基于斯托克斯物理约束的偏振成像视觉任务优化方法研究

针对偏振成像中因传感器错位、环境光泄漏及元件缺陷导致的像素级误差问题，研究人员提出斯托克斯物理约束（SPC）方法，通过建模误差并转化为优化问题提升偏振特性准确性。创新性引入斯托克斯向量约束水平（CLSV）指标量化数据质量，实验表明CLSV评分从38.24%提升至99.04%，显著改善了形状重建（SfP）和图像融合任务的性能，为生物医学成像、遥感等领域的偏振技术应用提供新范式。

　　

偏振成像技术通过捕捉光波的偏振态信息，能够揭示传统成像无法获取的场景物理特性，在癌症早期筛查、环境监测和工业检测等领域展现出独特优势。然而，传感器错位、环境光干扰以及微偏振阵列制造缺陷导致的像素级误差，严重制约了偏振视觉任务的精度。尤其当深度学习需要大量偏振图像进行训练时，数据质量的瓶颈效应愈发凸显。

针对这一挑战，陕西科技大学的研究团队在《Optics》发表了一项创新研究，提出斯托克斯物理约束（Stokes Physical Constraints, SPC）方法。该方法通过建立偏振物理模型，将误差校正转化为带约束的优化问题，同时开发了斯托克斯向量约束水平（Constraint Level on Stokes Vector, CLSV）这一全新评价指标。实验表明，经SPC处理的数据使CLSV评分从38.24%跃升至99.04%，在形状重建任务中显著提升了镜面反射和表面凹凸特征的还原度，在图像融合任务中则有效减少了伪影并增强对比度。

研究团队采用了两项关键技术：首先基于斯托克斯向量的物理约束建立误差校正模型，通过非线性优化实现像素级误差消除；其次利用公开数据集进行验证，分别采用监督学习（形状重建）和无监督学习（图像融合）两种范式评估SPC效果。在形状重建任务中，采用物理先验引导的神经网络处理SPC优化后的数据；图像融合任务则通过多模态信息交互模型实现质量提升。

研究结果部分显示：在"形状重建"任务中，SPC处理使神经网络在镜面反射区域的表面法向估计误差降低23%，凹凸特征还原度提升40%；在"图像融合"任务中，互信息量提高35%，空间频率指标提升28%，视觉保真度评分达到0.92。通过"CLSV指标分析"证实，SPC处理后数据满足斯托克斯不等式约束的像素比例从61.76%提升至99.04%。

这项研究的突破性在于：首次将偏振成像误差系统建模为物理约束优化问题，提出的SPC方法不仅适用于分焦平面（DoFP）系统，还可扩展至不同角度间隔的偏振成像场景。CLSV指标的创立为偏振图像质量评估提供了量化标准。该成果为生物医学内窥镜成像、航天遥感等需要高精度偏振信息的领域提供了可靠的数据优化框架，其物理约束与深度学习结合的研究范式，也为计算成像领域开辟了新思路。