基于深度学习的偏振图像去噪方法研究.pdfVIP

摘要

作为光波的一种基本属性，偏振提供了不同于光强、光谱和相位的另一层面

信息。偏振成像是获取偏振信息的重要方式，广泛应用于目标识别、材料分类和

医疗诊断等领域。但偏振成像系统获取的图像在现实复杂环境下，容易被噪声干

扰。而线性偏振度和偏振角等偏振参数对噪声的敏感性进一步放大了噪声的影

响，后续目标识别等任务的效果受到很大限制。近年来，因实际应用的需要，偏

振图像去噪技术得到了极大的发展，其中基于大规模数据驱动的深度学习方法取

得了显著的效果，但偏振图像的高获取成本限制了深度学习技术在偏振领域的进

一步发展。为解决深度学习方法对大规模配对数据集的依赖问题，本文将迁移学

习和无监督学习引入偏振图像去噪领域，实现了小规模数据集或非配对数据集下

的深度学习，主要开展的工作包括：

1.针对现有深度学习偏振图像去噪方法依赖大规模数据集的问题，本文提

出了一种基于迁移学习的偏振图像去噪方法。该方法基于彩色图像去噪任务与偏

振图像去噪任务的相似性，将彩色图像去噪的网络权重迁移到偏振图像去噪网

络，并使用微调的方法以促进网络对偏振信息的恢复。实验表明，迁移学习方法

可以在训练样本数目减少时有效保持网络性能，与传统图像去噪方法相比，迁移

学习在小样本下训练的网络能够更好地抑制线性偏振度和偏振角的噪声，且适用

于不同噪声环境以及包含不同材料的偏振图像。

2.针对现有监督学习偏振图像去噪方法依赖配对数据集且泛化性不佳的问

题，本文提出了基于生成对抗网络的无监督偏振图像去噪方法。该方法设计了适

用于偏振参数恢复的循环生成对抗网络框架以及偏振梯度损失，实现了偏振信息

的有效复原。实验表明，本文提出的偏振参数判别器有效提升了方法的去噪能力。

相比于传统偏振图像去噪方法和监督学习偏振图像去噪方法，本文方法可以更好

地恢复偏振信息，且适用于室内室外不同的场景，具有更好的泛化性。

关键词：偏振成像，偏振图像去噪，深度学习，迁移学习，生成对抗网络

ABSTRACT

Asabasicpropertyoflight,Polarizationprovidesanotheraspectofinformation

differentfromintensity,spectrumandphase.Asanimportantwaytoobtainpolarization

information,polarizationimagingiswidelyappliedintargetrecognition,material

classification,medicaldiagnosisandotherfields.However,inarealcomplex

environment,theimagesobtainedbythepolarizationimagingsystemareeasily

disturbedbynoise,andthesensitivityofpolarimetricparameterssuchasdegreeof

linearpolarizationandangleofpolarizationtonoisefurtheramplifiestheinfluenceof

noise,whichgreatlylimitssubsequenttaskssuchastargetrecognition.Inrecentyears,

duetotheneedsofpracticalapplications,polarizationimagedenoisingtechnologyhas

beengreatlydeveloped.Amongthem,themethodbasedonlarge-scaledata-drivendeep

learninghasachievedremarkableresults.However,thehighacquisitioncostof

p