水下目标物偏振成像特性研究

偏振图像比传统强度图像包含更丰富的物体表面反射及散射信息。用萨尔萨(SALSA)相机在自然光照下获取水下偏振图像,研究不同材质物体、放置深度、牛奶浓度及波段因素对水下目标物偏振成像的影响。结果表明:蓝色波段偏振成像能够较好地获取水下物体的边界轮廓等信息;不同材质的目标物在水下呈现不同的偏振特性,紫铜偏振度最高达0.69;在1.40mg/L牛奶浑浊度的水下,偏振图像仍能通过比较目标物的偏振度(degree of polarization,DOP)信息来检测出水下目标物,瓷片的DOP仅降低0.31;此外,在水下约40cm深度下,偏振成像获取的图像比强度图像轮廓更为清晰,如铁的偏振对比度比强度对比度高5.26%。

基于残差学习和视觉显著性映射的图像融合

为了提高可见光图像和红外图像的融合图像的细节信息以及保留对比度,提出了一种基于残差学习和视觉显著性映射的多尺度分解图像融合方法。首先,使用高斯滤波器和引导滤波器对图像进行多尺度分解,将其分解为基本层和细节层,其中细节层分为小尺度纹理层和中尺度边缘层。然后,使用提出的改进视觉显著映射方法对基本层进行融合,对低光照图像基本层进行增强处理,使融合图像具有良好的对比度和总体外观。对于细节层,提出了对小尺度纹理层和中尺度边缘层分别进行最值化以及软最大化融合规则的残差网络深度学习融合模型。实验在TNO数据集上将所提算法与最新的6种方法针对离散余弦特征互信息、小波特征互信息、结构相似度和伪影噪声率这4个客观指标进行比较,所提算法在前3个客观指标上有所提升,在伪影噪声率上获得进一步的下降。该算法在保留图像显著特征的同时使融合图像获得了更多的细节纹理信息,具有良好的对比度,且有效地减小了伪影和噪声。