,2021:1-6.

[28]
LI B Y, REN W Q, FU D P, et al. Benchmarking single image dehazing and beyond[J]. IEEE Transactions on Image Processing,2018:492-505.

[29]
HE K M, SUN J, TANG X O. Single image haze removal using dark channel prior[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2011, 33(12):2341-2353.

DOI PMID

[30]
GALDRAN A, PARDO D, PICÓN A, et al. Automatic red-channel underwater image restoration[J]. Journal of Visual Communication and Image Representation, 2015,26:132-145.

[31]
GOULD R W J, ARNONE R A, MARTINOLICH P M. Spectral dependence of the scattering coefficient in case 1 and case 2 waters[J]. Applied Optics, 1999, 38(12):2377-2383.

PMID

[32]
HEUSEL M, RAMSAUER H, UNTERTHINER T, et al. GANs trained by a two time-scale update rule converge to a local Nash equilibrium[EB/OL].[2024-07-09]. http://arxiv.org/abs/1706.08500.

[33]
LI C Y, GUO C L, REN W Q, et al. An Underwater image enhancement benchmark dataset and beyond[J]. IEEE Transactions on Image Processing, 2020, 29: 4376-4389.

[34]
ISLAM M J, XIA Y Y, SATTAR J. Fast underwater image enhancement for improved visual perception[J]. IEEE Robotics and Automation Letters, 2020, 5(1): 3227-3234.

[35]
ANCUTI C O, ANCUTI C, TIMOFTE R, et al. O-HAZE:a dehazing benchmark with real hazy and haze-free outdoor images[C]//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW), June 18-22, 2018, Salt Lake City. New York: IEEE,2018:754-762.

Options
文章导航

/

〈 〉

版权所有 © 《陕西师范大学学报(自然科学版)》编辑部
地址：中国西安陕西师范大学长安校区文汇楼C段3层　
邮编：710119
电话：029-81530883，81530879，81530885　
E-mail：lkxuebao@snnu.edu.cn
技术支持：北京玛格泰克科技发展有限公司