CN117928565A - 一种复杂遮挡环境下的偏振导航定向方法 - Google Patents

Abstract

本发明涉及偏振光导航技术领域，具体为一种复杂遮挡环境下的偏振导航定向方法。包括以下步骤：采用U‑Net网络结构对偏振图像中的遮挡物进行分割，生成预测掩膜；采用神经网络预测掩膜来指导样本块修复；采用结构相似性指数和峰值信噪比作为图像修复的约束条件，直到修复效果满足设定的阈值条件后进行输出；将输出的修复图像进行计算得到偏振角度图像，计算载体坐标系下的太阳方位角及导航坐标系下的太阳方位角的差值，从而得到航向角。本发明克服了原有仿生偏振光定向模型在复杂遮挡环境下适应性差的缺点，通过在定向前对天空图像进行去除遮挡，利用恢复后的天空图像进行拟合定向处理，提升了偏振导航在复杂遮挡环境下的定向精度。

Description

一种复杂遮挡环境下的偏振导航定向方法

技术领域

本发明涉及偏振光导航技术领域，具体为一种复杂遮挡环境下的偏振导航定向方法。

背景技术

生物是自然界中最杰出的艺术品，也是人类学术思想、工程原理和发明创造的源泉。人们发现自然界中的一些昆虫有小而功能齐全的复眼，它们具有体积小、灵敏度高、视场大的优点。昆虫可以利用复眼的偏振结构感知天空偏振矢量场信息，获得出色的导航定位能力。仿生偏振光导航通过借鉴昆虫的导航机制，利用天空光的偏振分布模式可以实现高精度的导航，且具有抗电磁干扰、不易累积误差、不受地理位置限制等优势，有效弥补了常见导航技术(惯性导航、卫星导航、地磁导航等)的不足，逐渐成为自主导航和组合导航的研究热点。

在晴朗无遮挡环境下，偏振模式具有明显的方向特征，可以通过拟合偏振角度图中太阳子午线的方法来解算航向角；然而在复杂遮挡环境下，遮挡物产生的异常像素点的存在会破坏大气偏振模式，此时直接拟合太阳子午线会获取到错误的方向信息，从而使得偏振光导航的精度降低，甚至会导致导航失效。因此，有必要构建一种新型仿生偏振光导航方法，从而提高复杂遮挡环境下仿生偏振光导航定向的鲁棒性和准确性。

发明内容

鉴于此，本发明的目的在于，提供一种复杂遮挡环境下的偏振导航定向方法，通过U-Net深度卷积神经网络结构，能够精确的对偏振图像中的遮挡物进行分割；创新性的将预测掩模与样本块图像修复方法结合，并采用基于视觉相干性和视觉显著性的图像完备性评价指标作为约束修复策略，能够实现偏振图像的自适应调整修复；通过拟合修复图像中的太阳子午线，计算得到航向信息。

为了达到上述目的，进而采取的技术方案如下：

一种复杂遮挡环境下的偏振导航定向方法，包括以下步骤：

S1:采用U-Net网络结构对偏振图像中的遮挡物进行分割，生成预测掩膜；

S2:采用神经网络预测掩膜来指导样本块修复；

S3:采用结构相似性指数SSIM和峰值信噪比PSNR作为图像修复的约束条件，直到修复效果满足设定的阈值条件后进行输出；

S4:将输出的修复图像进行计算得到偏振角度图像，计算载体坐标系下的太阳方位角及导航坐标系下的太阳方位角的差值，从而得到航向角。

优选的，步骤S1中，U-Net网络结构包括三个下采样模块和三个上采样模块，下采样模块通过卷积操作提取图像中遮挡物的细节特征信息，使得网络能够更加准确地捕捉输入图像的局部和全局特征，助于模型对偏振图像中的复杂遮挡物进行精准识别和分割；上采样模块则通过反卷积等操作将特征图扩展回原始分辨率，从而还原出更为精细的分割结果，生成预测掩膜。

优选的，步骤S2中，用神经网络预测掩膜来指导样本块修复的方法：

采用神经网络预测的二值图作为边界条件去除遮挡区域，然后将去除遮挡后的图像划分样本块；

为了能够让输出图像中的每个图像块在输入图像中找到最佳匹配的样本块，用下式来计算图像块和样本块相应像素颜色值的差值和整体误差：

；

式中i为遍历像素的行索引，j为列索引，W和H分别是图像块imgPx和样本块samlePx的行数和列数，diff_sum是像素差值的平方和，overlap_error是图像块和样本块重叠区域的误差，该误差用于在拼接过程中确定最佳匹配的块，值越小表示两个块在颜色值上越接近，匹配度越高；

将待修复图像中的图像块与其最佳匹配块进行拼接来创建无缝纹理的修复图像，重复以上步骤，不断选择最佳匹配的样本块并将其拼接到图像块上，直到图像块达到图像的大小，以完成图像的修复过程。

优选的，步骤S3中，采用结构相似性指数SSIM和峰值信噪比PSNR作为约束条件对图像修复的方法：

采用步骤S2中N组去除遮挡的修复图像样本，计算其结构相似性指数SSIM（I_i）和峰值信噪比PSNR（I_i），并计算均值作为初始阈值SSIM_threshold和PSNR_threshold：

；

将计算得到的原始图像x和已修复图像y的结构相似性指数SSIM和峰值信噪比PSNR，与初始阈值SSIM_threshold和PSNR_threshold进行比较来判断修复程度，若大于阈值则认为修复效果是有效的，否则返回修复过程并通过调整比例因子α（0.1≤α≤0.5）和β（1≤β≤10）来更新阈值，直到修复效果满足设定的阈值条件后进行输出。

优选的，步骤S4中，采用修复图像、载体坐标系下的太阳方位角及导航坐标系下的太阳方位角的差值得到航向角的方法：

将输出的修复图像进行计算得到偏振角度图像，偏振角度图像通过计算0°、45°、90°和135°的四幅去除遮挡图像的光强值得到：

；

其中，Aop为偏振角度，V₁、V₂、V₃、V₄分别为0°、45°、90°和135°的四幅去除遮挡图像的光强值；

载体坐标系下的太阳方位角α_c由该坐标系下的太阳子午线的斜率k计算获得，载体坐标系下的太阳子午线通过附近的偏振角度值拟合得到：

；

而导航坐标系下的太阳方位角α_b由定位授时设备提供的位置时间信息配合天文日历知识进行解算获得：

；

θ_s是太阳高度角，α_b是导航坐标系下的太阳方位角，ω是地理纬度，δ是太阳赤纬角，t是太阳时角；

由式(8)和式(10)即可求得载体航向角Φ=α_b-α_c。

本发明的有益效果是：

本发明与现有的偏振导航定向方法相比，本发明克服了原有仿生偏振光定向模型在复杂遮挡环境下适应性差的缺点，通过在定向前对天空图像进行去除遮挡，利用恢复后的天空图像进行拟合定向处理，提升了偏振导航在复杂遮挡环境下的定向精度。

附图说明

构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明中在复杂遮挡环境下的偏振导航定向方法的流程图；

图2为本发明中神经网络的结构示意图；

图3为本发明中修复约束策略的示意图。

具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

请参考图1所示，一种复杂遮挡环境下的偏振导航定向方法，包括以下步骤：

将采集的偏振图像数据集输入U-Net神经网络进行分割，得到预测掩膜；

其中U-Net网络结构如图2所示，主要包括三个下采样模块和三个上采样模块，其中下采样模块通过卷积操作能够有效提取图像中遮挡物的细节特征信息，使得网络能够更加准确地捕捉输入图像的局部和全局特征。这有助于模型对偏振图像中的复杂遮挡物进行精准识别和分割。而上采样模块则通过反卷积等操作将特征图扩展回原始分辨率，从而还原出更为精细的分割结果，生成预测掩膜。

用神经网络预测的二值图作为掩膜可以为基于样本块的方法生成更准确的边界条件，通过将掩膜应用于样本块选择和合成的过程中，可以限制修复算法只在分割边界内部进行样本块选择，并将合成结果更好地与原始图像融合。具体修复过程分为以下几步：

第一步：划分样本块；首先将神经网络预测的二值图作为边界条件去除遮挡区域，然后将去除遮挡后的图像用步长为2的窗口划分样本块；

第二步：样本块匹配；为了能够让输出图像中的每个图像块在输入图像中找到最佳匹配的样本块，用式(1)来计算图像块和样本块相应像素颜色值的差值,再通过式(2)来得到整体误差：

；

式中i为遍历像素的行索引，j为列索引，W和H分别是图像块imgPx和样本块samlePx的行数和列数，diff_sum是像素差值的平方和，overlap_error是图像块和样本块重叠区域的误差，该误差用于在拼接过程中确定最佳匹配的块，值越小表示两个块在颜色值上越接近，匹配度越高；

第三步：合成修复；将待修复图像中的图像块与其最佳匹配块进行拼接来创建无缝纹理的修复图像，重复以上步骤，不断选择最佳匹配的样本块并将其拼接到图像块上，直到图像块达到图像的大小，从而完成图像的修复过程。

本发明设计的修复约束策略如图3，为了进一步优化修复效果，采用结构相似性指数SSIM和峰值信噪比PSNR作为图像修复的约束条件，直到修复效果满足设定的阈值条件后进行输出，具体步骤如下：

第一步：首先通过下式计算N组不同遮挡的修复图像样本的结构相似性指数SSIM和峰值信噪比PSNR：

；

其中，x和y分别表示原始图像和修复后的图像，μ表示像素值的均值，σ为像素值的标准差，σ_xy表示x和y的协方差，而c₁=（k₁L_MAX）²，c₂=（k₂L_MAX）²，k₁设为0.01，k₂设为0.03，L_MAX表示像素值的最大可能取值，MSE表示均方误差，即为两个图像对应像素之间差值的平方的均值；

第二步：将所求得的结构相似性指数SSIM和峰值信噪比PSNR计算均值，将其作为约束条件的初始阈值：

；

式中SSIM（I_i）和PSNR（I_i）为N组不同遮挡的修复图像样本的结构相似性指数SSIM和峰值信噪比PSNR，SSIM_threshold和PSNR_threshold是约束条件初始阈值；

第三步：将计算得到的原始图像x和已修复图像y的结构相似性指数SSIM和峰值信噪比PSNR，与初始阈值SSIM_threshold和PSNR_threshold进行比较来判断修复程度，若大于阈值则认为修复效果是有效的，否则返回修复过程并通过调整比例因子α（0.1≤α≤0.5）和β（1≤β≤10）来更新阈值，直到修复效果满足设定的阈值条件后进行输出：

。

计算去除遮挡后图像的偏振角度图像，计算载体坐标系下的太阳方位角及导航坐标系下的太阳方位角的差值，从而得到航向角；

上述偏振角度图像通过计算0°、45°、90°和135°的四幅去除遮挡图像的光强值可以得到：

；

其中，Aop为偏振角度，V₁、V₂、V₃、V₄分别为0°、45°、90°和135°的四幅去除遮挡图像的光强值；

载体坐标系下的太阳方位角α_c由该坐标系下的太阳子午线的斜率k计算获得，载体坐标系下的太阳子午线通过附近的偏振角度值拟合得到：

；

而导航坐标系下的太阳方位角α_b由定位授时设备提供的位置时间信息配合天文日历知识进行解算获得：

；

θ_s是太阳高度角，α_b是导航坐标系下的太阳方位角，ω是地理纬度，δ是太阳赤纬角，t是太阳时角；

由式(8)和式(10)即可求得载体航向角Φ=α_b-α_c。

本发明通过U-Net神经网络可以精确分割采集图像中的复杂遮挡物，并将完整的预测掩模与输入图像结合在一起，作为样本块修复中的边界指导进行修复。其次采用基于视觉相干性和视觉显著性的图像完备性评价指标，进一步提升了修复图像中大气偏振模式导航信息的准确性。本发明在复杂遮挡环境下获取偏振信息具有较高的鲁棒性和可行性。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种复杂遮挡环境下的偏振导航定向方法，其特征在于，包括以下步骤：

S1:采用U-Net网络结构对偏振图像中的遮挡物进行分割，生成预测掩膜；

S2:采用神经网络预测掩膜来指导样本块修复；

S3:采用结构相似性指数SSIM和峰值信噪比PSNR作为图像修复的约束条件，直到修复效果满足设定的阈值条件后进行输出；

S4:将输出的修复图像进行计算得到偏振角度图像，计算载体坐标系下的太阳方位角及导航坐标系下的太阳方位角的差值，从而得到航向角。

2.根据权利要求1所述的一种复杂遮挡环境下的偏振导航定向方法，其特征在于，所述U-Net网络结构包括三个下采样模块和三个上采样模块，下采样模块通过卷积操作提取图像中遮挡物的细节特征信息，使得网络能够更加准确地捕捉输入图像的局部和全局特征，助于模型对偏振图像中的复杂遮挡物进行精准识别和分割；上采样模块则通过反卷积等操作将特征图扩展回原始分辨率，从而还原出更为精细的分割结果，生成预测掩膜。

3.根据权利要求2所述的一种复杂遮挡环境下的偏振导航定向方法，其特征在于，步骤S2中，用神经网络预测掩膜来指导样本块修复的方法：

采用神经网络预测的二值图作为边界条件去除遮挡区域，然后将去除遮挡后的图像划分样本块；

为了能够让输出图像中的每个图像块在输入图像中找到最佳匹配的样本块，用下式来计算图像块和样本块相应像素颜色值的差值和整体误差：

；

式中i为遍历像素的行索引，j为列索引，W和H分别是图像块imgPx和样本块samlePx的行数和列数，diff_sum是像素差值的平方和，overlap_error是图像块和样本块重叠区域的误差，该误差用于在拼接过程中确定最佳匹配的块，值越小表示两个块在颜色值上越接近，匹配度越高；

将待修复图像中的图像块与其最佳匹配块进行拼接来创建无缝纹理的修复图像，重复以上步骤，不断选择最佳匹配的样本块并将其拼接到图像块上，直到图像块达到图像的大小，以完成图像的修复过程。

4.根据权利要求3所述的一种复杂遮挡环境下的偏振导航定向方法，其特征在于，采用结构相似性指数SSIM和峰值信噪比PSNR作为约束条件对图像修复的方法：

采用步骤S2中N组去除遮挡的修复图像样本，计算其结构相似性指数SSIM（I_i）和峰值信噪比PSNR（I_i），并计算均值作为初始阈值SSIM_threshold和PSNR_threshold：

；

将计算得到的原始图像x和已修复图像y的结构相似性指数SSIM和峰值信噪比PSNR，与初始阈值SSIM_threshold和PSNR_threshold进行比较来判断修复程度，若大于阈值则认为修复效果是有效的，否则返回修复过程并通过调整比例因子α（0.1≤α≤0.5）和β（1≤β≤10）来更新阈值，直到修复效果满足设定的阈值条件后进行输出。

5.根据权利要求4所述的一种复杂遮挡环境下的偏振导航定向方法，其特征在于，采用修复图像、载体坐标系下的太阳方位角及导航坐标系下的太阳方位角的差值得到航向角的方法：

将输出的修复图像进行计算得到偏振角度图像，偏振角度图像通过计算0°、45°、90°和135°的四幅去除遮挡图像的光强值得到：

；

其中，Aop为偏振角度，V₁、V₂、V₃、V₄分别为0°、45°、90°和135°的四幅去除遮挡图像的光强值；

载体坐标系下的太阳方位角α_c由该坐标系下的太阳子午线的斜率k计算获得，载体坐标系下的太阳子午线通过附近的偏振角度值拟合得到：

；

而导航坐标系下的太阳方位角α_b由定位授时设备提供的位置时间信息配合天文日历知识进行解算获得：

；

θ_s是太阳高度角，α_b是导航坐标系下的太阳方位角，ω是地理纬度，δ是太阳赤纬角，t是太阳时角；

由式(8)和式(10)即可求得载体航向角Φ=α_b-α_c。