CN106033599A - 基于偏振成像的可见光增强方法 - Google Patents

Abstract

本发明公开了一种基于偏振成像的可见光图像增强方法，首先利用偏振成像方法获取图像中的偏振信息，其次将偏振信息在邦加球中进行聚类得到偏振特征图像，最后融合偏振特征图像与光强图像得到最终的增强图像。本发明能够很好地突出目标的偏振特征，使图像具有完整的目标区域，边缘清晰，细节信息丰富，从而快速有效探测与识别可见光波段目标。

Description

基于偏振成像的可见光增强方法

技术领域

本发明属于图像处理技术，特别是一种基于偏振成像的可见光增强方法。

背景技术

可见光图像容易受到外界环境因素的影响，对于隐藏在自然背景中的人造目标，图像中目标与背景的对比度低使得目标不易被发现。随着伪装技术的发展，新型伪装涂料的产生更加大了人造目标检测与识别的难度。国内外对偏振成像探测的研究发现：物体反射或辐射光波的偏振态信息，可以有效区分不同材质、不同表面形态、不同导电率的散射体。一定条件下，利用偏振成像方式获取的伪装目标与自然背景的偏振信息之间存在较大差异。人造伪装目标表面较光滑，辐射和反射光的线偏振较强，而自然背景的散射较强使偏振度较低。

光波的偏振态通常用斯托克斯参量(I，Q，U，V)^T来定量化表示，其中I表示光波的总强度，即光强值；Q代表水平偏振和垂直偏振之间的强度差；U代表光线偏振部分方向在45°和-45°之间的强度差；V代表光的左旋和右旋圆偏振分量的强度差。这4个参量均是光强的时间平均值，具有强度的量纲，可以直接被光电探测器探测。任意的Stokes矢量可以表示为：

$\left[\begin{array}{c}I\\ Q\\ U\\ V\end{array}\right]=I\left[\begin{array}{c}1\\ P\cos 2\mathrm{\θ}\cos 2\mathrm{\ϵ}\\ P\sin 2\mathrm{\θ}\cos 2\mathrm{\ϵ}\\ P\sin 2\mathrm{\ϵ}\end{array}\right]---\left(\text{1}\right)$

式中P、θ和ε分别表示偏振度，偏振角和椭率角，I为光强值。即对给定的总光强值I，光波的偏振态由偏振度P、偏振角θ和椭率角ε决定。偏振度P、偏振角θ和椭率角ε的定义如式(2)所示：

$P=\frac{\sqrt{Q^2+U^2+V^2}}{I}$

$\mathrm{\θ}=\frac{1}{2}\arctan \left(\frac{U}{Q}\right)---\left(2\right)$

$\mathrm{\ϵ}=\frac{1}{2}\arcsin \frac{V}{\sqrt{Q^2+U^2+V^2}}$

偏振度P表示完全偏振光强度在整个光强度中的比例，偏振角θ表示偏振光振动方向与参考方向(参考方向取水平方向x轴)的夹角，椭率角ε的正负反映 了对应的光是右旋或者左旋圆偏振光。

光偏振态的邦加球表示法如图1所示，1892年Poincare在斯托克斯空间引入半径为1的球，球面上的点与光的全偏振态一一对应，球内点与光的部分偏振态相对应，球内任意点离球心的距离可以用来表示该部分偏振光的偏振度P，球面上任一点的经度和纬度分别为2θ和2ε。由光偏振态的邦加球表示法可以看出，对于给定的总光强值I，光波的偏振态由偏振度P、偏振角θ和椭率角ε完全决定。对于确定的偏振度、偏振角和椭率角，在邦加球中必有唯一一点与之相对应。

目前对可见光图像的增强主要有以下手段：调整灰度直方图；基于人眼视觉特性的图像增强算法；图像的分形增强等，这些方法依赖于单幅图像，增强已有的图像信息，对于质量较差的可见光图像增强能力十分有限。文献WANG Z Y，HUANG M W，HU P，et al.Image Enhancement Based on Histograms and Its Realization with MATLAB[J].COMPUTER ENGINEERING AND SCIENCE.2006，28(2)：54-56.中公开对可见光图像进行直方图均衡增强的方法，增强后的图像与原图像相比对比度有一定程度的提升；文献KANG M，LI Y L.An Adaptive Image Enhancement Algorithm Based on Human Visual Properties[J].Opto-Electronic Engineering.2009，36(7)：71-77.中公开一种基于人眼视觉的图像增强方法，增强后的图像更加符合人眼的视觉特性；专利CN103530847A中公开一种红外图像增强方法，对图像进行直方图统计，针对直方图中的不同区域进行相应的展开与压缩，最终达到图像增强的目的，这种方法简单且能达到较好的效果；专利CN103218782A中公开一种基于多尺度分形特征的红外图像增强方法，依据自然背景有分形特征而人造目标没有分形特征这一特点，对人造目标进行增强。上述这些方法虽然对图像有一定的增强效果，但均依赖于单幅图像，对于质量较差的可见光图像的增强能力十分的有限。

发明内容

本发明的目的在于提供一种基于偏振成像的可见光图像增强方法，能够很好地突出目标的偏振特征，使图像具有完整的目标区域，边缘清晰，细节信息丰富，从而快速有效探测与识别可见光波段目标。

实现本发明目的的技术解决方案为：一种基于偏振成像的可见光增强方法，步骤如下：

步骤1，获得目标偏振参量图像：利用偏振成像系统对目标进行偏振成像， 得到偏振成像系统中偏振片的透光轴与水平方向的夹角分别为0°，45°，90°，135°的线偏振分量光强图像I₀，I₄₅，I₉₀和I₁₃₅，加上1/4波片后，分别测量左旋和右旋圆偏振分量光强图像I_L和I_R，进而得到斯托克斯参量图像I，Q，U，V，其中I表示光波的总强度，即光强值；Q代表水平偏振和垂直偏振之间的强度差；U代表光线偏振部分方向在45°和-45°之间的强度差；V代表光的左旋和右旋圆偏振分量的强度差；

步骤2，获得偏振度图像、偏振角图像和椭率角图像：由步骤1中的斯托克斯参量图像I，Q，U，V计算得到偏振度图像P、偏振角图像Θ和椭率角图像ε；

步骤3，将步骤2中得到的偏振度图像P、偏振角图像Θ和椭率角图像ε中的像素点在邦加球中表示，即将偏振度图像、偏振角图像和椭率角图像中每个相同像素点位置的图像像素灰度值对应到邦加球中，并对这些点用K-means聚类得到偏振特征图像F；

步骤4，运用双树复小波对光强图像I和偏振特征图像F进行分解，此处的光强图像I即步骤1中斯托克斯参量图像中的I；低频子带采用主成分分析法，高频子带选用区域方差特征匹配的融合策略，得到最终的增强图像FI。

本发明与现有技术相比，其显著优点：(1)本发明在主观视觉和客观评价上相比于其他方法有了一定的提高，如图7所示，本发明得到的结果图中目标与背景对比度更高，伪装目标能快速地被识别。(2)由于本发明考虑了目标的偏振特征，图7中细节信息更丰富，目标轮廓更完整，对隐藏在自然背景中的伪装目标能够更好地识别。(3)本发明适用性强，可以应用于多种场合。

下面结合附图对本发明作进一步详细描述。

附图说明

图1为邦加球中点的表示。

图2为可见光黑白相机拍摄的原始光强图像。

图3为对应的偏振度图像。

图4为对应的偏振角图像。

图5为对应的椭率角图像。

图6为在邦加球中聚类得到的偏振特征图像。

图7为最终的增强图像。

图8为斯托克斯参量测量图。

图9为本发明的流程图。

具体实施方式

结合图9，本发明基于偏振成像的可见光图像增强方法，实现步骤如下：

步骤1，获得目标偏振参量图像。获得目标偏振参量图像数据之前，需要先拍摄原始光强图像如图2所示，本发明实验所用相机为可见光黑白相机，拍摄场景为一块涂有土黄色伪装涂层的金属板置于铺满落叶的树下。从图2中很难发现隐藏的伪装目标。

利用偏振成像系统对目标进行偏振成像，得到偏振成像系统中偏振片的透光轴与水平方向的夹角分别为0°，45°，90°，135°的线偏振分量光强图像I₀，I₄₅，I₉₀和I₁₃₅，加上1/4波片后，分别测量左旋和右旋圆偏振分量光强图像I_L和I_R，进而得到斯托克斯参量图像I，Q，U，V：

$\left[\begin{array}{c}I\\ Q\\ U\\ V\end{array}\right]=\left[\begin{array}{c}{I}_0+I_{90}\\ I_0-I_{90}\\ I_{45}-I_{135}\\ I_L-I_R\end{array}\right]---\left(\text{3}\right)$

斯托克斯参量的测量过程如下：如图8所示，沿z轴传播的光束，先后通过快轴与参考轴成β角的1/4波片以及透光轴与参考轴成α角的起偏器。先不用1/4波片，通过在光路中旋转起偏器使α分别为0°，45°，90°和135°，获取线偏振分量的光强图像I₀，I₄₅，I₉₀，I₁₃₅，由式(3)得到Stokes的前3个参量图像I，Q，U。在光路中移入1/4波片，令α＝0°，通过旋转1/4波片使β分别取+45°和-45°，获取左/右旋圆偏振分量的光强图像I_L和I_R，由式(3)得出最后一个Stokes参量图像V。

步骤2，获得偏振度图像、偏振角图像和椭率角图像。由步骤1中的斯托克斯参量图像I，Q，U，V计算得到偏振度图像P、偏振角图像Θ和椭率角图像ε，公式如上式(2)，得到的结果图如图3～图5所示，偏振图像在一定程度上已经凸显了目标，但边缘模糊，也缺失了细节信息；

步骤3，将步骤2中得到的偏振度图像P、偏振角图像Θ和椭率角图像ε中的像素点在邦加球中表示，即将偏振度图像、偏振角图像和椭率角图像中每个相 同像素点位置的图像像素灰度值对应到邦加球中，并对这些点用K-means聚类得到偏振特征图像F。如图6所示，偏振特征图像F已能明显地突出目标，目标与背景区分明显，但仍然缺失细节信息。这一过程本质上是对偏振态的分类。

步骤4，用双树复小波对光强图像I和偏振特征图像F进行分解，此处的光强图像I即步骤1中斯托克斯参量图像中的I。对低频子带和高频子带选用不同的融合方法，即低频子带采用主成分分析法，高频子带选用区域方差特征匹配的融合策略，得到最终的增强图像FI。具体实现过程如下：

步骤4.1，采用主成分分析法对低频子带作如下处理：

${\mathrm{FI}}_L(x,y)=\frac{1}{c_1+c_2}[c_1{I}_L(x,y)+c_2{F}_L(x,y)]$

其中，I_L(x，y)、F_L(x，y)分别为光强图像和偏振特征图像小波分解后的低频系数，FI_L(x，y)为融合图像的低频系数，c₁和c₂分别为强度图像和偏振特征图像的主特征向量。

步骤4.2，对高频子带选用区域方差特征匹配的融合方法：

采用方差作为衡量一个区域内目标特征显著性的度量值，窗口为m*n的区域方差表示为：

${\mathrm{\σ}}_{F_l}(x,y)=\underset{m=-1}{\overset{1}{\mathrm{\Σ}}}\underset{n=-1}{\overset{1}{\mathrm{\Σ}}}w(m,n){[F_l(x+m,y+n)-\stackrel{\‾}{u_l}\left(\text{x,y}\right)]}^{-2}$

${\mathrm{\σ}}_{I_l}(x,y)=\underset{m=-1}{\overset{1}{\mathrm{\Σ}}}\underset{n=-1}{\overset{1}{\mathrm{\Σ}}}w(m,n){[I_l(x+m,y+n)-{\stackrel{\‾}{u}}_l\left(\text{x,y}\right)]}^{-2}$

式中，和表示第1层分解以(x，y)为中心的局部方差，表示以(x，y)为中心的区域像素的灰度均值， $w(m,n)=\frac{1}{16}\left[\begin{array}{ccc}1& 1& 1\\ 1& 8& 1\\ 1& 1& 1\end{array}\right]$ 为加权矩阵，计算局部方差匹配度：M(x，y)在0～1之间取值，如果存在一个阈值T，一般T取0～0.3得到的结果较为合理，以T＝0.3为例进行说明。如果M(x，y)＜T，说明两幅图像的高频子带图像之间的相关性比较低，则有 ${\mathrm{FI}}_l=\left\{\begin{array}{c}{F}_l(x,y),{\mathrm{\σ}}_{F_l}>{\mathrm{\σ}}_{I_l}\\ I_l(x,y),{\mathrm{\σ}}_{F_l}\≤{\mathrm{\σ}}_{I_l}\end{array}\right.,$ 当M(x，y)＞T时，说明两幅图像之间的相关性较高，采用 加权融合规则，则有 ${\mathrm{FI}}_l(x,y)=\left\{\begin{array}{c}G*F_l(x,y)+(1-G)*I_l(x,y),{\mathrm{\σ}}_{F_l}>{\mathrm{\σ}}_{I_l}\\ (1-G)*F_l(x,y)+G*I_l(x,y),{\mathrm{\σ}}_{F_l}\≤{\mathrm{\σ}}_{I_l}\end{array}\right.,$ 其中， 最终的增强图像如图7所示，与原始可见光图像图2相比，增强的图像由于融入了偏振信息，图像中目标轮廓清晰完整，图像对比度明显提升。

Claims (4)

1.一种基于偏振成像的可见光增强方法，其特征在于步骤如下：

步骤1，获得目标偏振参量图像：利用偏振成像系统对目标进行偏振成像，得到偏振成像系统中偏振片的透光轴与水平方向的夹角分别为0°，45°，90°，135°的线偏振分量光强图像I₀，I₄₅，I₉₀和I₁₃₅，加上1/4波片后，分别测量左旋和右旋圆偏振分量光强图像I_L和I_R，进而得到斯托克斯参量图像I，Q，U，V，其中I表示光波的总强度，即光强值；Q代表水平偏振和垂直偏振之间的强度差；U代表光线偏振部分方向在45°和-45°之间的强度差；V代表光的左旋和右旋圆偏振分量的强度差；

步骤2，获得偏振度图像、偏振角图像和椭率角图像：由步骤1中的斯托克斯参量图像I，Q，U，V计算得到偏振度图像P、偏振角图像Θ和椭率角图像ε；

步骤3，将步骤2中得到的偏振度图像P、偏振角图像Θ和椭率角图像ε中的像素点在邦加球中表示，即将偏振度图像、偏振角图像和椭率角图像中每个相同像素点位置的图像像素灰度值对应到邦加球中，并对这些点用K-means聚类得到偏振特征图像F；

步骤4，运用双树复小波对光强图像I和偏振特征图像F进行分解，此处的光强图像I即步骤1中斯托克斯参量图像中的I；低频子带采用主成分分析法，高频子带选用区域方差特征匹配的融合策略，得到最终的增强图像FI。

2.根据权利要求1所述的基于偏振成像的可见光增强方法，其特征在于步骤1中，计算斯托克斯参量图像I，Q，U，V的公式如下：

$\left[\begin{array}{c}I\\ Q\\ U\\ V\end{array}\right]=\left[\begin{array}{c}{I}_0+I_{90}\\ I_0-I_{90}\\ I_{45}-I_{135}\\ I_R-I_L\end{array}\right]$

其中，斯托克斯参量的测量过程为：沿z轴传播的光束，先后通过快轴与参考轴成β角的1/4波片以及透光轴与参考轴成α角的起偏器，先不用1/4波片，通过在光路中旋转起偏器使α分别为0°，45°，90°和135°，获取线偏振分量的光强图像I₀，I₄₅，I₉₀，I₁₃₅，由上式得到Stokes的前3个参量I，Q，U；在光路中移入1/4波片，令α＝0°，通过旋转1/4波片使β分别取+45°和-45°，获取左/右旋圆偏振分量的光强图像I_L和I_R，由上式得出最后一个Stokes参量V。

3.根据权利要求1所述的基于偏振成像的可见光增强方法，其特征在于步骤2中，由步骤1中的斯托克斯参量图像I，Q，U，V计算得到偏振度图像P、偏振角图像Θ和椭率角图像ε的公式为：

$P=\frac{\sqrt{Q^2+U^2+V^2}}{I}$

$\mathrm{\θ}=\frac{1}{2}\arctan \left(\frac{U}{Q}\right)$

$\mathrm{\ϵ}=\frac{1}{2}\arcsin \frac{V}{\sqrt{Q^2+U^2+V^2}}.$

4.根据权利要求1所述的基于偏振成像的可见光增强方法，其特征在于步骤4中，用双树复小波对光强图像I和偏振特征图像F进行分解，对低频子带和高频子带选用不同的融合方式，具体实现过程如下：

步骤4.1采用主成分分析法对低频子带作如下处理：

${\mathrm{FI}}_L(x,y)=\frac{1}{c_1+c_2}[c_1{I}_L(x,y)+c_2{F}_L(x,y)]$

其中，I_L(x，y)、F_L(x，y)分别为光强图像和偏振特征图像小波分解后的低频系数，FI_L(x，y)为融合图像的低频系数，c₁和c₂分别为强度图像和偏振特征图像的主特征向量；

步骤4.2对高频子带选用区域方差特征匹配的融合方法：

采用方差作为衡量一个区域内目标特征显著性的度量值，即窗口为m*n的区域方差表示为：

${\mathrm{\σ}}_{F_l}(x,y)=\underset{m=-1}{\overset{1}{\mathrm{\Σ}}}\underset{n=-1}{\overset{1}{\mathrm{\Σ}}}w(m,n){[F_l(x+m,y+n)-\stackrel{\‾}{u_l}(x,y)]}^{-2}$

${\mathrm{\σ}}_{I_l}(x,y)=\underset{m=-1}{\overset{1}{\mathrm{\Σ}}}\underset{n=-1}{\overset{1}{\mathrm{\Σ}}}w(m,n){[I_l(x+m,y+n)-{\stackrel{\‾}{u}}_l(x,y)]}^{-2}$

式中，和表示第1层分解以(x，y)为中心的局部方差，表示以(x，y)为中心的区域像素的灰度均值， $w(m,n)=\frac{1}{16}\left[\begin{array}{ccc}1& 1& 1\\ 1& 8& 1\\ 1& 1& 1\end{array}\right]$ 为加权矩阵，计算局部方差匹配度：M(x，y)在0～1之间取值，如果存在一个阈值T，如果M(x，y)＜T，说明两幅图像的高频子带图像之间的相关性比较低，则有 ${\mathrm{FI}}_l=\left\{\begin{array}{c}{F}_l(x,y),{\mathrm{\σ}}_{F_l}>{\mathrm{\σ}}_{I_l}\\ I_l(x,y),{\mathrm{\σ}}_{F_l}\≤{\mathrm{\σ}}_{I_l}\end{array}\right.;$ 当M(x，y)＞T时，说明两幅图像之间的相关性较高，采用加权融合，则有 ${\mathrm{FI}}_l(x,y)=\left\{\begin{array}{c}G*F_l(x,y)+(1-G)*I_l(x,y),{\mathrm{\σ}}_{F_l}>{\mathrm{\σ}}_{I_l}\\ (1-G)*F_l(x,y)+G*I_l(x,y),{\mathrm{\σ}}_{F_l}\≤{\mathrm{\σ}}_{I_l}\end{array}\right.,$ 其中，

$G=\frac{1}{2}\left[\frac{1-M(x,y)}{1-T}\right].$