基于优化偏振参数成像的红外图像增强方法研究

《Optics & Laser Technology》：Infrared image enhancement method based on optimized polarization parametric forming

本文提出了一种基于优化偏振参数成像模型（OPPFM）和偏振适应度（PF）的红外图像增强方法。通过建立偏振参数成像模型（PPFM）提取不同偏振形成角度的特征，结合改进的哈里斯鹰优化算法（IHHO）实现多维偏振特征融合，创新性地引入偏振适应度函数约束优化过程，显著提升了红外偏振图像在复杂环境下的目标增强与抗干扰能力。

　　

章节亮点

整体设计

本研究提出了一种优化的偏振参数成像模型及完整的红外偏振图像增强框架。首先采用改进的哈里斯鹰优化算法（IHHO）计算偏振形成角，获得加权偏振矢量图像序列（WPV^φ(1,N), WPV^φ(2,N), ..., WPV^φ(d,N)），其中d代表特征维度，N为种群规模。通过偏振特征的多维分解与重构，显著提升目标特征的表达能力。

优化偏振参数成像模型（OPPFM）

针对多目标场景下的偏振信息丢失问题，IHHO算法随机初始化偏振形成角参数φ∈{φ₁, φ₂, ..., φ_d}。通过求解PPFM模型生成WPV^φ(d,N)图像序列（其中上标d和N分别表示第d个特征维度和第N次种群迭代），在优化过程中引入竞争选择机制提升收敛精度，结合交叉验证和动态反向学习策略（CS）强化目标偏振特征。

红外偏振图像增强

为确保图像质量，创新性地提出偏振适应度（PF）的多重约束条件。通过PPFM公式计算50组种群规模的加权偏振矢量图像，利用特征融合模块（FFM）进行多维特征重构，最终通过偏振适应度函数引导优化过程，获得最优增强图像I_e。

基于标准测试函数的优化算法仿真实验

为验证IHHO算法的搜索优化能力，采用23种标准测试函数进行性能评估。在偏振图像融合任务中，与哈里斯鹰优化（HHO）、粒子群优化（PSO）、鲸鱼优化（WOA）、麻雀搜索（SSA）等六种算法对比，结果显示IHHO在收敛速度和特征保持方面具有显著优势。

结论

本研究提出的优化偏振参数成像模型，通过偏振矢量的多角度投影特征提取，结合改进的群智能优化算法与特征融合技术，有效解决了红外偏振成像中的噪声干扰问题，为复杂环境下的目标增强提供了创新解决方案。