【儀表網 研發快訊】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部司徒國海研究員團隊，提出了一種基于深度神經網絡的、能應用于自然場景的實時非侵入式透過散射介質光學成像方法。相關成果以“Learning-based real-time imaging through dynamic scattering media”為題發表于Light: Science & Applications。
 

　　透過散射介質成像對道路交通安全、火場救援、安防監控、水下探測與醫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，研究人員已經利用深度神經網絡實現從散斑圖樣中復原出清晰的物體、通過優化光場調控實現透過散射介質聚焦、以及實現超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據集難以采集，大多已有研究只能用空間光調制器依次加載大量圖像，在實驗室人造散射環境中，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，用這些數據訓練的深度神經網絡只能應用在類似的實驗環境，而無法應用在真實的外場散射環境中。
 

　　圖1：DescatterNet算法框架。(a)實驗裝置。利用不發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據集。(b)數據處理流程。首先利用數據預處理方法消除不均勻本底同時增強圖像特征，然后訓練優化的網絡模型，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、數據集設計、數據預處理方法、AI模型優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果。第一行是相機采集原始圖像歸一化顯示的結果。第2~4行是網絡模型對不同樣本的復原結果。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對真實物體實現了高質量的散射成像，大大提高了成像系統的探測性能。
 

　　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果；(iii)Retinex算法的結果；(iv)本文方法的結果；(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，該研究成功實現了透過戶外5.9km的濃霧環境對自然場景進行散射成像。傳統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則取得最優的復原結果。
 

　　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據集、數據處理算法以及強大的神經網絡。結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的探測性能，在惡劣天氣下交通安全、視頻監控、火場救援和水下探測等領域展現出巨大的應用前景。
 

　　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。