近日，西北工業大學光電與智能研究院李學龍教授團隊圍繞“臨地安防”中的涉水視覺領域，開展了前端光電成像結合后端智能處理的一體化探索，嘗試打通從光電數據獲取到數據智能處理的感算通道。以圖像局部化學習理論為指導，在光電成像前端，利用智能分塊算法對調制光場進行邊緣精細化處理，緩解了傳統涉水光電成像中圖像邊緣信息模糊的難題，提升了圖像重構的質量，形成了光電成像數據精確獲取與處理的一體框架，為多模態涉水視覺數據的感知和處理提供了技術支撐，是“臨地安防”的典型應用之一。

地球表面大約70%被海洋覆蓋，海洋中蘊藏著未知的生物和巨大的能源資源，對地球生命的延續起著重要作用。涉水智能成像技術在海洋科考、資源勘探、地貌繪制、水下考古等領域具有重要的應用前景。然而，受深海環境極端、水體吸收散射的影響，尤其是湍流水體的強散射作用影響，傳統點對點式成像無法完整保存目標的空間信息。就像圖中的潛水員，使用傳統相機，圖像的細節信息往往被淹沒于背景散射光中，造成圖像信噪比嚴重下降，很難拍出高清畫質的照片。為解決該問題，西北工業大學光電與智能研究院李學龍教授團隊圍繞臨地安防，以邊緣增強的水下智能成像為目標，展開了人工智能賦能的光電成像技術研究，為邊緣信息高質量重構提供了新途徑。

IEGI方法框架圖

團隊提出了邊緣信息增強的智能成像方法（ILNet），圖1展示了ILNet的原理框架?；谝员３謭D像信息完整性為目標的張量結構化表征理論，利用智能成像的抗干擾性以及深度網絡的信息提取能力，構建多模態認知計算框架，解決傳統成像方法在圖像智能重構時，邊緣信息嚴重損失的問題，在模擬真實的湍流水環境中，實現了低采樣率、邊緣增強的目標圖像智能重構。此外，ILNet使用探測到的光強信息為標簽訓練網絡參數，極大節約了數據采集成本，提高了未訓練場景下的泛化能力，為水下強噪聲環境的智能光電成像提供了技術儲備。相關工作發表在Optics & Laser Technology上。

ASF-Transformer方法示意圖

在此基礎上，團隊結合物理先驗和智能算法，提出了空域頻域交替學習的湍流畸變修正方法（ASF-Transformer），有效降低了圖像受大氣湍流影響形成的噪聲、畸變和偽影，提升了圖像重構的質量。該方法對成像原理和分布傳播理論進行整合，設計了自相關注意力機制來進行頻域學習，并利用多頭轉置注意力機制來減少空域學習的計算量，通過大規模數據的監督學習，顯著緩解湍流對光學成像的影響，性能達到國際領先水平。相關工作發表在Optics Express上。

近年來，智能光電成像技術快速發展，應用場景不斷拓展深化。作為光電領域與智能領域的交叉技術，智能光電成像打通了從數據獲取到數據處理的感算通道，能夠有效緩解湍流、散射等復雜多變的場景干擾，為涉水探測等臨地安防應用提供了新的技術支撐。

涉水光學實驗室