融合物理模型的水下偏振图像去散射深度学习算法.pdfVIP

第1期电光系统No.1

2025年03月ElectronicandElectrooticalSystemsMar.2025

融合物理模型的水下偏振图像去散射深度学习算法

韩宜霖

中国电子科技集团公司第二十七研究所，郑州450047

摘要：在水下成像过程中，介质中的杂散光使图像质量严重退化，降低了图像对比度。文

章提出了偏振调制参量模型，将偏振模型与水下成像模型相结合，结合深度神经网络，增强

了网络的可解释性，去散射过程更符合物理规律。使用网络输出的偏振调制参量计算得到

的强度图像间接约束网络训练，解决了偏振参量数据集难以获取的问题。此外，文章设计了

偏振感知损失函数，扩大损失函数输入特征图的感受野，消除了去散射图像中由于像素值突

变产生的伪影和假轮廊。实验表明：即使在高浑浊度条件下，偏振模型和神经网络的组合有

利于改善图像质量，使去散射图像的峰值信噪比（PSNR）相较于常用的偏振差分去散射方

法提高了41.4%，结构相似度（SSIM)提高了0.6，去散射效果显著提高。

关键词：深度学习；物理驱动；水下图像去散射；偏振图像复原

中图分类号：TP18：TP391.4文献标识码：A

DeepLearningAlgorithmofUnderwaterPolarizationImageDescattering

BasedonPhysicalModel

HANYi-lin

(The27thResearchInstituteofChinaElectronicsTechnology

GroupCorporation,Zhengzhou450047,China)

Abstract:Thestraylightinthemediumduringunderwaterimagingseriouslydegradestheimagequalityandre-

ducesthecontrastoftheimage.Inthispaper,thepolarizationmodulationparametermodelisproposed,which

combinesthepolarizationmodelwiththeunderwaterimagingmodelandthedeepneuralnetworktoenhancethe

interpretabilityofthenetwork,andthedescatteringprocessismoreconsistentwiththephysicallaw.Theinten-

sityimageobtainedbyusingthepolarizationmodulationparametersofthenetworkoutputisusedtoindirectly

constrainthenetworktraining,whichsolvestheproblemthatthepolarizationparameterdatasetisdifficultto

obtain.Inaddition,thepolarizationsensinglossfunctionisdesignedtoenlargethereceptivefieldoftheinput

featuremap,andtheartifactsandfalsecontourscausedbythesuddench