基于偏振方向統(tǒng)計特性的目標(biāo)背景差異特征分析

段錦　張文學(xué)　莫蘇新　姜曉嬌　高美玲

摘要： 針對目前使用偏振參量圖像分析目標(biāo)背景差異的傳統(tǒng)方法未充分考慮光作用物體后產(chǎn)生獨特的偏振屬性問題， 提出一種基于偏振方向特征統(tǒng)計特性的目標(biāo)背景差異特征分析方法， 從一種新的偏振方向信息分析目標(biāo)背景差異. 首先， 通過提取偏振角圖像中的偏振方向信息構(gòu)建偏振方向矢量圖像， 解決了由于噪聲較多導(dǎo)致的偏振角圖像無法有效直接利用的問題； 其次， 分別對4種偏振方向強(qiáng)度圖像進(jìn)行正交差分計算， 得到偏振正交差分分量圖像， 并補(bǔ)充偏振方向周圍±α偏振角度強(qiáng)度圖像信息， 得到偏振方向統(tǒng)計圖像， 通過提取出4種偏振方向的3種偏振特征圖像， 解決了傳統(tǒng)偏振參量圖像復(fù)雜背景下目標(biāo)不突出的問題. 實驗結(jié)果表明， 不同材質(zhì)的物體具有不同的偏振方向， 而通過提取偏振方向信息獲取的偏振方向特征圖像能更清晰地辨別復(fù)雜背景中的目標(biāo). 客觀評價指標(biāo)表明， 在偏振方向矢量圖像中， 目標(biāo)區(qū)域的偏振方向朝向所對應(yīng)的偏振方向特征圖像， 表達(dá)目標(biāo)的信息更豐富， 與其他偏振方向所對應(yīng)的偏振方向特征圖像相比， 更能突出目標(biāo)的特征. 因此， 通過偏振矢量圖像可以快速提取出目標(biāo)特征突出的偏振特征圖像.

關(guān)鍵詞： 偏振圖像； 偏振方向； 特征提??； 偏振統(tǒng)計特性

中圖分類號： TP391.41文獻(xiàn)標(biāo)志碼： A文章編號： 1671-5489（2024）02-0369-12

Analysis of Target Background Difference Feature Based onStatistical Characteristics of Polarization Direction

DUAN Jin1，2， ZHANG Wenxue2， MO Suxin1，2， JIANG Xiaojiao2， GAO Meiling2

（1. Institute of Chongqing Research， Changchun University of Technology， Chongqing 401120， China;2. College of Electronic Information Engineering， Changchun University of Technology， Changchun 130022， China）

Abstract： Aiming at? the problem that the current traditional method of analyzing target background difference using polarization parametric images did not fully consider the unique polarization properties generated by light acting on objects， we proposed a target background difference feature analysis method based on the statistical characteristics of polarization direction features， from a new? polarization direction information to analyze target background difference. Firstly， the polarization direction vector image was constructed by extracting the polarization direction information from the polarization angle image， which solved the problem that the polarization angle image could not be used effectively and directly due to too much noise. Secondly， the orthogonal difference calculation was carried out for the four polarization direction intensity images respectively to obtain the polarization orthogonal difference component images， and the information of the polarization angle intensity images around the ±α polarization direction was supplemented to obtain the polarization direction statistical images. By extracting the three polarization feature images of the four polarization directions， the problem of traditional polarization parametric images with less prominent target in the complex background was solved. The experimental results show that objects of different materials have different polarization directions， and the polarization direction feature image obtained by extracting the polarization direction information can more clearly identify the target in the complex background. The objective evaluation index show that the polarization direction feature image corresponding to the polarization direction orientation of the target area in the polarization direction vector image is richer in expressing the information of the target， and is more informative than the polarization direction feature image corresponding to other polarization directions.? Therefore， the polarization vector image can be used to quickly extract the polarization feature image with prominent target features.

Keywords： polarization image;? polarization direction; feature extraction; polarization statistical characteristics

0 引 言

偏振作為描述電磁輻射的基本特性之一， 可描述目標(biāo)的表面理化特性， 反映不同材質(zhì)、 邊緣和紋理之間的差異， 能較好地描述物體不同的表面取向， 進(jìn)而表征目標(biāo)及背景的狀態(tài)特征［1-3］.

近年來， 對偏振圖像的研究已取得了豐富的成果［4-6］. 偏振角（AOP）圖像能較好描述物體不同的表面取向［7-8］， 但其噪聲較多， 因此對偏振角圖像的去噪研究備受關(guān)注［9-12］， 如Miao等［9］提出了一種局部區(qū)域灰度分析（GALA）去噪方法對AOP圖像去噪， 與傳統(tǒng)方法相比， GALA算法可有效地提取目標(biāo)的輪廓特征， 提高AOP圖像的對比度. Wang等［10］提出了一種結(jié)合非子采樣輪廓變換（NSCT）和卷積神經(jīng)網(wǎng)絡(luò)（CNN）的圖像融合算法. 首先， 利用快速導(dǎo)濾波器和脈沖耦合神經(jīng)網(wǎng)絡(luò)（PCNN）消除偏振角圖像的噪聲； 其次， 將線性偏振度和偏振角圖像進(jìn)行融合， 得到偏振特性圖像； 最后， 通過NSCT將偏振特征圖像與強(qiáng)度圖像進(jìn)行融合. 實驗結(jié)果表明， 該算法在主觀視覺效果和客觀評價參數(shù)方面優(yōu)于其他算法， 適用于目標(biāo)檢測. 但研究者對偏振角圖像本身的角度信息能描述物體表面取向的特性研究應(yīng)用較少.

對于偏振特性和偏振特征提取方面的應(yīng)用目前較廣泛［13］， 如Zhang等［14］針對透明體表面的反射光問題， 分析了反射區(qū)域的偏振特性， 根據(jù)透射光和反射光在垂直和平行方向上的分布關(guān)系， 通過基于反射偏振度和透射偏振度的偏振正交差分算法實現(xiàn)反射分離； Mo等［15］提出了一種計算偏振特性圖像的方法， 該方法可以反應(yīng)不同材料的偏振特性差異.

本文提出一種基于偏振方向統(tǒng)計特性的目標(biāo)背景差異特征分析方法， 對目標(biāo)與背景的偏振反射的方向特性差異進(jìn)行深入分析， 研究基于偏振方向特性的圖像信息處理技術(shù). 本文算法總體流程如圖1所示. 首先將偏振的180個角度劃分為4個偏振方向， 通過提取偏振角圖像的方向信息， 計算出二維方向矢量， 將二維方向矢量與圖像Iw結(jié)合構(gòu)建偏振方向矢量圖像； 其次對4個偏振方向強(qiáng)度圖像進(jìn)行處理， 獲取4個方向的偏振方向統(tǒng)計圖像， 并提取對應(yīng)偏振方向的偏振方向特征圖像； 最后分析偏振方向矢量圖像與偏振方向特征圖像之間的聯(lián)系， 通過偏振方向矢量圖像快速提取偏振方向特征圖像. 結(jié)果表明， 不同材質(zhì)物體偏振方向存在差異， 通過偏振方向維度信息分析處理偏振圖像， 可有效識別出傳統(tǒng)偏振參量圖像無法區(qū)分復(fù)雜場景中的目標(biāo)和背景的缺陷.

1 偏振方向矢量圖像構(gòu)建及統(tǒng)計圖像計算

1.1 偏振角度區(qū)域劃分

照射到物體表面的光線受物體材質(zhì)、 粗糙度和表面形狀等因素的影響， 導(dǎo)致其對應(yīng)的反射偏振光方向變化， 所以反射光的偏振方向和物體表面形狀之間存在強(qiáng)關(guān)聯(lián)性， 通過建立數(shù)學(xué)模型求解出其中的映射關(guān)系， 就能利用偏振方向估計不同物體之間的差異.

由Fresnel定理可知， 自然光照射在物體表面時通常會發(fā)生反射. 反射光會轉(zhuǎn)化為部分偏振光或完全偏振光； 而偏振光經(jīng)過偏振相機(jī)的偏振片后可得到帶有偏振信息的圖像. 偏振片的放置角度以及偏振光自身偏振角的不同， 會導(dǎo)致這些偏振圖像上每個像素的灰度值隨著偏振片放置角度的變化而改變， 用公式可表示為I（θ，φ）=Imax+Imin/2+Imax-Imin/2cos（2θ-2φ）， （1）其中θ表示偏振探測角度， Imax和Imin分別表示在偏振探測角度θ下采集到的偏振圖像的最大光強(qiáng)值和最小光強(qiáng)值， φ表示反射光的偏振角. 由式（1）可推出當(dāng)偏振片檢測角度與偏振角相同， 即θ=φ時， 反射的偏振光強(qiáng)最大， 包含的偏振信息最多.

物體表面粗糙度的輕微差異， 會使反射的偏振角度發(fā)生微小變化， AOP的角度取值范圍共有180個， 角度個數(shù)較多， 某些物體在相鄰區(qū)域范圍內(nèi)反射的偏振角度接近， 且包含的偏振信息相似， 所以從180個偏振角度分析并不能容易地區(qū)分出物體的偏振特性差異. 針對上述因素并考慮傳統(tǒng)提取偏振方向特征時常用的4個方向（0°，45°，90°，135°）， 本文首先將180個偏振角度以0°，45°，90°，135°四個偏振角度為基準(zhǔn)劃分成4個區(qū)域， 然后將4個區(qū)域劃分為4個偏振方向.

將0～180°偏振角度劃分成4個區(qū)域， 即取0°，45°，90°，135°偏振角度的±α角度區(qū)域， 其中α的取值范圍為（0°≤α≤22.5°）， 對應(yīng)±α區(qū)域內(nèi)的偏振角度集合分別為0°，45°，90°，135°偏振方向， 用公式表示為φ=0°，/θ∈［0°，α］∪（α，180°］，

圖2為偏振角度區(qū)域劃分示意圖. 圖2（A）中0°區(qū)域的-α偏振角度區(qū)域等同于180°的-α偏振角度區(qū)域， 因為當(dāng)兩個偏振角度相差180°時， 這兩個偏振角度區(qū)域是對應(yīng)相同的.

1.2 偏振方向矢量圖像構(gòu)建

AOP圖像的像素值表示物體表面每個微元面的反射光為完全偏振光時的角度， AOP的角度取值范圍為［0，π］， 通過提取AOP圖像中以某一像素本身為起點指向?qū)?yīng)微元面位置處產(chǎn)生完全偏振光的偏振角度終點的二維向量構(gòu)建偏振角度矢量.

鑒于光強(qiáng)圖像I具有較高的清晰度， 選擇將提取到的偏振角度信息呈現(xiàn)在I上. 為不遺漏AOP中每個微元面位置處的偏振角度信息， 將I中每個像素復(fù)制擴(kuò)大為w×w大小的塊區(qū)域， w取奇數(shù)， 擴(kuò)大后的圖像記為Iw， 原I圖像域內(nèi)任意一點P對應(yīng)于w×w塊區(qū)域的中心點， 記為Np. 提取AOP圖像的偏振角度信息， 獲取到Np對應(yīng)的末尾點Bp， Bp表示為Bp=（xNp+w×cos（θAOPp），yNp+w×sin（θAOPp）），（3）其中xNp和yNp分別為任意點Np的橫、 縱坐標(biāo)， θAOPp為任意點p的偏振角度信息.

將任意一點p的偏振角度信息表示為Dp， Dp由從Bp指向Np的二維向量表示， 計算方式如下：Dp=BpNp/BpNp，（4）其中BpNp表示從Bp到Np的距離. 圖3為偏振角度矢量圖像構(gòu)建示意圖. 將偏振角度信息Dp作為掩膜可視化在圖像Iw上得到的偏振角度矢量圖像IAV. IAV包含了每個像素的偏振角度信息， 但由于180個偏振角度對物體偏振特性信息的表達(dá)較雜亂， 同種材質(zhì)物體的微小差異都會使偏振角度發(fā)生較大變化， 不易分析在不同偏振角度下物體的偏振特性， 所以采用偏振角度區(qū)域劃分的4種偏振方向構(gòu)建偏振方向矢量圖像. 圖4為偏振方向矢量圖像構(gòu)建示意圖. 將提取AOP圖像中的偏振角度信息替換成AOP圖像中偏振方向信息φAOPp， 即將式（3）中的θAOPp替換為φAOPp， 從而構(gòu)建出偏振方向矢量圖像， 記為IDF.

圖5為選取兩種不同場景偏振圖像計算得到的偏振角度矢量圖像IAV和偏振方向矢量圖像IDF， 觀察發(fā)現(xiàn)IAV中的同一物體鄰近位置處的偏振角度矢量大致相同， 但存在微小差異， 呈現(xiàn)漸近式的變化趨勢， 不利于觀察出物體間偏振特性的差異， 而IDF中偏振方向矢量在不同物體及同一物體不同的區(qū)域處有明顯差異， 可簡單快速地辨別出物體存在偏振特性差異的區(qū)域.

1.3 偏振方向統(tǒng)計圖像計算

2 偏振方向特征提取

針對式（7）和式（8）得到的4個偏振方向統(tǒng)計圖像并不能明顯觀察出目標(biāo)背景之間的特征差異， 因此本文對偏振方向統(tǒng)計圖像進(jìn)一步處理， 提取偏振方向特征， 使其能充分表達(dá)出物體目標(biāo)與背景之間的特征差異.

本文基于灰度共生矩陣算法［17-18］提取偏振方向特征， 區(qū)別于傳統(tǒng)的灰度共生矩陣只輸入一張可見光圖像， 通過計算像素間的位置關(guān)系得到0°，45°， 90°，135°四個方向矩陣的特征值， 本文基于偏振圖像考慮特有的偏振方向信息， 將偏振方向統(tǒng)計圖像Ic（φ）作為輸入， 分別計算對應(yīng)偏振方向φ的灰度矩陣特征值， 該矩陣能反映偏振方向統(tǒng)計圖像灰度關(guān)于偏振方向的信息.

共生矩陣是對源圖像中包含的灰度信息進(jìn)行統(tǒng)計， 能對其中包含的每種灰度信息出現(xiàn)的頻次進(jìn)行計算， 對于該矩陣的定義， 在偏振方向統(tǒng)計圖像Ic（φ）中， 灰度為i和j的一對像素點在偏振方向為φ、 距離為d同時出現(xiàn)的頻次記為G（i，j，d，φ）. 當(dāng)φ={0°，45°，90°，135°}情形時的灰度矩陣統(tǒng)計公式如下：G（i，j，d，0°）=count{［（k，l），（m，n）］（k-m=0，l-n=d）}，（9）

通過單個窗口計算得到灰度共生矩陣的各偏振方向的矩陣特征值， 進(jìn)一步計算灰度共生矩陣的歸一化頻率矩陣， 用P（i，j，φ）表示：P（i，j，φ）=G（i，j，φ）/∑[DD（][]i∑[DD（][]jG（i，j，φ）. （13）

選取常用的3個特征提取偏振方向統(tǒng)計圖像的偏振方向特征， 分別為角二階矩、 相關(guān)度和熵， 它們能分別表示出不同偏振方向的不同特征信息. 角二階矩是共生矩陣中各元素的平方和， 能度量圖像灰度變化是否均一， 反應(yīng)了圖像紋理的粗細(xì)程度和灰度分布的均勻程度， 計算公式為IASM=∑i∑jP（i，j，φ）2.（14）相關(guān)度體現(xiàn)了空間共生矩陣特征值在偏振方向φ上的相似程度， 反應(yīng)了圖像的局部灰度相關(guān)性， 計算公式為ICORRLN=∑i∑j（i-j）2P（i，j，φ）-μφ/σφ，（15）其中μφ為Ic（φ）的均值， σφ為Ic（φ）的方差. 熵可體現(xiàn)圖像紋理的隨機(jī)性， 在共生矩陣中若所有特征值波動越小， 則取得的熵越大； 若特征值的分布越不均勻， 則其熵值越小， 計算公式為IENT=-∑i∑jP（i，j，φ）log P（i，j，φ）.（16）

3 實驗與分析

實驗選取分焦平面偏振相機(jī)， 該相機(jī)采用索尼新型IMX250MZR CMOS偏振傳感器， IMX250MZR每4個像素上具有4個不同的定向偏振濾波器（0°，45°，90°，135°）， 這4個像素構(gòu)成了偏振相機(jī)輸出的偏振圖像（DOFP）的一個2×2的超級像素， 通過對DOFP進(jìn)行牛頓線性插值［19］即可獲取0°，45°，90°和135°四個偏振角度的強(qiáng)度圖像， 同時解決了4個偏振角度強(qiáng)度圖像分辨率低的問題.

本文目標(biāo)背景偏振方向差異特征實驗主要分為兩部分： 1） 構(gòu)建偏振方向矢量圖像， 觀察不同物體之間的偏振方向差異； 2） 提取偏振方向特征圖像， 分析偏振方向矢量圖像與偏振方向特征圖像之間的聯(lián)系. 實驗步驟如下：

1） 從0°，45°，90°和135°四個偏振方向強(qiáng)度圖像中任意選取3個偏振方向強(qiáng)度圖像， 并計算偏振參量[WTBX]I，Q，U，DOLP和AOP， 提取AOP圖像中的方向信息， 計算二維方向向量， 將所有二維方向向量集合作為掩膜可視化在圖像Iw上， 構(gòu)建偏振方向矢量圖像， 觀察分析不同物體的偏振方向差異， 以及同一物體不同區(qū)域之間的偏振方向差異.

2） 對0°，45°，90°和135°四個偏振方向強(qiáng)度圖像首先進(jìn)行正交差分運(yùn)算， 得到偏振正交差分分量圖像； 再統(tǒng)計0°，45°，90°和135°四個偏振方向周圍±α偏振角度內(nèi)的偏振強(qiáng)度圖像信息， 得到4張偏振方向統(tǒng)計圖像； 分別對這4張偏振方向統(tǒng)計圖像計算灰度共生矩陣獲取偏振方向特征值， 并計算歸一化概率矩陣， 最后得到每個偏振方向的3種偏振方向特征圖像， 即IASM，ICORRLN，IENT. 觀察分析不同偏振方向之間的偏振特征差異， 以及偏振方向矢量圖像和偏振方向特征圖像之間的聯(lián)系.

3.1 偏振方向

AOP圖像能較好地描述物體不同的表面取向， 但其含有的噪聲信息太多， 直接觀測AOP圖像獲取的偏振角度信息會存在誤差， 本文采用提取AOP圖像中的偏振方向信息， 構(gòu)建偏振方向矢量圖像. 圖6為偏振角圖像和偏振方向矢量圖像.

由圖6可見， 杯子的杯身部分以及手模型的手指和手心處存在極大的噪聲， 這些噪聲嚴(yán)重干擾了有用偏振信息的獲取， 因此無法從AOP中區(qū)分不同物體以及同種物體之間的偏振方向差異. 通過觀察偏振方向矢量圖像， 由圖6（A）可見， 右側(cè)有水的杯子中水的偏振方向朝向為45°， 左側(cè)的空杯子對應(yīng)處的偏振方向朝向為0°， 而同一個杯子的不同部位上的偏振方向也存在差異， 這是因為杯身是曲面的， 不在同一平面上， 導(dǎo)致偏振方向發(fā)生變化. 可以觀察到， 杯身的曲面越接近于一個平面， 它們的偏振方向越趨于一致. 由圖6（B）中的手模型可見， 在手心處偏振方向主要為0°和135°， 而且5根手指也有相似的偏振方向分布. 同時， 背景白布的偏振方向朝向大面積的區(qū)域一致， 但在手模型的邊界位置處， 偏振方向朝向發(fā)生了明顯突變， 與手模型的偏振方向不同. 實驗證明了偏振方向矢量圖像對偏振方向信息的描述優(yōu)于AOP圖像， 同時證明了不同物體之間的偏振方向差異和同種物體不同區(qū)域間的偏振方向差異.

3.2 差異特征

為驗證本文基于偏振方向統(tǒng)計特性對目標(biāo)背景偏振差異特征分析方法的有效性， 選取海面溢油場景進(jìn)行實驗， 如圖7所示. 該場景中的目標(biāo)為海水表面的溢油， 背景為海面， 針對該場景下的目標(biāo)和背景， 原始偏振圖像很難區(qū)分出目標(biāo)溢油區(qū)域， 故選取該場景用本文方法區(qū)分出目標(biāo)和背景. 由圖7可見， 光強(qiáng)圖像I整體亮度較暗， 溢油目標(biāo)和海面背景很難觀測出來， 而計算得到的偏振度圖像DOLP和偏振角圖像AOP能觀測出海面， 但都不能識別出溢油目標(biāo)的區(qū)域.

圖8為海面溢油場景識別示意圖. 由圖8可見， 圖8（B）場景1、 場景2中區(qū)塊1）是從溢油目標(biāo)區(qū)域中選取的， 觀察區(qū)塊1）溢油目標(biāo)的偏振方向矢量朝向主要是朝向90°的偏振方向； 區(qū)塊2）是從海水背景區(qū)域中選取， 觀察區(qū)塊2）海水背景的偏振方向矢量主要是朝向135°的偏振方向. 兩張海面溢油場景圖中的偏振方向矢量主要是由90°和135°的偏振方向構(gòu)成， 偏振方向矢量圖像顯示出了溢油目標(biāo)和海水背景之間是存在偏振方向差異的， 但并不能有效識別出溢油目標(biāo)和海面背景.

圖9為偏振方向統(tǒng)計圖像. 由圖9可見， 相比于之前0°，45°，90°和135°四個偏振方向強(qiáng)度圖像， 偏振方向統(tǒng)計圖像能明顯觀察出圖像中海水的波紋， 對圖像中細(xì)節(jié)信息表達(dá)更清晰， 但它們的圖像質(zhì)量有所下降， 分析其原因是在去除自然光分量過程中損失了部分圖像質(zhì)量以增加偏振信息的表達(dá)， 同時由圖9可明顯觀察到4個偏振方向之間存在差異， 但仍不能區(qū)分出溢油目標(biāo)和海面背景， 故需要對其進(jìn)一步處理， 提取它們的偏振方向特征.

為避免提取單個特征導(dǎo)致實驗結(jié)果存在偶然性， 本文選擇提取3種常用的偏振方向特征進(jìn)行相互驗證， 圖10和圖11分別為提取的偏振方向特征圖像IASM，IENT和ICORRLN. IASM能度量灰度變化的均勻程度， 溢油區(qū)域和海水區(qū)域分別有相似的灰度變化， 在該圖像中能表現(xiàn)出不同的差異， 其中溢油的均勻程度更高， 故該圖像中白色區(qū)域為溢油目標(biāo)區(qū)域， 黑色區(qū)域和灰色區(qū)域為海水背景區(qū)域； IENT描述了物體特征的波動性， 由于溢油目標(biāo)為同一種物質(zhì)， 其特征波動更小， 在該圖像中表現(xiàn)為黑色區(qū)域， 而海水由于組成成分復(fù)雜， 特征波動較大， 對比海水之間的相關(guān)性會稍弱， 在該圖像中表現(xiàn)為灰白色區(qū)域； ICORRLN反映了局部灰度的相關(guān)性， 溢油目標(biāo)由于物質(zhì)的單一性， 它們之間的相關(guān)性更強(qiáng)， 在該圖像中表現(xiàn)為白色區(qū)域， 而與溢油對比海水之間的相關(guān)性會稍弱， 在該圖像中表現(xiàn)為灰白色區(qū)域.

由圖10和圖11可見， 在4種偏振方向下的偏振方向特征圖像中都能識別區(qū)分出溢油目標(biāo)區(qū)域和海水背景區(qū)域， 但觀察這4種偏振方向的偏振方向特征圖像發(fā)現(xiàn)它們之間存在差異， 其中0°和90°與45°和135°的偏振方向特征圖像相互間的差異較小， 分析原因是進(jìn)行去自然光分量的偏振正交差分運(yùn)算導(dǎo)致的. 對場景1中4種偏振方向下的偏振方向特征圖像進(jìn)行分析， 對比圖8（A）中真實標(biāo)注的溢油區(qū)域， 發(fā)現(xiàn)在0°和90°的偏振方向特征圖像中的溢油區(qū)域更接近真實標(biāo)注的溢油區(qū)域， 而對比0°和90°的偏振方向特征圖像， 90°的偏振方向特征圖像的溢油目標(biāo)區(qū)域紋理輪廓更清晰， 而圖8（B）中偏振方向矢量中的溢油目標(biāo)區(qū)域的方向朝向為90°的偏振方向， 說明可通過偏振方向矢量圖像中目標(biāo)區(qū)域的偏振方向朝向， 提取該偏振方向的偏振方向特征圖像， 實現(xiàn)快速有效地識別出海水背景中的溢油目標(biāo). 同理， 對場景2的偏振方向矢量圖像和4種偏振方向的3種偏振方向特征圖像分析表明， 在場景2中偏振方向矢量中的溢油目標(biāo)的偏振表達(dá)方向為90°， 同時對比其他各偏振方向的偏振方向特征圖像， 90°的偏振方向特征圖像中溢油目標(biāo)的特征更接近場景2中真實溢油標(biāo)注的區(qū)域， 同樣證明偏振方向矢量圖像中目標(biāo)區(qū)域的偏振方向矢量朝向， 具有對提取偏振方向特征的快速引導(dǎo)作用.

為定量比較不同物體在不同偏振方向的表征差異， 本文計算單個窗口矩陣的偏振方向特征值在區(qū)域內(nèi)的平均值評估差異， 表1～表4分別列出了圖8中場景1和場景2的兩個偏振方向區(qū)域?qū)?yīng)的3種平均方向特征值， 其中角二階矩、 熵和相關(guān)度的區(qū)域內(nèi)均值分別用ASM，ENT和CORRLN表示. 由于對同一種材質(zhì)， 偏振器件旋轉(zhuǎn)角度越接近Brewster角， 即本文中偏振統(tǒng)計方向越接近偏振方向場中所在區(qū)域的方向， 物體就越能反射出更多的偏振光， 攜帶更多的偏振信息， 則物體的信息量、 清晰度和目標(biāo)的熵也更大； 所在區(qū)域圖像灰度分布會更均勻， 故角二階矩應(yīng)該更大； 其所在局部區(qū)域像素之間的相關(guān)性會更強(qiáng)， 故相關(guān)度會更大. 由表1～表4可見： 表1中圖8場景1中1）區(qū)域指向為90°偏振方向區(qū)域， ASM，ENT和CORRLN都在90°偏振方向統(tǒng)計圖中取得最大值； 表2指向為135°偏振方向區(qū)域， ASM，ENT和CORRLN都在135°偏振方向統(tǒng)計圖中取得最大值； 表3和表4中圖8場景2中1）區(qū)域和圖8場景2中2）區(qū)域分別指向為90°和135°偏振方向區(qū)域， ASM，ENT和CORRLN同樣對應(yīng)90°和135°偏振方向統(tǒng)計圖中取得最大值. 由偏振方向矢量圖像可知， 90°偏振方向表達(dá)的是溢油目標(biāo)特征， 135°偏振方向表達(dá)的是海面背景特征， 溢油目標(biāo)比海面反射偏振光更強(qiáng)， 故ASM，ENT和CORRLN都在90°偏振方向統(tǒng)計圖中取得最大值.

綜上所述， 本文從一種新的偏振信息， 即偏振方向信息表征了不同材質(zhì)物體間存在的差異， 相比某些偏振成像條件限制下， 更能突出偏振的獨特性， 規(guī)避局限性. 針對目前使用偏振參量圖像分析目標(biāo)背景差異的傳統(tǒng)方法并未充分考慮光作用物體后產(chǎn)生獨特的偏振屬性的問題， 本文提出了一種基于偏振方向特征統(tǒng)計特性的目標(biāo)背景差異特征分析方法. 該方法首先提取偏振角圖像中的偏振方向信息， 應(yīng)用在光強(qiáng)圖像上構(gòu)建出偏振方向矢量圖像； 然后對偏振方向強(qiáng)度圖像進(jìn)行正交差分運(yùn)算去掉自然光分量， 得到偏振正交差分分量圖像， 再結(jié)合偏振方向周圍±α偏振角度強(qiáng)度圖像信息， 得到偏振方向統(tǒng)計圖像， 并提取偏振方向特征； 最后綜合偏振方向矢量圖像與偏振方向特征圖像分析目標(biāo)和背景之間的差異. 實驗結(jié)果表明， 不同材質(zhì)物體在偏振方向矢量中表現(xiàn)出不同的偏振方向朝向， 獲取的偏振方向特征圖像比傳統(tǒng)偏振參量圖像更能辨別出復(fù)雜場景中的目標(biāo). 主客觀評價指標(biāo)結(jié)果表明， 本文方法可以從偏振方向矢量圖像中獲取到目標(biāo)的偏振方向， 從而快速有效提取目標(biāo)特征突顯的偏振特征圖像， 實現(xiàn)目標(biāo)和背景的區(qū)分.

參考文獻(xiàn)

［1］HAN Y， ZHAO Y S， ZHAO N Z， et al. Effects of Multi-angle Hyperspectral Polarized Reflection by Forest Soil ［J］. Spectroscopy and Spectral Analysis， 2009， 29（3）： 702-706.

［2］MASALOV E V， ESHCHENKO S Y. Influence of the Differential Characteristics of the Propagation Medium on the Polarization Characteristics of an Electromagnetic Wave ［J］. Russian Physics Journal， 2012， 55： 271-276.

［3］CHEN Y F， YIN K X， SHI D F， et al. Detection and Imaging of Distant Targets by Near-Infrared Polarization Single-Pixel Lidar ［J］. Applied Optics， 2022， 61（23）： 6905-6914.

［4］WANG J J， WAN M J， GU G H， et al. Periodic Integration-Based Polarization Differential Imaging for Underwater Image Restoration ［J］. Optics and Lasers in Engineering， 2022， 149： 106785-1-106785-8.

［5］LIU Y D， DONG Y， SI L， et al. Comparison between Image Texture and Polarization Features in Histopathology ［J］. Biomedical Optics Express， 2021， 12（3）： 1593-1608.

［6］LI X C， JING D， LI Y C， et al. Multi-band and Polarization SAR Images Colorization Fusion ［J］. Remote Sensing， 2022， 14（16）： 4022-1-4022-18.

［7］ATKINSON G A， HANCOCK E R. Recovery of Surface Orientation from Diffuse Polarization ［J］. IEEE Transactions on Image Processing， 2006， 15（6）： 1653-1664.

［8］DIANETTI A D， CRASSIDIS J L. Resident Space Object Characterization Using Polarized Light Curves ［J］. Journal of Guidance， Control， and Dynamics， 2023， 46（2）： 246-263.

［9］MIAO S Z， FAN C B， WEN G Y， et al. Image Denoising and Enhancement Strategy Based on Polarization Detection of Space Targets ［J］. Applied Optics， 2022， 61（4）： 904-918.

［10］WANG S F， MENG J， ZHOU Y， et al. Polarization Image Fusion Algorithm Using NSCT and CNN ［J］. Journal of Russian Laser Research， 2021， 42（4）： 443-452.

［11］沈薛晨， 劉鈞， 高明. 基于NSST變換的微光偏振圖像融合算法 ［J］. 激光雜志， 2020， 41（2）： 103-113. （SHEN X C， LIU J， GAO M. Micro-optical Polarization Image Fusion Algorithm Based on NSST Transformation ［J］. Laser Journal， 2020， 41（2）： 103-113.）

［12］ISLAM M N， TAHTALI M， PICKERING M. Hybrid Fusion-Based Background Segmentation in Multispectral Polarimetric Imagery ［J］. Remote Sensing， 2020， 12（11）： 1776-1-1776-25.

［13］ZHANG Y， SHI Z G， QIU T W. Infrared Small Target Detection Method Based on Decomposition of Polarization Information ［J］. Journal of Electronic Imaging， 2017， 26（3）： 033004-1-033004-8.

［14］ZHANG Y， ZHANG J H， SHI Z G， et al. Reflection Separation Technology Based on Polarization Characteristics ［J］. Journal of Systems Engineering and Electronics， 2022， 33（5）： 1032-1042.

［15］MO S X， DUAN J， ZHANG W X， et al. Multi-angle Orthogonal Differential Polarization Characteristics and Application in Polarization Image Fusion ［J］. Applied Optics， 2022， 61（32）： 9737-9748.

［16］ZHANG J H， ZHANG Y， SHI Z G. Long-Wave Infrared Polarization Feature Extraction and Image Fusion Based on the Orthogonality Difference Method ［J］. Journal of Electronic Imaging， 2018， 27（2）： 023021-1-023021-11.

［17］PAN H L， GAO P L， ZHOU H C， et al. Roughness Analysis of Sea Surface from Visible Images by Texture ［J］. IEEE Access， 2020， 8： 46448-46458.

［18］ZHANG X， CUI J T， WANG W S， et al. A Study for Texture Feature Extraction of High-Resolution Satellite Images Based on a Direction Measure and Gray Level Co-occurrence Matrix Fusion Algorithm ［J］. Sensors， 2017， 17（7）： 1474-1-1474-15.

［19］LI N， ZHAO Y Q， PAN Q， et al. Demosaicking DoFP Images Using Newtons Polynomial Interpolation and Polarization Difference Model ［J］. Optics Express， 2019， 27（2）： 1376-1391.

（責(zé)任編輯： 韓 嘯）

收稿日期： 2023-04-24.

第一作者簡介： 段 錦（1971—）， 男， 漢族， 博士， 教授， 從事機(jī)器視覺和模式識別的研究， E-mail： duanjin@vip.sina.com.

基金項目： 重慶市自然科學(xué)基金（批準(zhǔn)號： cstc2021jcyj-msxmX0145）和吉林省發(fā)改委項目（批準(zhǔn)號： 2023C031-3）.