一种基于中性线特征的中性点识别方法

摘要

本发明公开了一种基于中性线特征的中性点识别方法，其特征是按如下步骤进行：1、获取n幅天空偏振图像；2、利用大津算法提取有效区域；3、计算斯托克斯矢量；4、根据斯托克斯矢量获得中性线；5、利用中性线识别中性点。本发明能对天空偏振图像中的中性点进行有效识别和标定，从而为大气环境检测提供中性点特性信息。

说明书

技术领域

本发明涉及一种基于偏振度椭圆拟合的中性点识别方法，属于大气光学研究领域。

背景技术

太阳光本身是一种自然光源，但是在大气传输过程中被大气中的粒子散射和反射，比如 被O₂和N₂分子散射和反射，由此会产生相应的偏振光。具有不同偏振方向，不同偏振强度 的太阳光，便形成了特定的大气偏振模式。中性点是大气偏振模式的重要特征，中性点是天 空中的特殊位置，该位置上的大气光偏振度最低，且沿太阳子午线经过该位置时大气光的偏 振化方向将发生90°旋转。通过分析中性点分布位置的变化也可以实现对大气环境的监测。 大气偏振模式中性点的分布信息为反演大气的光学和物理参数、建立大气散射辐射偏振特性 模型提供了必不可少的素材。因此，要实现利用偏振模式完成大气探测及大气环境检测，大 气偏振模式信息中中性点的测量和识别是必不可少的。

中性线是大气偏振模式中的特殊位置，中性线的位置信息可以从大气偏振模式的斯托克 斯矢量分布中直接获得。通过检查大气偏振模式的斯托克斯矢量中的Q分量或U分量是否为 0，可以获得中性线的位置。而在大气偏振模式中，中性点通常位于不同中性线的交点处。

现有技术中，虽有对中性线和中性点进行探讨和研究，但未提出过如何检测和识别中性 点。

发明内容

本发明的目的是为了克服现有技术中的不足之处，提供一种基于中性线特征的中性点识 别方法，能对天空偏振图像中的中性点进行有效识别和标定，从而为大气环境检测提供中性 点特性信息。

本发明为解决技术问题采取如下技术方案：

本发明一种基于中性线特征的中性点识别方法的特点是按如下步骤进行：

步骤1：在不同的偏振角度θ₁,θ₂,…,θ_n下分别获得相应的天空偏振图像I₁,I₂,…,I_n,n≥3；

步骤2：利用大津算法提取有效区域Z_valid；

依次将n幅天空偏振图像I₁,I₂,…,I_n作为大津算法的输入图像，通过大津算法分别计算 出每一幅天空偏振图像I₁,I₂,…,I_n所对应的自适应阈值t₁,t₂,…,t_n，根据所述自适应阈值 t₁,t₂,…,t_n依次将对应的天空偏振图像I₁,I₂,…,I_n进行二值化处理，获得对应于所述天空偏振 图像I₁,I₂,…,I_n的n幅二值图像BW₁,BW₂,…,BW_n，对所述n幅二值图像BW₁,BW₂,…,BW_n进行“与”操作，获得二值图像BW_valid，令所述二值图像BW_valid中像素为1的连通区域为有 效区域Z_valid；

步骤3：计算斯托克斯矢量S=(I,Q,U)^T；

利用式(1)获得所述有效区域Z_valid内的斯托克斯矢量S=(I,Q,U)^T：

$\left(\begin{array}{c}I+Q\cos {2\theta }_1+U\sin {2\theta }_1={2I}_1\\ I+Q\cos {2\theta }_2+U\sin {2\theta }_2={2I}_2\\ ···\\ I+Q\cos {2\theta }_n+U\sin {2\theta }_n=2I_n\end{array}\right)---\left(1\right)$

式(1)中，I为大气光的总光强，Q为大气光在水平方向上的线偏振分布，U为大气光在 45°方向上的线偏振分布；

步骤4：根据斯托克斯矢量S=(I,Q,U)^T获得Q＝0处的中性线q₁和q₂以及U＝0处的中性 线u₁和u₂；

4.1、对所述斯托克斯矢量S=(I,Q,U)^T中的线偏振分布Q和U进行二值化处理，获得与 所述线偏振分布Q和U分别对应的二值图像BW_q和二值图像BW_u；

4.2、分别提取所述二值图像BW_q的边缘q₁′和q₂′以及所述二值图像BW_u的边缘u₁′和u₂′， 所述边缘q₁′和q₂′即为中性线q₁和q₂，所述边缘u₁′和u₂′为中性线u₁和u₂；

步骤5：利用Q＝0处的中性线q₁和q₂以及U＝0处的中性线u₁和u₂识别中性点；

5.1、将所述二值图像BW_q和二值图像BW_u统一按横向或纵向进行扫描，在扫描过程中依 次将所述Q＝0处的中性线q₁和q₂上的像素分别存储到像素链表L_q1和L_q2的节点中；并将所述 U＝0处的中性线u₁和u₂上的像素分别存储到像素链表L_u1和L_u2的节点中；

5.2、遍历所述像素链表L_q1和L_q2以及像素链表L_u1和L_u2，查找出任意两条像素链表中的 相同节点，所述相同节点即为中性点。

本发明基于中性线特征的中性点识别方法的特点也在于：

所述步骤4.1中的二值化处理按如下过程进行：

将所述线偏振分布Q和U中的元素取值大于0的所有元素都赋值为1，元素取值小于0的 所有元素都赋值为0，获得所述线偏振分布Q和U分别对应的二值图像BW_q和二值图像BW_u。

所述步骤4.2中的提取所述二值图像BW_q的边缘q₁′和q₂′以及所述二值图像BW_u的边缘u₁′ 和u₂′是按如下步骤进行：

步骤1：分别去除所述二值图像BW_q和二值图像BW_u边缘上的孤立像素点噪声；

对所述二值图像BW_q和二值图像BW_u分别重复进行至少2次的“开”运算和“闭”运 算去除所述二值图像BW_q和二值图像BW_u边缘上的孤立像素点噪声，获得去噪后的二值图像 BW_q′和二值图像BW_u′；

步骤2：计算所述去噪后的二值图像BW_q′的边缘图像Edge₁以及所述去噪后的二值图像 BW_u′的边缘图像Edge₂；

在有效区域Z_valid内，分别判断所述去噪后的二值图像BW_q′和二值图像BW_u′的每个像素 的4-连通的邻域上的像素值是否都取值为1，选择4-连通的邻域上的像素值都取值为1的像 素赋值为0，从而得到所述二值图像BW_q′的边缘图像Edge₁和二值图像BW_u′的边缘图像 Edge₂；

步骤3：连接所述边缘图像Edge₁和边缘图像Edge₂中离散的点；

分别对所述边缘图像Edge₁和边缘图像Edge₂上的像素进行“膨胀”操作，获得平滑边缘 图像Edge₁′和平滑边缘图像Edge₂′；

步骤4：检测中性线；

分别对所述平滑边缘图像Edge₁′和平滑边缘图像Edge₂′进行“腐蚀”操作，获得平滑边 缘Edge₁′的单像素边缘图像Edge₁″和平滑边缘Edge₂′的单像素边缘图像Edge₂″，所述单像素 边缘图像Edge₁″中的两条边缘线段即为所述Q＝0处的中性线q₁和q₂，所述单像素图像 Edge₂″中的两条边缘线段即为U＝0处的中性线u₁和u₂。

与已有技术相比，本发明的有益效果体现在：

1、本发明针对大气偏振模式中的中性点识别需求，利用中性点在大气偏振模式的斯托克 斯矢量分布中的特性，通过在天空偏振度图像中对中性线特征进行检测，实现对中性点的识 别定位。

2、本发明中通过对大气偏振模式的中性线特征进行解析，是从中性点的分布特性出发， 利用中性点是中性线分布的交点这一明显特征，对中性点进行定位识别，有效确保中性点识 别结果的准确性。

3、本发明在对中性线进行检测的过程中，利用中性线是天空正负偏振特性的分界线这一 特征，根据线偏振分布Q和U分布中的元素取值是否大于0来划分天空偏振正负区域，通过 检测正负区域边界来实现对中性线的准确检测，避免了直接获取斯托克斯矢量中的Q分量或 U分量为0分布区域形成大量的误检测和噪声点。

4、本发明中利用大气偏振模式获取装置能获取全天域天空偏振信息，能够最大程度的获 取大气偏振模式中中性点的分布特性，确保了对中性点识别的准确性。

5、本发明采用大津算法自适应获取偏振图像的有效区域，能够自适应跟随实际环境的变 化导致的偏振和光强分布变化而选择有效区域的判别阈值，提高了算法对实际环境变化的适 应能力。

图1为本发明的方法流程图；

图2为本发明检偏器偏振角度为0°时所采集的天空偏振图像I₁；

图3为本发明检偏器偏振角度为45°时所采集的天空偏振图像I₂；

图4为本发明检偏器偏振角度为90°时所采集的天空偏振图像I₃；

图5为本发明检偏器偏振角度为135°时所采集的天空偏振图像I₄；

图6为本发明的有效区域示意图；

图7为本发明获得的斯托克斯矢量S=(I,Q,U)^T中的线偏振分布Q的效果图；

图8为本发明获得的斯托克斯矢量S=(I,Q,U)^T中的线偏振分布U的效果图；

图9为本发明得到的二值图像BW_q的效果图；

图10为本发明得到的二值图像BW_u的效果图；

图11为本发明得到的Q＝0处中性线q₁和q₂效果图；

图12为本发明得到的U＝0处中性线u₁和u₂效果图；

图13为本发明提取二值图像BW_q的边缘q₁′和q₂′以及二值图像BW_u的边缘u₁′和u₂′的流程 图；

图14为本发明得到的边缘图像Edge₁的效果图；

图15为本发明得到的边缘图像Edge₂的效果图；

图16为本发明在偏振角分布中获得中性点的效果图。

具体实施方式

本实施例中，如图1所示，一种在大气偏振模式中，基于中性线特征的中性点识别方法 是按如下过程进行：

步骤1：获取n幅天空偏振图像I₁,I₂,…,I_n；

大气偏振模式获取装置是由CCD相机、鱼眼镜头和置于鱼眼镜头前的检偏器构成；CCD 相机用于获取天空偏振图像的偏振光强，鱼眼镜头代替CCD相机本身的镜头用于扩展CCD 相机的视场角，检偏器用于检测天空偏振图像中的大气偏振光。

利用大气偏振模式获取装置在n个不同的偏振角度θ₁,θ₂,…,θ_n下分别获得n幅天空偏振 图像I₁,I₂,…,I_n,n≥3；天空偏振图像在计算过程中，均是以矩阵形式来表征的；本实施例中， 在保持CCD相机和鱼眼镜头的位置不变，然后改变检偏器的偏振角度，分别获取如图2、图 3、图4和图5所示的4幅偏振角度分别为0°,45°,90°,135°的天空偏振图像I₁,I₂,I₃,I₄；

步骤2：利用大津算法提取有效区域Z_valid；

依次将n幅天空偏振图像I₁,I₂,…,I_n作为大津算法的输入图像，通过大津算法分别计算 出每一幅天空偏振图像I₁,I₂,…,I_n所对应的自适应阈值t₁,t₂,…,t_n，根据自适应阈值 t₁,t₂,…,t_n依次将对应的天空偏振图像I₁,I₂,…,I_n进行二值化处理，获得对应于天空偏振图像 I₁,I₂,…,I_n的n幅二值图像BW₁,BW₂,…,BW_n，对n幅二值图像BW₁,BW₂,…,BW_n进行“与” 操作，获得二值图像BW_valid，令二值图像BW_valid中像素为1的连通区域为有效区域Z_valid；如 图6所示，本实施例中，针对天空偏振图像I₁,I₂,I₃,I₄，601所示为无效区域，602所示为有 效区域Z_valid；对有效区域Z_valid进行提取的原因是要获得全天域的天空图像，必须保证CCD 相机成像靶面大于鱼眼镜头的成像孔径，从而导致CCD相机靶面上位于镜头成像孔径之外的 区域不能感光，而在成像结果中形成不具有天空偏振信息的黑色区域，这部分区域对中性点 的识别的结果没有意义，但会对识别过程造成影响。

步骤3：计算斯托克斯矢量S=(I,Q,U)^T；

根据n幅天空偏振图像I₁,I₂,…,I_n和其依次对应不同的偏振角度θ₁,θ₂,…,θ_n,通过式(1) 获得有效区域Z_valid内的斯托克斯矢量S=(I,Q,U)^T：

$\left(\begin{array}{c}I+Q\cos {2\theta }_1+U\sin {2\theta }_1={2I}_1\\ I+Q\cos {2\theta }_2+U\sin {2\theta }_2={2I}_2\\ ···\\ I+Q\cos {2\theta }_n+U\sin {2\theta }_n=2I_n\end{array}\right)---\left(1\right)$

式(1)中，I为大气光的总光强，Q为大气光在水平方向上的线偏振分布，如图7所示； U为大气光在45°方向上的线偏振分布，如图8所示；本实施例中，由4幅偏振角度为 0°,45°,90°,135°的天空偏振图像I₁,I₂,I₃,I₄计算有效区域Z_valid内的斯托克斯矢量 S=(I,Q,U)^T，将偏振角度0°,45°,90°,135°代入方程组(1)中得到：

$\left(\begin{array}{c}I=\frac{1}{2}[I_1+I_2+I_3+I_4]\\ Q=I_1-I_3\\ U=I_2-I_4\end{array}\right)---\left(2\right)$

步骤4：根据斯托克斯矢量S=(I,Q,U)^T获得Q＝0处中性线q₁和中性线q₂以及U＝0处中 性线u₁和中性线u₂；

4.1、对斯托克斯矢量S=(I,Q,U)^T中的线偏振分布Q和线偏振分布U进行二值化处理， 获得与线偏振分布Q和线偏振分布U分别对应的如图9所示的二值图像BW_q和如图10所示 的二值图像BW_u；

对斯托克斯矢量S=(I,Q,U)^T中的线偏振分布进行二值化处理的按照如下过程进行：将 线偏振分布Q和U分布中的元素取值大于0的所有元素都赋值为1，元素取值小于0的所有元素 都赋值为0，获得线偏振分布Q和线偏振分布U分布对应的二值图像BW_q和二值图像BW_u； Q＝0处的中性线和U＝0处的中性线分别将大气偏振模式的线偏振分布Q和U分割为正负 偏振特性不同的三部分。故可从线偏振分布Q和U中提取元素取值大于0和元素取值小于0的 正负区域边界，从而准确获得中性线的分布。

4.2、分别提取二值图像BW_q的边缘q₁′和边缘q₂′以及二值图像BW_u的边缘u₁′和边缘u₂′， 边缘q₁′和边缘q₂′即为中性线q₁和中性线q₂，边缘u₁′和边缘u₂′即为中性线u₁和中性线u₂，如图 11和图12所示，图11中白色曲线q₁′和q₂′即为中性线q₁和q₂，图12中白色曲线u₁′和u₂′即为 中性线u₁和u₂；

如图13所示，提取二值图像BW_q的边缘q₁′和q₂′以及二值图像BW_u的边缘u₁′和u₂′是按如 下步骤进行：

步骤1：分别去除二值图像BW_q和二值图像BW_u边缘上的孤立像素点噪声；

对二值图像BW_q和二值图像BW_u重复进行至少2次的连续“开”运算和“闭”运算分别 去除二值图像BW_q和二值图像BW_u边缘上的孤立像素点噪声，获得去噪后的二值图像BW_q′和 二值图像BW_u′；若不对孤立的像素点噪声进行去除操作，该噪声会影响后续步骤中对边缘图 像Edge₁和边缘图像Edge₂的像素连接操作，导致连接操作完成后不能正确获取平滑边缘图像 Edge₁′和平滑边缘图像Edge₂′；

步骤2：计算如图14所示的二值图像BW_q的边缘图像Edge₁以及如图15所示的二值图像 BW_u的边缘图像Edge₂；

在有效区域Z_valid内，分别判断去噪后的二值图像BW_q′和二值图像BW_u′的每个像素的4- 连通的邻域上的像素值是否都取值为1，选择4-连通的邻域上的像素值都取值为1的像素赋 值为0，从而得到二值图像BW_q的边缘图像Edge₁和二值图像BW_u的边缘图像Edge₂；

步骤3：连接边缘图像Edge₁和边缘图像Edge₂中离散的点；

分别对边缘图像Edge₁和边缘图像Edge₂上的像素进行“膨胀”操作，获得平滑边缘图像 Edge₁′和平滑边缘图像Edge₂′；“膨胀”操作的目的就是分别对边缘图像Edge₁和边缘图像 Edge₂上的离散像素点进行连接，从而获得像素点相互连通的平滑边缘图像Edge₁′和平滑边 缘图像Edge₂′；通常直接获得的边缘图像Edge₁和边缘图像Edge₂中存在大量的离散点，所获 取的中性线不完全，因此需要通过对离散点进行连接以获得完整的中性线形态信息；

步骤4：检测中性线；

分别对平滑边缘图像Edge₁′和平滑边缘图像Edge₂′进行“腐蚀”操作，获得平滑边缘 Edge₁′的单像素边缘图像Edge₁″和平滑边缘Edge₂′的单像素边缘图像Edge₂″，单像素边缘图 像Edge₁″中的两条边缘线段即为Q＝0处中性线q₁和q₂，单像素边缘图像Edge₂″中的两条边 缘线段即为U＝0处中性线u₁和u₂；中性点位于中性线交点之上，为唯一定位中性点位置， 通过“腐蚀”操作使得检测所得的中性线内仅包含单一像素；

步骤5：利用Q＝0处中性线q₁和q₂以及U＝0处中性线u₁和u₂识别中性点；

5.1、将二值图像BW_q和二值图像BW_u统一按横向或纵向进行扫描，在扫描的过程中依次 将Q＝0处中性线q₁和q₂以及U＝0处中性线u₁和u₂上的像素分别存储到像素链表L_q1和像素 链表L_q2以及像素链表L_u1和像素链表L_u2的节点中，

5.2、遍历像素链表L_q1和L_q2以及L_u1和L_u2，查找出任意两条像素链表中的相同节点，任 意两条像素链表的相同节点即为中性点，相同的节点也就是任意两条像素链表的交点，中性 线检测结果示意如图16所示，图16中白色圆点即为中性点。