企业官网建设流程全解析

简介：围绕偏振图像处理与去噪的Python实践包，面向计算机视觉、图像分析与机器学习方向的学习者和研究者，可用于理解偏振成像特性、复现去噪流程并评估细节保持效果。压缩包共38个文件，约906KB，以15个py源码和14个pyc缓存为主，另含5张jpg示意图及txt说明、Dockerfile、license等，代码涵盖数据加载与变换、模型定义、评价指标、可视化及容器化环境，便于按模块阅读和运行。已有401人学习下载，说明其在相关小众方向具有一定参考价值。读者可借助随包数据集，在不同噪声与光照条件下测试中值滤波、高斯滤波、非局部均值等方法，也可结合网络模型观察去噪后纹理与偏振信息的保留情况，并利用指标脚本与可视化结果做对比分析，适合作为课程设计、课题预研或算法复现的起点。

1. 从一张“毛刺”DoLP图说起：这套偏振图像去噪工程能替你省掉哪些试错

做偏振图像去噪时，最容易被忽略的不是选 TV 还是 BM3D，而是数据形态：四张不同偏振角的强度图只要配准偏半个像素，DoLP 图就会长出满屏毛刺，后面调参全是玄学。这个 Python 工程把四方向强度图读取、Stokes 参数计算、DoLP/AoP 重算、TV/BM3D 基线和一个轻量 CNN 放在同一条管线里，连所用数据集和切分脚本一起给到。

它适合两类人：手里有偏振相机数据、想把去噪结果落到材料应力或目标检测前处理上的开发者；以及刚接触偏振成像、需要一套能跑通且指标可复现的基线的人。先跑scripts/run_baseline.py看一张 DoLP 对比图，比从零拼环境更快判断这套管线是否合你的数据。

2. 技术栈与工程骨架：numpy、OpenCV、scikit-image、PyTorch 各自管哪一段

这套工程的定位不是给偏振图套一个“美颜滤镜”，而是保证去噪后的 Stokes 分量还能重新算出物理上说得通的 DoLP 和 AoP。输入是同一场景下 0°、45°、90°、135° 四个偏振方向的强度图，输出是去噪后的 S0/S1/S2 三通道、重算的 DoLP/AoP，以及 PSNR、SSIM、AoP 角度误差这些可对比的指标。技术选型围绕“先把传统基线跑稳，再上学习型方法”展开，依赖不多，但每层职责分得比较开。

2.1 为什么偏振去噪不能照搬 RGB 去噪管线

RGB 去噪的常见流程是“读图、加噪、去噪、算 PSNR”，人眼看着干净就算过。偏振图不行。DoLP 是sqrt(S1^2 + S2^2) / S0，低照度区域 S0 一小，分母把噪声直接放大；AoP 又带 π 周期，普通 MSE 会把相差 π 的角度当成巨大误差。直接对 DoLP 图做滤波，视觉上可能平滑了，但去噪后的 DoLP 已经不再来自同一组 Stokes 分量，物理一致性就断了。

所以工程里坚持一条主线：噪声在 S0/S1/S2 上处理，DoLP 和 AoP 只做重算，不单独当滤波输入。传统基线用 TV 或 BM3D 对三个 Stokes 分量逐通道去噪，学习型方法则把 S0/S1/S2 拼成三通道输入，让网络在残差上学噪声。这样改损失函数、换网络结构时，评估仍然落在同一套物理量上，不会出现“指标好看但偏振信息糊掉”的翻车。

2.2 目录结构与依赖边界

工程目录按“数据进、算法出、脚本串”来分，避免把训练代码和数据处理揉在一个文件里。下面这棵树是常见骨架，实际拿到后先对照自己的数据命名改dataio.py里的 glob 规则。

polar_denoise/ ├── data/ │ ├── raw/ │ │ └── scene_001/ │ │ ├── scene_001_0.png │ │ ├── scene_001_45.png │ │ ├── scene_001_90.png │ │ └── scene_001_135.png │ └── splits/ ├── configs/ │ └── cnn.yaml ├── src/ │ ├── dataio.py │ ├── stokes.py │ ├── denoise.py │ ├── metrics.py │ ├── model.py │ └── train.py ├── scripts/ │ ├── run_baseline.py │ ├── infer.py │ └── make_split.py ├── requirements.txt └── README.md

data/raw下按场景分文件夹，每个场景放四个偏振角的强度图，工程配套的数据集也按这个约定组织；data/splits存按场景切分的训练/验证列表，避免每次跑脚本都重新随机。src/stokes.py只做 Stokes 和偏振量计算，src/denoise.py放 TV、BM3D 和推理封装，src/model.py只定义网络。这样二次开发时换网络不用动数据读取，换数据读取也不用碰训练循环。

2.3 配置项怎么落到命令行

训练参数放 YAML，基线脚本用命令行参数覆盖，避免把 batch size、学习率散落在代码里。配置文件里只放真正会变的项，路径和模型宽度分开，换数据集时改data.root就行。

data: root: data/raw patch_size: 128 batch_size: 8 model: in_ch: 3 width: 32 train: epochs: 50 lr: 0.0001 loss: l1

patch_size控制训练时随机裁剪的空间尺寸，偏振图边缘配准误差大，裁太小会把边缘伪影学进去；batch_size按显存调，in_ch固定为 3 对应 S0/S1/S2，width是 CNN 第一层通道数，先小后大比一上来堆宽更稳。loss先留l1，后面换polar_loss时在训练脚本里加分支。

python scripts/run_baseline.py --data data/raw --method tv --weight 0.08 --out outputs/tv python scripts/train.py --config configs/cnn.yaml python scripts/infer.py --ckpt outputs/cnn/best.pth --input data/raw/scene_001 --out outputs/scene_001

第一条跑 TV 基线，--weight越大越平滑，先从小值试，看 DoLP 边缘有没有被抹平；第二条按配置训练；第三条加载权重对单个场景推理。三条命令对应“先看传统方法效果、再训学习型模型、最后落到单场景”的顺序，别一上来就训练，先用基线确认数据读取和偏振量计算没出错。

3. 数据管线拆解：四方向强度图如何变成 Stokes、DoLP 与 AoP

数据管线是这套工程最值得先读的部分。偏振图像去噪的很多问题不是出在去噪算法，而是四方向图没对齐、位深归一化写错、训练集和验证集来自同一场景的相邻 patch。工程把读取、Stokes 计算、切分拆成三个独立步骤，每一步都能单独打印中间结果检查。

3.1 读取与命名约定

读取函数只认“场景目录 + 角度后缀”这一种约定，文件名里必须能明确看出 0/45/90/135。配套数据集按这个规则命名，换成自己的数据时改 glob 表达式即可。位深归一化按 dtype 判断，不写死 255，这是后面 DoLP 不爆掉的前提。

from pathlib import Path from typing import Union import cv2 import numpy as np ANGLES = ("0", "45", "90", "135") def read_polar_scene(scene_dir: Union[str, Path]) -> dict: scene_dir = Path(scene_dir) images = {} for ang in ANGLES: # 常见命名：scene_001_0.png / scene_001_45.tif candidates = list(scene_dir.glob(f"*_{ang}.*")) if len(candidates) != 1: raise FileNotFoundError(f"{scene_dir} 下角度 {ang} 的图像数量为 {len(candidates)}") img = cv2.imread(str(candidates[0]), cv2.IMREAD_UNCHANGED) if img is None: raise ValueError(f"读不到 {candidates[0]}") if img.ndim == 3: img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 16 位图不能按 255 归一化，否则 S0 尺度直接错 max_val = 65535.0 if img.dtype == np.uint16 else 255.0 images[ang] = img.astype(np.float32) / max_val shapes = {v.shape for v in images.values()} if len(shapes) != 1: raise ValueError(f"四个角度尺寸不一致: {shapes}") return images

这段代码先按角度找唯一文件，找到多个或零个都直接报错，避免静默读错图。灰度化放在归一化之前，彩色偏振图通常不是这套管线的目标；如果原始数据是彩色，先确认四个角度是否同一通道顺序。max_val按uint16和uint8分支，images里统一成 0~1 的 float32。参数上scene_dir是一个场景文件夹，不是整个数据集根目录；跑批量时在外层遍历data/raw下的子目录。

3.2 Stokes 参数计算与数值保护

Stokes 计算是偏振量的入口，公式不复杂，但 eps 和 clip 不能省。S0 用四个方向平均，S1、S2 用差分，DoLP 算完裁到 0~1，AoP 用arctan2保留象限。

import numpy as np def compute_stokes(i0, i45, i90, i135, eps=1e-6): s0 = (i0 + i45 + i90 + i135) / 2.0 s1 = i0 - i90 s2 = i45 - i135 dolp = np.sqrt(s1 ** 2 + s2 ** 2) / (s0 + eps) dolp = np.clip(dolp, 0.0, 1.0) aop = 0.5 * np.arctan2(s2, s1) return {"S0": s0, "S1": s1, "S2": s2, "DoLP": dolp, "AoP": aop}

eps防止全黑区域除零，clip处理实际采集里 DoLP 略大于 1 的情况，arctan2让 AoP 落在-π/2到π/2。参数i0到i135是四个已归一化的 float32 数组，形状必须一致。这里用四方向平均算 S0，比只取i0 + i90更抗单通道异常；如果相机手册给的是另一种 S0 定义，改这一行就行，但整条管线要一起改，不能训练用一种、评估用另一种。

注意：S1、S2 有负值，写入 8 位 PNG 前要先做可视化映射，不要直接截断到 0~255 当训练标签。

3.3 数据集切分与增强的边界

切分按场景走，不按 patch 随机切。同一场景的相邻 patch 同时进训练和验证，指标会虚高，这是偏振去噪里很常见的泄漏。配套数据集如果已经给了场景列表，直接用；没有就用下面这段按目录名切。

import random from pathlib import Path scenes = sorted([p.name for p in Path("data/raw").iterdir() if p.is_dir()]) random.seed(42) random.shuffle(scenes) n_val = max(1, int(len(scenes) * 0.2)) val_scenes, train_scenes = scenes[:n_val], scenes[n_val:]

seed固定保证可复现，0.2是验证比例，场景少的时候至少留一个验证场景。这里有个血泪经验：不要用随机裁剪后的 patch 直接分训练验证，先分场景再裁 patch，否则同一个划痕会在两边都出现。数据增强也要克制，随机裁剪、加噪、亮度微扰可以；任意旋转和水平翻转要谨慎，翻转会改变 AoP 的参考方向，除非同步修正角度，否则网络学到的偏振关系是乱的。

4. 去噪核心：TV 基线、BM3D 对照与轻量 CNN 的落地写法

去噪模块分三层：TV 基线保证工程能跑通，BM3D 做对照，轻量 CNN 做可训练扩展。三层共用同一套 Stokes 输入和同一套评估，换方法时不换数据口径，结果才有可比性。传统方法先跑，能快速暴露配准和位深问题；学习型方法后上，避免把数据 bug 当成模型不收敛。

4.1 TV 去噪与偏振量重算

TV 基线对 S0、S1、S2 逐通道去噪，再去重算 DoLP/AoP。逐通道不是最优，但实现简单、参数少，适合当第一版对照。

import numpy as np from skimage.restoration import denoise_tv_chambolle def denoise_stokes_tv(stokes, weight=0.08): out = {} for key in ("S0", "S1", "S2"): out[key] = denoise_tv_chambolle(stokes[key], weight=weight, channel_axis=None) out["DoLP"] = np.clip( np.sqrt(out["S1"] ** 2 + out["S2"] ** 2) / (out["S0"] + 1e-6), 0, 1 ) out["AoP"] = 0.5 * np.arctan2(out["S2"], out["S1"]) return out

weight是 TV 的平滑权重，越大去噪越强，但 S1/S2 的弱纹理也更容易被抹掉。参数上先试 0.04、0.08、0.12 三档，看 DoLP 边缘和 AoP 过渡区，不要只看 S0 的 PSNR。channel_axis=None表示逐灰度通道处理，这里每个 Stokes 分量本来就是单通道。逐通道去噪会轻微破坏 S0/S1/S2 之间的相关性，如果发现 DoLP 出现块状伪影，可以把三个分量叠成三通道一起做 TV，但权重需要重新调。

4.2 BM3D 对照实验的接入方式

BM3D 作为对照，接口单独包一层，没装就明确报错，不让基线脚本静默跳过。sigma_psd不要拍脑袋，先从噪声图估计，或者在小网格里搜。

try: import bm3d except ImportError: bm3d = None def denoise_stokes_bm3d(stokes, sigma_psd=0.02): if bm3d is None: raise ImportError("bm3d 未安装，先跑 TV 基线或安装后再试") out = {} for key in ("S0", "S1", "S2"): out[key] = bm3d.bm3d(stokes[key], sigma_psd=sigma_psd) out["DoLP"] = np.clip( np.sqrt(out["S1"] ** 2 + out["S2"] ** 2) / (out["S0"] + 1e-6), 0, 1 ) out["AoP"] = 0.5 * np.arctan2(out["S2"], out["S1"]) return out

sigma_psd是噪声标准差，按 0~1 归一化后的尺度给，0.02 只是起步值。BM3D 对 S1/S2 的负值能处理，但去噪后可能产生轻微偏移，重算 DoLP 前不要额外裁剪负值。参数上stokes是compute_stokes的返回字典，sigma_psd建议从 0.01 到 0.05 扫一遍，看 AoP 误差而不是只看 SSIM。BM3D 比 TV 慢，批量跑的时候先拿几个场景验证参数，再全量跑。

4.3 轻量 CNN 训练与推理

学习型方法不追求大网络，先用一个残差 CNN 把 S0/S1/S2 三通道的噪声学出来。输入做逐通道标准化，输出残差加回输入，训练目标可以是 L1，后面再换带梯度约束的损失。

import torch from torch import nn class PolarDenoiseNet(nn.Module): def __init__(self, in_ch=3, width=32): super().__init__() self.body = nn.Sequential( nn.Conv2d(in_ch, width, 3, padding=1), nn.ReLU(inplace=True), nn.Conv2d(width, width, 3, padding=1), nn.ReLU(inplace=True), nn.Conv2d(width, in_ch, 3, padding=1), ) def forward(self, x): # 残差学习：网络只预测噪声，输出加回输入 return x + self.body(x)

in_ch=3对应 S0/S1/S2，width=32是中间通道数，先小后大。输入不能直接拿原始 Stokes 值，S1/S2 有负值且量级和 S0 不同，训练前按训练集均值方差做逐通道标准化，推理时再反标准化。残差结构适合去噪，因为噪声占比较小，网络学残差比直接学干净图更容易收敛。参数上width翻倍会明显增加显存，先 32 跑通再试 48 或 64。

def train_one_epoch(model, loader, optimizer, criterion, device): model.train() total = 0.0 for noisy, clean in loader: noisy, clean = noisy.to(device), clean.to(device) pred = model(noisy) loss = criterion(pred, clean) optimizer.zero_grad() loss.backward() optimizer.step() total += loss.item() * noisy.size(0) return total / len(loader.dataset)

loader返回的noisy和clean都是三通道 Stokes 张量，criterion先用 L1，稳定后再换组合损失。device按环境给，total按样本数加权平均，避免最后一个 batch 小导致 epoch loss 抖动。训练时先冻结验证集场景，不要在训练中途用验证场景调增强参数，否则指标会偏乐观。

4.4 指标评估：PSNR/SSIM 不够时看什么

PSNR 和 SSIM 能看强度图恢复，但偏振量还要看 AoP 的角度误差。AoP 有 π 周期，普通 MAE 会把-π/2和π/2算成大误差，工程里用 2 倍角把周期消掉再算平均绝对误差。

import numpy as np from skimage.metrics import peak_signal_noise_ratio, structural_similarity def eval_psnr_ssim(gt, pred, data_range=1.0): return { "psnr": peak_signal_noise_ratio(gt, pred, data_range=data_range), "ssim": structural_similarity(gt, pred, data_range=data_range), } def aop_mae(gt, pred): # AoP 周期为 π，用 2 倍角映射后再比较 diff = np.angle(np.exp(1j * 2 * (pred - gt))) / 2.0 return float(np.mean(np.abs(diff)))

data_range=1.0对应归一化后的输入，如果换回 8 位图要改成 255。aop_mae返回弧度误差，看平均误差的同时也看高亮边缘区域的最大误差。参数上gt和pred形状要一致，DoLP 评估前先裁掉配准边缘，否则边缘误差会拉高整体指标。

5. 避坑与排查：偏振去噪工程里最容易翻车的五处

偏振去噪的排查顺序和普通图像去噪不一样，先看物理量对不对，再看网络收不收敛。下面五处是这套工程里最容易翻车的地方，每条按现象、原因、解决写，照着查能省不少时间。

5.1 数据与坐标类问题

1. 现象：DoLP 图边缘出现一圈亮边或毛刺，去噪后仍然存在。原因：四个偏振角的强度图没有严格配准，或者采集时场景动了，差分 S1/S2 把位移放大成边缘伪影。解决：先对四方向图做同一裁切，去掉边缘若干像素；采集时固定场景和相机，能用同一帧触发就不要分时拍。配准没解决之前，调 TV 权重和网络层数都是白费。

2. 现象：S0 整体偏亮或偏暗，DoLP 接近 0 或大面积饱和。原因：位深归一化写死成除以 255，16 位图读进来后数值全在 0~255 之外；或者彩色转灰度时通道顺序不对。解决：按img.dtype选max_val，读入后打印min/max确认范围；彩色图先确认四方向是否同一通道，不要直接cvtColor了事。

3. 现象：去噪后的 DoLP 很平滑，但和原始 Stokes 对不上，物理一致性丢了。原因：直接对 DoLP 图做滤波，或者对 DoLP 和 S0/S1/S2 分别去噪后再拼。解决：只对 S0/S1/S2 去噪，DoLP 和 AoP 一律从去噪后的 Stokes 重算；评估时也以重算结果为准，不要拿滤波后的 DoLP 当标签。

5.2 训练与评估类问题

4. 现象：训练集 PSNR 很高，换一个场景就明显掉点。原因：按 patch 随机切分，同一场景的相邻块同时进训练和验证，模型记住了场景纹理而不是噪声分布。解决：按场景切分，先分场景再裁 patch；验证集场景在训练时完全不出现，增强参数也不在验证集上调。

5. 现象：AoP 指标忽大忽小，肉眼看着角度差不多但误差很高。原因：用普通 MSE 或 MAE 比较角度，π 周期导致-π/2和π/2被当成反向误差。解决：用 2 倍角映射后的圆统计误差，评估前裁掉配准边缘，同时看平均误差和边缘区域误差。BM3D 的sigma_psd也要在验证场景上扫，不要拿训练场景的最优值直接套。

排查顺序建议先跑单场景可视化：读四方向图、算 Stokes、看 DoLP/AoP 原图，再跑去噪和重算。单场景对不上，不要进批量；批量指标异常，先查切分泄漏和位深，再查网络。传统基线能跑通、指标合理，再上 CNN，这样出问题时能判断是数据还是模型。

6. 二次开发改造：从换数据集到换损失函数的可验证路径

换数据集先别急着训练，按下面这张表过一遍，能挡掉大部分低级错误。配套数据集的结构和工程约定一致时，改data.root和dataio.py的命名规则即可；结构不一致时，先写一个转换脚本把四方向图整理成“场景目录 + 角度后缀”，再动训练代码。

改损失函数时，先保持网络和数据不变，只换损失跑短周期对比。比如在 L1 上加梯度一致性，让去噪后的 Stokes 梯度靠近干净图，代码可以这样写：

import torch def polar_loss(pred, target, w_grad=0.1): l1 = torch.abs(pred - target).mean() dx_pred = pred[:, :, :, 1:] - pred[:, :, :, :-1] dx_gt = target[:, :, :, 1:] - target[:, :, :, :-1] dy_pred = pred[:, :, 1:, :] - pred[:, :, :-1, :] dy_gt = target[:, :, 1:, :] - target[:, :, :-1, :] grad = torch.abs(dx_pred - dx_gt).mean() + torch.abs(dy_pred - dy_gt).mean() return l1 + w_grad * grad

w_grad从 0.05 到 0.2 试，太大容易把噪声当纹理保留，太小对边缘帮助不明显。验证方法不是只看 PSNR，要同时看 DoLP 边缘和 AoP 圆误差；如果 PSNR 涨了但 AoP 误差变差，说明损失在强度上过拟合。换网络也一样，先固定损失和数据，只改宽度或层数，跑三个种子看方差，别拿一次结果下结论。

从那以后我每次换数据集，都先只跑 10 张图的可视化，确认四方向对齐、位深和 DoLP 重算没问题，再开训练；这个习惯替我省掉了不少“模型不收敛”的后悔药。希望帮到你。

本文还有配套的精品资源，点击获取