一種基於光強與偏振線索的偽裝目標分割方法及系統

2023-05-13 21:17:54

1.本發明涉及一種基於光強與偏振線索的偽裝目標分割方法及系統，屬於計算機視覺中的場景分割技術領域。


背景技術：

2.近年來，在智能製造業的快速發展下，偏振、高光譜、紅外等成像系統已經逐步應用於各種領域，發揮著至關重要的作用。其中，偏振成像技術主要通過目標反射光與輻射光的偏振態，探測出與該目標自身物理特徵密切相關的偏振特徵。該技術可以提高目標與背景的對比度，豐富圖像的細節信息。因此，在越來越多領域將偏振圖像應用於偽裝目標檢測任務，如：水下偽裝目標探測、瑕疵檢測、軍事偽裝目標識別等。
3.在早期的傳統方法中，研究人員設計出適用偏振圖像的特徵提取算子，對目標進行檢測。隨著深度學習技術的發展，眾多學者將偏振圖像與深度學習相結合。但目前研究還存在較多不足。首先，目前融合偏振特徵與光強特徵的方法大部分採用直接相加，不能充分發揮各模態信息之間的優勢，也不能充分融合兩者的有效信息。其次，在樹林草叢等複雜環境中，偏振信息在增加偽裝目標與背景對比度的同時，環境中其他物體的細節信息也在增加，導致偏振圖像出現大量幹擾信息。


技術實現要素：

4.本發明的目的在於針對複雜環境下偽裝目標分割模型難以高效融合光強和偏振的優勢信息的問題，提供一種基於光強與偏振線索的偽裝目標分割方法及系統，對特殊場景的偏振相機採集的圖像，創新性地使用光強與偏振線索，實現偽裝目標分割，有效且精準的進行偽裝目標檢測。
5.為達到上述目的，本發明是採用下述技術方案實現的：
6.第一方面，本發明提供了一種基於光強與偏振線索的偽裝目標分割方法，包括：
7.獲取待測圖片，並對待測圖片進行預處理，得到待測圖片的偏振信息圖，所述偏振信息圖包括光強圖、偏振度圖以及偏振角圖；
8.將待測圖片的偏振信息圖輸入到預訓練的偽裝目標分割網絡模型，對每個偏振信息圖進行多層特徵提取處理，得到每個偏振信息圖的多層的模態特徵；對每個偏振信息圖的每個模態特徵進行壓縮處理，得到每個偏振信息圖的多層的壓縮特徵；對每個偏振信息圖的多層的壓縮特徵進行多層特徵融合處理，得到每個偏振信息圖的交叉融合特徵；對每個偏振信息圖的交叉融合特徵進行多分支搜索處理，得到每個偏振信息圖的殘差融合特徵；對偏振信息圖的殘差融合特徵進行三模態融合處理，獲得偽裝目標的掩膜圖像。
9.進一步的，所述獲取待測圖片，並對待測圖片進行預處理，得到待測圖片的偏振信息圖，具體包括：
10.選取待測場景，通過專業灰度偏振相機獲取待測圖片0
°
、45
°
、90
°
和135
°
四個偏振方向的光強；
11.根據四個偏振方向的光強，計算斯託克斯參量，得到待測圖片的偏振信息圖。
12.進一步的，所述多層特徵提取包括使用res2net-50特徵提取網絡對每個偏振信息圖進行特徵提取，得到每個偏振信息圖的多層的模態特徵。
13.進一步的，所述對每個偏振信息圖的多層的壓縮特徵進行多層特徵融合處理，得到每個偏振信息圖的交叉融合特徵，具體包括：
14.根據每個偏振信息圖中相鄰層的壓縮特徵，得到每個偏振信息圖的公共空間注意力圖，計算公式為：
15.f
sa
＝sa(concat((f1+u(f2)),(f1×
u(f2))))，
16.式中，f
sa
為公共空間注意力圖；f1和f2是相鄰層的兩個壓縮特徵；u(
·
)表示上採樣操作；concat(
·
)表示連接操作；sa(
·
)表示空間注意操作；
17.將公共空間注意圖作為組合特徵的權重進行空間對齊，對得到的空間對齊特徵分別進行通道注意操作，最後通過連接操作得到每個偏振信息圖的相鄰層交叉融合特徵，計算公式為：
18.f＝concat(ca(f
sa
×
(f1+u(f2))),ca(f
sa
×
(f1×
u(f2))))，
19.式中，f為相鄰層交叉融合特徵；ca(
·
)表示通道注意操作；
20.不斷的融合相鄰層的壓縮特徵，得到每個偏振信息圖最終的交叉融合特徵
21.進一步的，所述對每個偏振信息圖的交叉融合特徵進行多分支搜索處理，得到每個偏振信息圖的殘差融合特徵，具體包括：
22.將光強圖的交叉融合特徵分別進行三分支操作，分別得到高解析度特徵圖fu、原解析度特徵圖fc以及低解析度特徵圖fd；所述三分支操作包括上採樣分支操作、卷積分支操作以及池化分支操作；
23.將高解析度特徵圖fu、原解析度特徵圖fc以及低解析度特徵圖fd分別依次經過多尺度通道注意力處理和元乘融合，再進行加法操作融合三個分支操作，得到卷積組特徵f
ucd
；
24.將卷積組特徵f
ucd
和光強圖的交叉融合特徵進行殘差融合得到光強圖的殘差融合特徵fi，計算公式為：
[0025][0026]
式中，fi為光強圖的殘差融合特徵；是光強圖的交叉融合特徵；u(
·
)表示上採樣操作；d(
·
)表示下採樣操作；conv3(
·
)表示卷積核大小為3
×
3的卷積操作；m(
·
)表示多尺度通道注意力操作；
[0027]
根據偏振度圖的交叉融合特徵、偏振角圖的交叉融合特徵以及多分支搜索處理，分別得到偏振度圖的殘差融合特徵f
p
和偏振角圖的殘差融合特徵fa。
[0028]
進一步的，所述對偏振信息圖的殘差融合特徵進行三模態融合處理，獲得偽裝目標的掩膜圖像，具體包括：
[0029]
將偏振信息圖的殘差融合特徵進行合併和融合操作，得到偽裝目標的掩膜圖像，計算公式為：
[0030][0031]
式中，ψ(
·
)表示一個卷積組，包含conv層-bn層
–
relu層；concat(
·
)表示連接操作；conv3(
·
)表示卷積核大小為3
×
3的卷積層；ms(
·
)表示多尺度空間注意力操作；pred表示最終的掩模圖像；ai、a
p
以及aa分別為光強圖的殘差融合特徵fi、偏振度圖的殘差融合特徵f
p
和偏振角圖的殘差融合特徵fa合併後的結果特徵。
[0032]
進一步的，所述偽裝目標分割網絡模型的訓練方法包括：
[0033]
獲取訓練集，所述訓練集包括多個專業偏振相機採集的偏振圖；
[0034]
根據偽裝目標分割方法對訓練集中的偏振圖進行處理，根據損失函數值對偽裝目標分割網絡模型的參數進行優化調整，直至損失函數值趨於穩定，停止訓練；
[0035]
所述損失函數的計算公式為：
[0036]
l＝λ1l
wbce
+λ2l
wdl
，
[0037]
式中，l為本實施例的損失函數；l
wbce
為交叉熵損失函數；l
wdl
為dice損失函數；λ1為交叉熵損失函數的權重；λ2分別為dice損失函數的權重。
[0038]
第二方面，本發明提供了一種基於光強與偏振線索的偽裝目標分割系統，包括：
[0039]
預處理模塊：用於對待測圖片進行預處理，得到待測圖片的偏振信息圖，所述偏振信息圖包括光強圖、偏振度圖以及偏振角圖；
[0040]
多層特徵提取模塊：用於對每個偏振信息圖依次進行多層特徵提取處理，得到每個偏振信息圖的多層的模態特徵；
[0041]
多層特徵壓縮模塊：用於對每個偏振信息圖的多層的模態特徵進行多層特徵壓縮處理，得到每個偏振信息圖的多層的壓縮特徵；
[0042]
多層特徵融合模塊：用於對每個偏振信息圖的多層的壓縮特徵進行多層特徵融合處理，得到每個偏振信息圖的相鄰層交叉融合特徵；
[0043]
多分支搜索模塊：用於對每個偏振信息圖的相鄰層交叉融合特徵進行多分支搜索處理，得到每個偏振信息圖的殘差融合特徵；
[0044]
三模態融合模塊：用於對偏振信息圖的殘差融合特徵進行三模態融合處理，獲得偽裝目標的掩膜圖像。
[0045]
第三方面，一種計算機設備，包括處理器及存儲介質；
[0046]
所述存儲介質用於存儲指令；
[0047]
所述處理器用於根據所述指令進行操作以執行根據上述任一項所述方法的步驟。
[0048]
第四方面，計算機可讀存儲介質，其上存儲有電腦程式，該程序被處理器執行時實現上述任一項所述方法的步驟。
[0049]
與現有技術相比，本發明所達到的有益效果：
[0050]
本發明通過對特殊場景的偏振相機採集的圖像，引入包括光強與偏振線索的偏振信息，使用多層融合和多分支搜索的雙階段融合方法，解決以光強與光譜偏振為線索的偽裝目標分割問題，幫助偏振視覺系統精準找出與當前場景高度相似的偽裝目標，同時有效融合各模態多級特徵，利用多層融合與多分支搜索方式作用於多級特徵，最後採取三模態合併融合的方式達到精確分割偽裝目標。
附圖說明
[0051]
圖1是本發明實施例一中偽裝目標分割方法流程圖；
[0052]
圖2是本發明實施例一中偽裝目標分割網絡模型的處理流程圖；
[0053]
圖3是本發明實施例一中特徵壓縮編碼網絡塊的結構圖；
[0054]
圖4是本發明實施例一中多層特徵融合網絡塊的結構圖；
[0055]
圖5是本發明實施例一中多分支搜索網絡塊的結構圖；
[0056]
圖6是本發明實施例一中三模態融合網絡塊的結構圖；
[0057]
圖7是本發明實施例一中偽裝目標分割網絡模型輸出測試圖；
[0058]
圖8是本發明實施例一中現有技術中深度神經網絡分割模型的輸出側視圖。
具體實施方式
[0059]
下面結合附圖對本發明作進一步描述。以下實施例僅用於更加清楚地說明本發明的技術方案，而不能以此來限制本發明的保護範圍。
[0060]
實施例一：
[0061]
本實施例提供了一種基於光強與偏振線索的偽裝目標分割方法，具體包括：
[0062]
獲取待測圖片，並對待測圖片進行預處理，得到待測圖片的偏振信息圖，所述偏振信息圖包括光強圖、偏振度圖以及偏振角圖；
[0063]
將待測圖片的偏振信息圖輸入到預訓練的偽裝目標分割網絡模型，對每個偏振信息圖進行多層特徵提取處理，得到每個偏振信息圖的多層的模態特徵；對每個偏振信息圖的多層的模態特徵進行多層特徵壓縮處理，得到每個偏振信息圖的多層的壓縮特徵；對每個偏振信息圖的多層的壓縮特徵進行多層特徵融合處理，得到每個偏振信息圖的交叉融合特徵；對每個偏振信息圖的交叉融合特徵進行多分支搜索處理，得到每個偏振信息圖的殘差融合特徵；對偏振信息圖的殘差融合特徵進行三模態融合處理，獲得偽裝目標的掩膜圖像。
[0064]
上述步驟主要包括三個階段：數據獲取及預處理階段、模型構建階段及訓練階段和應用階段。接下來針對每一階段進行詳細闡述。
[0065]
一、數據獲取及預處理階段
[0066]
在本實施例中，採用專業灰度偏振相機作為接收源，記錄場景中偏振信息，獲取待測圖片或訓練用的圖片。預處理時，主要是藉助相機傳感面上覆蓋的一層含有四個偏振方向的掩碼板，記錄下0
°
、45
°
、90
°
和135
°
四個偏振方向的光強(i0°
,i
45
°
,i
90
°
和i
135
°
)。然後利用四個方向的光強計算出斯託克斯參量，最後藉助斯託克斯參量得到圖像的光強、偏振度以及偏振角，從而得到待測圖片或用於訓練網絡模型的偏振信息圖，具體包括光強圖、偏振度圖以及偏振角圖三種偏振信息圖。
[0067]
二、模型構建階段及訓練階段
[0068]
在本實施例中，如圖2所示，偽裝目標分割網絡模型主要包括依次連接的多層特徵提取網絡塊、特徵壓縮編碼網絡塊、多層特徵融合網絡塊、多分支搜索網絡塊和三模態融合網絡塊。
[0069]
在多層特徵提取網絡塊主要使用現有的有特徵提取能力的網絡res2net-50實現，其輸入是含有偽裝目標的光強圖、偏振度圖以及偏振角圖這三種偏振信息圖，並對其進行
特徵提取，得到每個偏振信息圖的多層的模態特徵e，在圖2中，每個偏振信息圖從底部到頂部的模態特徵大小依次降低，從底部到上部依次為一級模態特徵、二級模態特徵、三級模態特徵、四級模態特徵和五級模態特徵。
[0070]
特徵壓縮編碼網絡塊採用多尺度卷積與空洞卷積的方法，對每個偏振信息圖的多層的模態特徵進行多層特徵壓縮處理(cfe)，得到每個偏振信息圖的多層的壓縮特徵，其中每個壓縮特徵的通道均為64。其網絡結構如圖3所示，每個偏振信息圖的多層的模態特徵e首先經過四個1
×
1的卷積層(如無額外說明，本文所述的1
×
1的卷積層的卷積核為1
×
1且步長為1)；除了第一個1
×
1的卷積層後不接入其他結構，在其它1
×
1的卷積層後，分別連接3
×
3的卷積層(如無額外說明，本文所述的3
×
3的卷積層的卷積核為3
×
3且步長為1)、5
×
5的卷積層(如無額外說明，本文所述的5
×
5的卷積層的卷積核為5
×
5且步長為1)和7
×
7的卷積層(如無額外說明，本文所述的7
×
7的卷積層的卷積核為7
×
7且步長為1)，然後分別與對應卷積核大小的空洞卷積層連接；經過四個分支的卷積層經過通道拼接處理，並經過1
×
1的卷積層，得到的結果再與經過1
×
1的卷積層處理後的模態特徵進行相加處理，最終通過relu激活函數激活，得到每個偏振信息圖中與模態特徵一一對應的壓縮特徵。
[0071]
多層特徵融合網絡塊對每個偏振信息圖的多層的壓縮特徵進行多層特徵融合處理(clfm)，得到每個偏振信息圖的交叉融合特徵，通過引入注意力機制，來緩解不同層次的特徵的尺度變化，有效融合各級緊湊特徵。其網絡結構如圖4所示，包括第一卷積組和第二卷積組，第一卷積組包括依次連接的3
×
3的卷積層、沿通道方向的全局最大池化層(cgmp層)、3
×
3的卷積層以及sigmoid函數層；第二卷積組包括依次連接的全局最大池化層(gmp層)、1
×
1的卷積層以及sigmoid函數層。以長寬大小最大的一級壓縮特徵f1和上一層的二級壓縮特徵f2為例，先將二級壓縮特徵f2進行先行差值處理(簡稱up
×
2)，使其與一級壓縮特徵f1長寬大小相同，然後與一級壓縮特徵f1分別進行相加和相乘處理，分別得到相加壓縮特徵和相乘壓縮特徵；相加壓縮特徵和相乘壓縮特徵經過通道拼接後輸入到第一卷積組進行空間注意操作，得到公共空間注意力圖f
sa
，公共空間注意力圖f
sa
分別與相加壓縮特徵和相乘壓縮特徵進行相乘處理後，進行通道注意操作，最後兩者再次進行通道拼接並進行卷積處理(在本文中，如無特殊說明，卷積層表示3
×
3的卷積處理)，得到相鄰的兩個相鄰層交叉融合特徵f。如此不斷的向上融合，得到每個偏振信息圖最終的交叉融合特徵
[0072]
在多層特徵融合網絡塊中，公共空間注意力圖f
sa
的計算公式為：
[0073]fsa
＝sa(concat((f1+u(f2)),(f1×
u(f2))))，
[0074]
式中，f
sa
為公共空間注意力圖；u(
·
)表示上採樣操作；concat(
·
)表示連接操作；sa(
·
)表示空間注意操作；其中空間注意操作的一般定義公式為：
[0075]
sa(x)＝sigmoid(conv3(cgmp(conv1(x))))，
[0076]
式中，conv1(
·
)表示卷積核大小為1
×
1的卷積層；cgmp(
·
)表示沿通道方向的全局最大池化操作；conv3(
·
)表示核大小為3
×
3的卷積層；sigmoid(
·
)表示sigmoid激活函數。
[0077]
在多層特徵融合網絡塊中，相鄰層交叉融合特徵f的計算公式為：
[0078]
f＝concat(ca(f
sa
×
(f1+u(f2))),ca(f
sa
×
(f1×
u(f2))))，
[0079]
式中，f為相鄰層交叉融合特徵；ca(
·
)表示通道注意操作；其中，通道注意操作的一般定義公式為：
[0080]
ca(x)＝sigmoid(conv1(gmp(x)))，
[0081]
式中，gmp(
·
)表示全局最大池化操作；conv1(
·
)表示卷積核大小為1
×
1的卷積層；sigmoid(
·
)表示sigmoid激活函數。
[0082]
在多分支搜索網絡塊中，對每個偏振信息圖的交叉融合特徵進行多分支搜索處理(msm)，得到每個偏振信息圖的殘差融合特徵，能挖掘出更豐富的全局信息，提高偽裝目標檢測性能。其網絡結構如圖5所示，每個偏振信息圖的交叉融合特徵分別進行三分支操作，第一個分支進行上採樣處理，第二個分支進行卷積層的卷積處理，第三個分支進行池化層的池化處理，分別得到高解析度特徵圖fu、原解析度特徵圖fc以及低解析度特徵圖fd；高解析度特徵圖fu、原解析度特徵圖fc以及低解析度特徵圖fd分別通過多尺度通道注意力(ms-ca)機制進行處理，並分別與未經過ms-ca處理高解析度特徵圖fu、原解析度特徵圖fc以及低解析度特徵圖fd進行元乘融合；然後第一個分支進行下採樣處理，第三個分支進行上採樣處理，第二個分支不進行其他處理，三個分支所得結果進行相加操作，得到卷積組特徵f
ucd
；卷積組特徵f
ucd
經過卷積層的卷積處理，再與每個偏振信息圖的交叉融合特徵進行殘差融合，最後再經過卷積層的卷積處理，得到殘差融合特徵，分別為光強圖的殘差融合特徵fi、偏振度圖的殘差融合特徵f
p
以及偏振角圖的殘差融合特徵fa，以光強圖的殘差融合特徵fi為例，計算公式為：
[0083][0084]
式中，fi為光強圖的殘差融合特徵；是光強圖的交叉融合特徵；u(
·
)表示上採樣操作；d(
·
)表示下採樣操作；conv3(
·
)表示卷積核大小為3
×
3的卷積操作；m(
·
)表示多尺度通道注意力操作；其中如圖5所示，多尺度通道注意力(ms-ca)操作的一般定義公式為：
[0085]
fb＝fa×
sigmoid(l(fa)+g(fa))，
[0086]
式中，fa是輸入特徵，l(
·
)表示局部特徵的通道注意力操作，g(
·
)表示全局特徵的通道注意力操作，其一般定義公式為：
[0087][0088]
式中，pwconv1(
·
)表示將輸入特徵的通道數減少為原先的1
×
1點卷積；b(
·
)表示batchnorm層；δ(
·
)表示relu激活函數,；pwconv2(
·
)表示將通道數目恢復成與原輸入通道數目相同的1
×
1點卷積；gap(
·
)表示全局平均池化操作。
[0089]
最終，分別得到光強圖的殘差融合特徵fi、偏振度圖的殘差融合特徵f
p
以及偏振角圖的殘差融合特徵fa。
[0090]
在三模態融合網絡塊中，對偏振信息圖的殘差融合特徵進行三模態融合處理(tfm)，獲得偽裝目標的掩膜圖像，三模態融合網絡塊能選擇地聚集各模態的特定信息，以探索不同模態上關鍵的語義線索，增強特徵表徵，得出精準的預測圖。其網絡結構如圖6所示，得到的光強圖的殘差融合特徵fi、偏振度圖的殘差融合特徵f
p
以及偏振角圖的殘差融合特徵fa分別經過第三卷積組處理，分別得到對應的f
i』、f
p』以及f
a』，第三卷積組包括依次連接的卷積層、bn層以及relu激活函數層；得到的結果再經過第四卷積組的合併處理，得到對
應的ai、a
p
以及aa；最終將f
i』、f
p』以及f
a』與其對應的ai、a
p
以及aa進行融合處理，得到最終的掩模圖像；其計算公式為：
[0091][0092]
式中，ψ(
·
)表示第三卷積組的卷積操作；concat(
·
)表示連接操作；conv3(
·
)表示卷積核大小為3
×
3的卷積層；ms(
·
)表示多尺度空間注意力(ms-sa)操作；pred表示最終的掩模圖像。
[0093]
以上為本實施例中偽裝目標分割網絡模型的具體結構，在構建完成後需要對該網絡模型進行優化訓練，採用pytorch框架實現。訓練和測試均使用一臺6核電腦，配備intel(r)xeon(r)e5-2609 v3 1.9ghz cpu和nvidia geforce rtx3090ti gpu(24gb內存)。使用動量sgd優化器，權重衰減為5e-4，初始學習率為1e-3，動量為0.9。此外，批量大小設置為4，並通過因子為0.9的poly策略調整學習率，網絡訓練50輪。模型訓練的具體方法為：
[0094]
獲取訓練集，所述訓練集包括多個專業偏振相機採集的偏振圖；
[0095]
根據偽裝目標分割方法對訓練集中的偏振圖進行處理，根據損失函數值對偽裝目標分割網絡模型的參數進行優化調整，直至損失函數值趨於穩定，停止訓練。
[0096]
其中，訓練集為i-p偽裝目標分割偏振圖(共4390張圖像)，對偏振圖中各種場景隨機切分成2930張訓練圖像和1470張測試圖像。偏振圖中多種尺寸的圖像在訓練時會被統一縮放為352
×
352的尺寸，並且圖像分割的輸出結果會被重新調整為輸入圖像的原始大小。特徵提取網絡的參數由預訓練的res2net-50網絡初始化，其他參數隨機初始化。
[0097]
本實施例採用的損失函數為交叉熵損失函數和dice損失相結合的方法，計算公式為：
[0098]
l＝λ1l
wbce
+λ2l
wdl
，
[0099]
式中，l為本實施例的損失函數；l
wbce
為交叉熵損失函數；l
wdl
為dice損失函數；λ1為交叉熵損失函數的權重，為固定值；λ2分別為dice損失函數的權重，為固定值。
[0100]
將訓練圖像經過分割方法中的預處理並輸入到偽裝目標分割網絡模型進行分割處理後，得到預測圖，根據損失函數值對偽裝目標分割網絡模型的參數進行優化調整，直至損失函數值趨於穩定，停止訓練。在本實施例中，為了提升訓練效果，在訓練過程中的預測圖均受到訓練集中對應的人工標註的掩膜圖的監督。
[0101]
三、應用階段
[0102]
在本實施例中，採用1470張測試圖像進行測試，為了驗證本發明的有效性，與領域內的其他最新方法進行比較的結果展示，並重新訓練了領域內的其他用於分割的深度神經網絡(eafnet,pgsnet，rd3d，midd以及swinnet)，並使用公開的可用代碼在同樣的數據集上訓練和測試。預測過程中，本發明將採集到的灰度偏振圖像作為輸入圖像，經過預處理得出光強、偏振度以及偏振角三種模態，進入本發明網絡最終可以得出準確的偽裝目標分割圖像，具體過程如7所示。為了對比本發明與領域內的其他深度神經網絡，採用相同的數據源通過不同的深度神將網絡進行預測。圖8可以直觀看出，本發明分割的結果比其他網絡更加準確邊緣更加清晰，而其他網絡中都存在誤檢與漏檢的情況。
[0103]
另外，本發明適用於多種場景的偽裝目標的分割，本發明在製造業(表觀缺陷檢測)、農業(如蝗蟲檢測)、計算機視覺(如搜索和救援任務)等不同領域具有廣泛的應用價
值。本發明藉助的偏振成像技術，主要通過目標反射光與輻射光的偏振態，探測出與該目標自身物理特徵密切相關的偏振特徵。該技術可以提高目標與背景的對比度，豐富圖像的細節信息。尤其針對特殊材質的識別遠高於rgb相機。並且本文方法針對各種尺寸的自然偽裝目標分割(小偽裝目標、大偽裝目標)中都生成更加精確和完整的偽裝目標分割圖，並且具有清晰的邊界和連貫的細節。這證明了本發明方法在不同場景下的有效性和實用性。
[0104]
實施例二：
[0105]
一種基於光強與偏振線索的偽裝目標分割系統，包括：
[0106]
預處理模塊：用於對待測圖片進行預處理，得到待測圖片的偏振信息圖，所述偏振信息圖包括光強圖、偏振度圖以及偏振角圖；
[0107]
多層特徵提取模塊：用於對每個偏振信息圖依次進行多層特徵提取處理，得到每個偏振信息圖的多層的模態特徵；
[0108]
多層特徵壓縮模塊：用於對每個偏振信息圖的多層的模態特徵進行多層特徵壓縮處理，得到每個偏振信息圖的多層的壓縮特徵；
[0109]
多層特徵融合模塊：用於對每個偏振信息圖的多層的壓縮特徵進行多層特徵融合處理，得到每個偏振信息圖的相鄰層交叉融合特徵；
[0110]
多分支搜索模塊：用於對每個偏振信息圖的相鄰層交叉融合特徵進行多分支搜索處理，得到每個偏振信息圖的殘差融合特徵；
[0111]
三模態融合模塊：用於對偏振信息圖的殘差融合特徵進行三模態融合處理，獲得偽裝目標的掩膜圖像。
[0112]
以上各個模塊的具體網絡結構可見實施例一中的偽裝目標分割網絡模型，再次不多做贅述。
[0113]
實施例三：
[0114]
本發明實施例還提供了一種計算機設備，包括處理器及存儲介質；
[0115]
所述存儲介質用於存儲指令；
[0116]
所述處理器用於根據所述指令進行操作以執行下述方法的步驟：
[0117]
獲取待測圖片，並對待測圖片進行預處理，得到待測圖片的偏振信息圖，所述偏振信息圖包括光強圖、偏振度圖以及偏振角圖；
[0118]
將待測圖片的偏振信息圖輸入到預訓練的偽裝目標分割網絡模型，對每個偏振信息圖進行多層特徵提取處理，得到每個偏振信息圖的多層的模態特徵；對每個偏振信息圖的多層的模態特徵進行多層特徵壓縮處理，得到每個偏振信息圖的多層的壓縮特徵；對每個偏振信息圖的多層的壓縮特徵進行多層特徵融合處理，得到每個偏振信息圖的相鄰層交叉融合特徵；對每個偏振信息圖的相鄰層交叉融合特徵進行多分支搜索處理，得到每個偏振信息圖的殘差融合特徵；對偏振信息圖的殘差融合特徵進行三模態融合處理，獲得偽裝目標的掩膜圖像。
[0119]
實施例四：
[0120]
本發明實施例還提供了一種計算機可讀存儲介質，其上存儲有電腦程式，該程序被處理器執行時實現下述方法的步驟：
[0121]
獲取待測圖片，並對待測圖片進行預處理，得到待測圖片的偏振信息圖，所述偏振信息圖包括光強圖、偏振度圖以及偏振角圖；
[0122]
將待測圖片的偏振信息圖輸入到預訓練的偽裝目標分割網絡模型，對每個偏振信息圖進行多層特徵提取處理，得到每個偏振信息圖的多層的模態特徵；對每個偏振信息圖的多層的模態特徵進行多層特徵壓縮處理，得到每個偏振信息圖的多層的壓縮特徵；對每個偏振信息圖的多層的壓縮特徵進行多層特徵融合處理，得到每個偏振信息圖的相鄰層交叉融合特徵；對每個偏振信息圖的相鄰層交叉融合特徵進行多分支搜索處理，得到每個偏振信息圖的殘差融合特徵；對偏振信息圖的殘差融合特徵進行三模態融合處理，獲得偽裝目標的掩膜圖像。
[0123]
本領域內的技術人員應明白，本技術的實施例可提供為方法、系統、或電腦程式產品。因此，本技術可採用完全硬體實施例、完全軟體實施例、或結合軟體和硬體方面的實施例的形式。而且，本技術可採用在一個或多個其中包含有計算機可用程序代碼的計算機可用存儲介質(包括但不限於磁碟存儲器、cd-rom、光學存儲器等)上實施的電腦程式產品的形式。
[0124]
本技術是參照根據本技術實施例的方法、設備(系統)、和電腦程式產品的流程圖和/或方框圖來描述的。應理解可由電腦程式指令實現流程圖和/或方框圖中的每一流程和/或方框、以及流程圖和/或方框圖中的流程和/或方框的結合。可提供這些電腦程式指令到通用計算機、專用計算機、嵌入式處理機或其他可編程數據處理設備的處理器以產生一個機器，使得通過計算機或其他可編程數據處理設備的處理器執行的指令產生用於實現在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能的裝置。
[0125]
這些電腦程式指令也可存儲在能引導計算機或其他可編程數據處理設備以特定方式工作的計算機可讀存儲器中，使得存儲在該計算機可讀存儲器中的指令產生包括指令裝置的製造品，該指令裝置實現在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能。
[0126]
這些電腦程式指令也可裝載到計算機或其他可編程數據處理設備上，使得在計算機或其他可編程設備上執行一系列操作步驟以產生計算機實現的處理，從而在計算機或其他可編程設備上執行的指令提供用於實現在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能的步驟。
[0127]
以上所述僅是本發明的優選實施方式，應當指出，對於本技術領域的普通技術人員來說，在不脫離本發明技術原理的前提下，還可以做出若干改進和變形，這些改進和變形也應視為本發明的保護範圍。