水下偏振成像原理

1995年，M.P.Rowe等人首次提出偏振差分水下成像技术（Polarization Difference Imaging）以来，水下场景中通过偏振正交的共模抑制特性来滤除背景散射，实现对物体的清晰成像就一直备受国内外研究者关注。

随后，2005年Y.Y.Schechner等人提出水下被动偏振成像技术（Passive Polarization Imaging），如图1所示。该技术利用光在水下传输过程中的衰减模型，结合目标与背景偏振特性差异建立物理模型，通过精准计算介质透过率从而准确估计背景散射光和直接辐射光，重建清晰的水下场景图像。

图1 水下被动偏振技术模型与复原效果[2]。(a)水下被动偏振成像物理模型;(b)传统水下被动偏振成像技术复原效果图

2009年，T.Treibitz等人[3]提出了主动水下偏振成像技术（Active Polarization Imaging），如图2所示，该技术考虑了目标信息光的偏振度，探究目标信息光与背景散射光偏振特性的差异及变化趋势，采用互信息最小化法寻找目标与背景的最小关联性，从而实现二者的高效分离，恢复水下清晰场景原貌。

图2 水下主动偏振成像技术模型与复原效果[3]。(a)水下主动偏振成像物理模型;(b)传统水下主动偏振成像技术的复原效果;(b1)原始强度图像;(b2)目标信息光图像;(b3)背景散射光图像

2020年，胡浩丰等人提出了基于深度学习的水下偏振成像技术(Polarization Imaging via Deep Learning)，通过神经网络中的SFE(Shallow Feature Extraction)进行图像中偏振信息的浅层特征提取，然后在RDB(Residual Dense Block)中采用16个dense block模块和残差连接的方式对神经网络进行训练，最后由DFF(Dense Feature Fusion)将特征融合。该技术对水下浑浊水体图像信息退化过程进行了非线性建模，从而反演水下浑浊水体的清晰化过程，实现清晰成像。该技术的网络架构如图3所示。

图3 偏振密集网络架构[4]

水下偏振成像的应用

在浅海地区，由于海水的选择性吸收特性，图像整体会呈现颜色失真，视觉效果差。此外，主动光源与自然光叠加后将导致水下散射光复杂性增大，进而影响成像效果。

针对以上问题，西安电子科技大学刘飞等人提出了浅海被动水下偏振成像探测技术[5]，从水体中背景散射光的传输特性出发，通过分析场景深度信息与散射光的物理关系，建立了基于深度信息的水下 Lambertian反射模型。该模型描述了能量相同、波长不同的目标辐射光经水中传输后到达探测器的能量不同。通过对彩色魔方和真实海底场景的实验，在不增加任何先验条件的前提下，实现了无色彩畸变的水下目标场景清晰成像探测，实验结果如图4所示。

图4 浅海被动水下偏振成像技术复原效果[5]。(a1) 魔方原始强度图像; (b1)~(d1) 魔方原始强度图像的RGB三通道的强度分布; (a2) 重建图像; (b2)~(d2) 魔方重建图像的RGB三通道的强度分布; (a3) 清水中的魔方强度图像; (b3)~(d3)清水中魔方强度图像的RGB三通道的强度分布; (a4)~(d4) 不同区域的强度值统计; (e) 真实场景原始强度图像; (f)真实场景复原图像

在高浑浊水体中，由于悬浮颗粒引起的强散射作用，使得场景产生严重的“帷幔效应”，造成场景中目标细节信息被淹没在背景散射光中，导致图像对比度大幅降低。

为解决以上问题，西安电子科技大学刘飞团队在考虑水体不同散射和吸收特性的基础上，根据波长选择特性，采用单色光源进行成像，提出了高浑浊度水下偏振成像方法[6]。该方法采用了在浑浊水体中传输性能更优的红光光源作为主动光源，利用光学相关技术判断背景散射光与目标信息光之间的相关性，实验结果（如图5所示）证明该方法能在高浑浊水体中有效去除背景散射光并同时恢复目标细节及纹理信息，为远距离、高浑浊度偏振成像探测奠定了应用基础。

图5 高浑浊水下偏振成像方法在不同浑浊水体中的复原结果[6]。(a1)~(f1) 采用蓝光照明; (a2)~(f2) 采用红光照明

近年来，深度学习作为神经网络延伸出去的一支强有力的工具，在包括去散射介质等多个成像领域的应用中开始发挥着其强大的能力。

2020年，天津大学胡浩丰团队提出了基于深度学习的水下偏振图像复原方法[4]，他们通过实验获取大量水下场景清晰和浑浊的图像对，然后将其建立为数据集对密集连接神经网络（Dense Connected Neural Network）进行训练，学习丰富的多层特征信息，基于完整的网络再进行水下图像复原。为体现偏振信息特征提取的优势，同时也将单张光强图像作为输入进行对比验证，实验结果表明（如图6所示），偏振图像进行深度学习训练后，图像对比度、清晰度提升明显，且偏振组细节保留完整，局部放大图中数字轮廓完整，边缘清晰，较光强组提升较大。

图6 偏振神经网络。光强神经网络复原图对比[4]。(a)~(c) 原始光强图像、偏振神经网络复原图像、光强神经网络复原图像；(d)~(f)为框选区域放大图

水下偏振成像技术因其设备简便、性价比高、无先验信息、成像效果符合人眼视觉效果等特点在海底资源探测、水下救援、水下工程等领域发挥着重要作用。随着人类对海洋的深入探索，水下偏振成像技术的发展充满了机遇和挑战，现阶段存在的关键问题亟需研究学者们共同努力解决。在未来，成像技术不能只关注成像系统中的某一物理特性，应从全链路方位考虑，对光源的调制、光场信息的传输、解译以及信号处理算法多方面考虑以提升成像效果。如何更为合理、有效的综合利用各种技术与模型，实现实时动态高质量的清晰化成像仍是水下偏振成像的重要发展方向。