基于偏振度低秩与稀疏分解的鲁棒图像去雾
《Optics & Laser Technology》:Robust image dehazing based on low-rank and sparse decomposition of the degree of polarization
【字体:
大
中
小
】
时间:2026年09月21日
来源:Optics & Laser Technology 4.6
编辑推荐:
• 自适应低秩稀疏分解高效重构高保真偏振度(DoP)。
• 双重统计与结构约束鲁棒优化透射率。
• 偏振筛选机制准确定位大气光锚点。
## 引言
信息获取是人类感知世界的基本要素,基于图像信息获取的科学任务作为国防和民用生活的重要手段 [1]。然而,大气中的悬浮颗粒导致环
• 自适应低秩稀疏分解高效重构高保真偏振度(DoP)。• 双重统计与结构约束鲁棒优化透射率。• 偏振筛选机制准确定位大气光锚点。## 引言信息获取是人类感知世界的基本要素,基于图像信息获取的科学任务作为国防和民用生活的重要手段 [1]。然而,大气中的悬浮颗粒导致环境光与物体反射光混合,使得在雾和霾等恶劣天气条件下难以获取清晰且高保真的图像 [2]。在实际应用中,图像模糊严重限制了视觉系统的感知性能。如图 1 所示,随着雾霾浓度的增加,图像能见度显著恶化,从而降低了后续高层视觉任务的性能。因此,复杂场景中雾霾图像的去雾和视觉质量增强研究至关重要 [3]。基于物理的图像复原方法主要基于大气散射模型 [4],它可以准确反映雾霾图像的退化过程,从而实现更理想的复原结果 [5]。其中,偏振去雾技术 [6] 近年来因具有较强的物理可解释性和泛化能力 [7] 而成为研究热点,除了光强度外还能纳入偏振维度信息。近年来,许多先进的偏振去雾算法被提出,并在理想成像条件下取得了优异的性能 [8],[9]。然而,在复杂的非理想场景中,偏振角(AoP)和偏振度(DoP)等关键偏振信息可能会因各种因素而受到噪声破坏。传统的去噪方法,如全变分(TV)[10] 和块匹配与三维滤波(BM3D)[11],通常忽略多通道物理相关性,难以处理复杂的非高斯混合噪声。Liang 等人 [12] 使用频域低通滤波来平滑偏振信号,这抑制了高频噪声,但不可避免地削弱了与场景结构相关的高频细节。Shen 等人 [13] 试图通过联合优化框架来缓解偏振测量的不稳定性,但他们仅将偏振信息作为隐式正则化项,未能明确表征异常干扰。当观测数据严重损坏时,上述方法往往不能完全将内在信息与稀疏干扰分离,导致透射率和大气光等关键参数估计不准确,这严重限制了去雾算法的鲁棒性。为了解决上述局限性,本文提出了一种基于偏振自适应低秩稀疏分解的鲁棒图像去雾框架。该框架旨在通过严格的数学建模,高效地去除受干扰观测信号中的异常干扰,恢复高保真内在物理信息,并在多重约束下将其准确映射到大气散射模型中,从而实现高质量的图像复原。本文的主要贡献可以清晰地总结为以下三点:(1) 提出了一种包含光谱诊断机制的自适应低秩稀疏分解模型。首次使用奇异值比率(SVR)来动态感知局部图像块噪声形态,在截断奇异值分解(TSVD)和鲁棒主成分分析(RPCA)之间自适应切换。这有效地将内在偏振特征与稀疏异常干扰分离,重构高保真低秩偏振度(LRDoP),并将算法的整体时间复杂度控制在 $O(N)$ 级别,确保了良好的计算效率。(2) 构建了基于统计和结构约束的透射率协同优化框架。为了缓解透射率优化中降噪与边缘保持之间的冲突,引入了基于偏振统计的全局伽马映射来优化通过饱和线先验(SLP)获得的初始透射率,有效抑制残余噪声。同时,设计了基于逐元素最大融合的梯度注入机制作为结构约束,显著增强了前景区域的边缘和纹理表示。(3) 设计了一种基于 LRDoP 的两阶段偏振筛选机制,以准确定位大气光。这克服了传统方法易受光源干扰影响的局限性,通过使用重构的 LRDoP 作为独立于光强分布的物理标准。该机制可以有效地识别和消除场景中的明亮干扰目标,实现大气光锚点的鲁棒定位。## 章节摘要### 问题表述偏振去雾模型基于大气散射模型 [4] 建立,根据该模型,可通过以下方程获得清晰、无雾图像:$$J(x, y) = \frac{I(x, y) - A}{t(x, y)} + A$$其中 $I(x, y)$ 表示捕获的雾霾图像的总强度,$J(x, y)$ 表示清晰、无雾图像,$t(x, y)$ 是介质透射率,$(x, y)$ 指相机平面中的像素坐标,$A$ 代表全局大气光。如上式所示,$I$### 偏振度(DoP)的低秩与稀疏分解通过低秩和稀疏分解,可以将内在物理信号从观测数据中分离出来,从而重构无噪声、高保真的 LRDoP 图像。具体而言,首先使用公式 (6) 对 $\mathbf{M}$ 应用 TSVD 以获得奇异值 $\sigma_1$、$\sigma_2$ 和 $\sigma_3$,基于此计算 SVR,表示为 $R_{sv}$,如下所示:$$R_{sv} = \frac{\sigma_2 + \sigma_3}{\sigma_1}$$其中 $R_{sv}$ 物理上表示噪声子空间相对于信号子空间的能量比率。较低的 $R_{sv}$ 表明能量### 实验设置为了全面评估所提出去雾方法的性能,进行了一系列实验。实验硬件平台使用 AMD Ryzen 5 5600 CPU @ 3.5 GHz,配备 32.00 GB 内存;软件环境为 Windows 11 操作系统和 MATLAB R2024b。为了验证所提方法的有效性,在不同的雾霾浓度和多样的真实环境中进行了偏振图像采集实验### 结论为了解决在非理想成像条件下偏振度估计极易受低信噪比和稀疏异常干扰影响而导致去雾参数估计不准确的问题,本文提出了一种基于自适应低秩稀疏分解的鲁棒偏振去雾方法。首先,构建了一个包含光谱诊断机制的自适应分解模型,以有效地分离内在偏振信息和稀疏### CRediT 作者贡献声明**吴一伟:** 写作 – 审阅与编辑,写作 – 原始草稿,可视化,验证,方法论,调查,形式化分析,数据管理,概念化。**靳海宏:** 写作 – 审阅与编辑,监督。**刘晨:** 验证,数据管理。**范志国:** 写作 – 审阅与编辑,监督,方法论,形式化分析。### 资金来源本工作由安徽省高校自然科技研究重点项目(2023AH050169)支持。## 利益冲突声明作者声明他们没有已知的竞争财务利益或个人关系,这些关系可能影响本文报告的工作。吴一伟|靳海宏|刘晨|范志国
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号