通过TSIDF技术对高度浑浊且不均匀液体中的目标进行成像重建
《Optics & Laser Technology》:Imaging reconstruction of targets in highly turbid and inhomogeneous liquids via TSIDF
【字体:
大
中
小
】
时间:2026年01月03日
来源:Optics & Laser Technology 4.6
编辑推荐:
水下高浊度介质中基于混合高斯模型的TSIDF与URBF-Net目标三维重建方法。通过TOF相机采集不同浊度(0.15%-0.4%模拟)下的光散射数据,建立TSIDF模型描述散射强度分布特性,设计URBF-Net实现散射分离的三维重建,在126.4dB衰减下重构SSIM达0.90。实验验证了随机散射光保留目标特征的有效性。
方宇杰|吴俊明|钟胜明|崔桐|黄斌|秦彤
北京工业大学,中国广东省珠海市金凤路,519088
摘要
为了满足水下资源勘探、海洋救援和海洋学研究等领域中的关键技术需求,本文提出了一种创新的目标检测和成像技术,适用于高浑浊度的水体环境。在这些环境中,悬浮颗粒的密集且随机分布会引发强烈的多次光散射效应,导致目标光场信息严重失真,成像质量大幅下降。值得注意的是,即使弹道光子几乎被完全消除,随机光子仍携带目标特征。为了提取这些随机光子中嵌入的目标信息,本文引入了一种基于混合高斯模型的透射散射强度分布函数(TSIDF),用于表征高浑浊介质的光学散射特性。此外,通过利用这种统计特性,我们设计了一种新的深度神经网络架构URBF-Net,有效实现了目标光场信息与散射效应的分离。实验使用了浓度分别为0.15%、0.2%、0.25%和0.4%的牛奶溶液来模拟高浑浊环境。在目标光能量散射衰减高达126.4 dB的条件下,利用飞行时间(TOF)3D成像系统成功重建了浸没在浑浊介质中的目标。在对活鱼的动态成像测试中也取得了显著进展,重建图像的结构相似性指数(SSIM)超过了0.90。本研究的方法表明,随机散射光子确实保留了目标的光学信息,从而为极端浑浊条件下的水下成像技术提供了有力的实验证据。
引言
针对透射散射介质的成像方法研究可以提高朦胧和浑浊水环境中的可见度,在水下勘探、海上救援和道路交通监控等应用中具有实际意义。在通过浑浊散射介质对目标进行成像的过程中,最初进入散射介质表面的目标光信息具有相对较短的光子平均自由路径,并表现出光学记忆效应[1]、[17]、[27]、[29]、[37]、[38]。然而,介质中悬浮颗粒的存在会导致多次散射、能量衰减和目标光信息的波长偏移等现象。关键的是,更高的浑浊度会导致光子平均自由路径更快地增加,从而导致图像信息迅速发散,给目标图像重建带来重大挑战[15]、[21]、[25]、[26]、[32]。解决强散射条件下的图像重建问题可以通过基于光学散射机制的逆向计算方法以及提高探测器灵敏度等方式来实现。
在利用光学散射特性的逆向计算方法中,直接对散射介质中的悬浮颗粒进行建模,然后反演目标光信息是一种主要的重建方法[6]、[30]、[34]。Kon等人[15]结合米氏理论和几何光学理论,在蒙特卡洛方法中建立了不同位置、大小和密度的气泡的吸收-散射模型,分析了其对传播光信息的影响,从而实现了散射重建。杜等人[5]将光谱分辨的散射测量结果转换为时域场景信息,并提出了边界迁移模型(BMM)来重建目标数据。Dana等人[3]利用真实颜色的先验知识评估了多种水体的散射衰减特性,随后利用这些衰减特性进行图像重建。然而,光子平均自由路径的增加大大复杂化了反演算法。此外,散射介质中的颗粒通常被建模为理想的刚性球体,这与实际情况存在偏差。因此,基于散射特性的逆向计算方法在可实现的浑浊度范围内应用性有限。
随着探测器技术的进步,高灵敏度的单光子探测器能够捕捉散射介质中的微弱光信号,从而实现目标重建[23]、[35]、[36]。David等人[19]使用单光子探测器扫描方法捕捉散射介质中的极弱目标光信号,实现了散射成像。Aurora等人[20]利用单光子雪崩二极管(SPAD)阵列相机测试了在水雾和烟雾等环境中不同距离下的目标重建。尽管可以通过颗粒建模或捕捉极弱光信号来实现散射介质中的成像,但浑浊水下成像仍存在颗粒不均匀性和不确定性等挑战。此外,仅仅将水下图像改进视为去噪任务会限制重建能力。
人工智能(AI)领域的最新进展催生了一种新趋势:利用大规模深度神经网络来应对光学成像挑战[7]、[8]、[11]、[12]、[39]。这些方法通常使用真实或模拟图像对水中光传播的前向衰减过程进行建模,然后使用对抗生成方法对散射图像进行逆向计算[2]、[9]、[10]、[18]、[33]。Kim等人[14]提出了一种Wasserstein自动编码器,能够生成多种风格的去雾图像。编码器的2D潜在张量引导下的像素级匹配显著提高了去雾精度。Sun等人[28]利用对抗学习训练的残差网络模型重建了被散射介质遮挡的目标,尽管他们没有提供介质浑浊度的详细分析。Li等人[16]提出了一种基于水下场景先验的卷积神经网络模型UWCNN,可以直接从退化输入中提取特征并重建图像。然而,获取大量完美对齐且无失真的图像对进行训练的能力本身是有限的。针对不同类型退化的模型训练仍然极具挑战性。Qi等人[22]提出了SGUIENet,从有限的训练资源中挖掘更丰富的监督信息。此外,Wang等人[31]提出了WaterCycleDiffusion,这是一种基于扩散的水下图像增强框架,引入了视觉-文本融合先验,进一步提高了水下退化场景的恢复质量和语义一致性。虽然AI模型的非线性特性在解决复杂随机散射过程方面表现出令人印象深刻的适应能力,但在特定条件下学习到的退化图像与清晰图像之间的映射并不完全反映潜在的物理特性。
本研究采用基于飞行时间(TOF)的3D相机,并引入了一种表征浑浊介质散射特性的统计模型。针对该模型,我们设计了一种新的神经网络架构URBF-Net,从这种介质中重建目标光信息,从而解决了高浑浊环境下的目标重建难题。TOF相机是一种通过测量调制照明光与返回光之间的相位差来确定目标深度的设备。它能够在单帧内同时获取目标光信号强度和深度,实现实时3D成像[13]、[24]。本研究利用了TOF相机的实时3D成像能力和AI技术,专注于不同浑浊度水平下的水下3D散射重建,取得了优异的成像结果。
章节摘录
水散射特性分析
不同浑浊度的水体可以通过介质中悬浮颗粒的不同浓度来概念性表示。颗粒密度越高,浑浊度越大,导致弹道光信号在传播过程中的散射和衰减速率越快。衰减后的弹道光能量降低会导致探测器噪声增加,成像结果严重退化,以及
基于TOF相机的3D成像原理
光子TOF测距成像相机是一种具有主动照明的3D成像相机,使用非相干光作为照明源。照明系统使用调制光完全照亮目标,而检测系统根据照明信号与接收信号之间的相位差计算每个像素的深度。这一过程生成了目标的3D深度数据。在成像过程中,每个像素接收到的信号强度
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