【儀表網(wǎng) 研發(fā)快訊】近期，中國科學院上海光學精密機械研究所空天激光技術與系統(tǒng)部司徒國海研究員團隊，提出了一種基于深度神經(jīng)網(wǎng)絡的、能應用于自然場景的實時非侵入式透過散射介質(zhì)光學成像方法。相關成果以“Learning-based real-time imaging through dynamic scattering media”為題發(fā)表于Light: Science & Applications。
透過散射介質(zhì)成像對道路交通安全、火場救援、安防監(jiān)控、水下探測與醫(yī)療診斷等領域具有重要的科學意義和應用價值。隨著近些年人工智能技術的興起，研究人員已經(jīng)利用深度神經(jīng)網(wǎng)絡實現(xiàn)從散斑圖樣中復原出清晰的物體、通過優(yōu)化光場調(diào)控實現(xiàn)透過散射介質(zhì)聚焦、以及實現(xiàn)超17倍光學厚度的散射成像等工作。這些研究成果無不彰顯著人工智能技術帶來的收益。然而，受限于實際應用場景的數(shù)據(jù)集難以采集，大多已有研究只能用空間光調(diào)制器依次加載大量圖像，在實驗室人造散射環(huán)境中，人造光源侵入式照明條件下，用相機采集相應的散射圖像。這樣設計的實驗條件與實際散射場景在光學特性上大相徑庭，用這些數(shù)據(jù)訓練的深度神經(jīng)網(wǎng)絡只能應用在類似的實驗環(huán)境，而無法應用在真實的外場散射環(huán)境中。
圖1：DescatterNet算法框架。(a)實驗裝置。利用不發(fā)光且漫反射的墨水屏模擬真實物體，采集模擬真實散射場景的數(shù)據(jù)集。(b)數(shù)據(jù)處理流程。首先利用數(shù)據(jù)預處理方法消除不均勻本底同時增強圖像特征，然后訓練優(yōu)化的網(wǎng)絡模型，最終應用于真實物體和真實場景的散射成像。
針對這一問題，研究團隊提出了一種深度學習技術應用于真實散射場景的解決方案，分別從實驗裝置設計、數(shù)據(jù)集設計、數(shù)據(jù)預處理方法、AI模型優(yōu)化和部署等方面進行研究，最終在真實物體和自然場景中取得顯著的散射成像效果。
圖2：DescatterNet在不同散射程度條件下的復原結(jié)果。第一行是相機采集原始圖像歸一化顯示的結(jié)果。第2~4行是網(wǎng)絡模型對不同樣本的復原結(jié)果。右圖是散射圖和復原圖的評價指標隨散射程度變化的曲線
如圖2所示，隨著散射程度加深，原始散射圖像迅速退化，并完全無法分辨。 DescatterNet對真實物體實現(xiàn)了高質(zhì)量的散射成像，大大提高了成像系統(tǒng)的探測性能。
圖3：DescatterNet應用于自然場景的散射成像。(i)采集的原始散射圖像；(ii)暗通道去霧算法的結(jié)果；(iii)Retinex算法的結(jié)果；(iv)本文方法的結(jié)果；(v)清晰圖像
在前面工作基礎上，研究人員進行了自然場景的散射成像實驗，并搭建了如圖3a所示的成像裝置。在這項實驗中，該研究成功實現(xiàn)了透過戶外5.9km的濃霧環(huán)境對自然場景進行散射成像。傳統(tǒng)圖像增強方法比如暗通道和Retinex等都難以復原出清晰圖像，而DescatterNet則取得最優(yōu)的復原結(jié)果。
該成果表明解決AI技術應用于真實散射場景的關鍵在于適配的數(shù)據(jù)集、數(shù)據(jù)處理算法以及強大的神經(jīng)網(wǎng)絡。結(jié)合光學成像原理研制的新一代智能成像技術極大地提高了系統(tǒng)的探測性能，在惡劣天氣下交通安全、視頻監(jiān)控、火場救援和水下探測等領域展現(xiàn)出巨大的應用前景。
本工作得到了國家自然科學基金委、上海市學術帶頭人項目、上海市科技重大專項以及上海揚帆計劃等項目的支持。
所有評論僅代表網(wǎng)友意見，與本站立場無關。