CN106911893B - 一种单像素计算成像方法 - Google Patents

一种单像素计算成像方法 Download PDF

Info

Publication number
CN106911893B
CN106911893B CN201710100038.XA CN201710100038A CN106911893B CN 106911893 B CN106911893 B CN 106911893B CN 201710100038 A CN201710100038 A CN 201710100038A CN 106911893 B CN106911893 B CN 106911893B
Authority
CN
China
Prior art keywords
pixel
matrix
data stream
phi
random binary
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201710100038.XA
Other languages
English (en)
Other versions
CN106911893A (zh
Inventor
赵西安
李现虎
吕京国
周命端
刘祥磊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Civil Engineering and Architecture
Original Assignee
Beijing University of Civil Engineering and Architecture
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing University of Civil Engineering and Architecture filed Critical Beijing University of Civil Engineering and Architecture
Priority to CN201710100038.XA priority Critical patent/CN106911893B/zh
Publication of CN106911893A publication Critical patent/CN106911893A/zh
Application granted granted Critical
Publication of CN106911893B publication Critical patent/CN106911893B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/80—Camera processing pipelines; Components thereof
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种单像素计算成像方法，首先生成一组随机二值方阵Φ1，Φ2，Φ3，…,ΦR，依次与归一化影像G(i,j)数据进行内积运算，生成单像素数据流Y1，Y2，Y3，…,YR；对Y1，Y2，Y3，…,YR进行傅里叶变换，利用其在频率域数据稀疏性和中心对称性对该频率域数据流进行数据压缩和数据恢复；利用随机二值矩阵Φ(L×m)与恢复后并进行傅里叶逆变换的Y1，Y2，Y3，…,YR或Y(L×n)矩阵，进行约束L1范数优化计算，重建原始影像，实现单像素计算成像的目的。上述方法能够提供单像素相机物理实现的数字仿真过程，解决了航空航天传感器大数据存储、传输以及大能耗的难题。

Description

一种单像素计算成像方法
技术领域
本发明涉及数字影像技术领域，尤其涉及一种单像素计算成像方法。
背景技术
遥感技术是从人造卫星、飞机或其他飞行器上获取地球的电磁辐射信息，识别和认知地球环境和资源的技术。航空和航天遥感能从不同高度、大范围、快速和多谱段地进行感测，周期性地获得实时地物信息。遥感技术广泛用于地球资源普查、植被分类、土地利用规划、农作物病虫害和作物产量调查、环境污染监测、地震监测等方面；同时广泛应用于军事侦察、导弹预警、军事测绘、海洋监视、气象观测和互剂侦检等。遥感传感器(数字相机)是遥感分析与识别的关键技术，迫切需要研制先进遥感器、信息传输和处理技术方法，以提高遥感器的分辨率和综合利用信息的能力。
卫星阵列推扫式成像仪利用一个平面反射镜，将来自地面的电磁波反射到反射镜组，然后聚焦在CCD阵列元件上，CCD的输出端以一路时序视频信号输出。由于使用线阵列的CCD元件作为探测器，在瞬间得到垂直航线的条带影像，不需要用摆动的扫描镜，按照缝隙式摄影机的推扫方式获取沿轨道的连续影像条带。由于现代航空和航天传感器具有的高空间分辨率、高光谱分辨率特性，需要进行大容量数据存储、大容量的数据传输以及大的能耗，而单像素成像技术正是为了解决上述问题提出的新技术方法，也为将来的深空探测奠定技术基础，但现有技术中缺乏行之有效的单像素计算成像方案。
发明内容
本发明的目的是提供一种单像素计算成像方法，该方法能够提供单像素相机物理实现的数字仿真过程，解决了航空航天传感器大数据存储、传输以及大能耗的难题，为遥感遥测提供了新型传感器解决方案。
一种单像素计算成像方法，所述方法包括：
步骤1、对m行n列原始影像g(i,j)(m×n,m<n)进行归一化处理，得到归一化后的影像G(i,j)数据；
步骤2、生成一组N维随机二值方阵组Φ1，Φ2，Φ3，…,ΦR；其中，方阵元素为0,1值；R＝L×n,L<m；
步骤3、在所述N维随机二值方阵组Φ1，Φ2，Φ3，…,ΦR，任选一随机二值(0,1)方阵Φr，取其m行n列得
Figure BDA0001231460070000021
矩阵；
步骤4、将
Figure BDA0001231460070000022
矩阵与步骤1得到的归一化影像G(i,j)进行内积运算，得到单像素数据流Y1，Y2，Y3，…,YR；
步骤5、对所生成的单像素数据流Y1，Y2，Y3，…,YR进行傅里叶变换，利用频率域空间数据稀疏性和中心对称性对该单像素数据流进行编码存储，实现单像素数据流的压缩。
在所述步骤2中：
具体利用计算数学随机生成函数，生成一组N维随机二值方阵组Φ1，Φ2，Φ3，…,ΦR。
在所述步骤4中具体按下式进行内积运算
Figure BDA0001231460070000023
其中，
Figure BDA0001231460070000026
为内积计算符号，
Figure BDA0001231460070000024
为取Φr的m行n列所得矩阵。
所述方法进一步包括：
步骤6、利用数据在频率域空间稀疏性和中心对称性，恢复频率域数据流；
步骤7、对恢复的频率域数据进行傅里叶逆变换，得到恢复的单像素数据流Y1，Y2，Y3，…,YR；
步骤8、选取随机二值矩阵Φ(L×m)与该恢复的单像素数据流Y1，Y2，Y3，…,YR或Y(L×n)矩阵，进行约束L1范数优化计算，以重建所述原始影像。
在所述步骤8中具体按照下述公式
Figure BDA0001231460070000025
进行约束L1范数优化计算，进而重建所述原始影像。
由上述本发明提供的技术方案可以看出，上述方法能够提供单像素相机物理实现的数字仿真过程，解决了航空航天传感器大数据存储、传输以及大能耗的难题，为遥感遥测提供了新型传感器解决方案。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。
图1为本发明实施例所提供单像素计算成像方法流程示意图。
具体实施方式
下面结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明的实施例，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，都属于本发明的保护范围。
下面将结合附图对本发明实施例作进一步地详细描述，如图1所示为本发明实施例所提供单像素计算成像方法流程示意图，所述方法包括：
步骤1、对m行n列影像g(i,j)(m×n,m<n)进行归一化处理，得到归一化后的影像G(i,j)数据；
在该步骤1中具体按下式计算归一化影像G(i,j)数据
G(i,j)＝g(i,j)/255,
Figure BDA0001231460070000034
其中i,j为对应影像的行、列。
步骤2、随机生成一组N维二值方阵组Φ1，Φ2，Φ3，…,ΦR；其中，方阵元素为0,1值；R＝L×n,L<m；
在该步骤2中，具体利用计算数学随机生成函数，生成一组N维随机二值方阵组Φ1，Φ2，Φ3，…,ΦR。
举例来说，具体按[0,1]区间均匀分布，混合同余法计算
(1)计算[0,1]区间随机数
Xn+1＝(λ·Xn+μ)％M
RAn+1＝Xn+1/M
参数λ＝216+1，M＝232，
Figure BDA0001231460070000031
(2)取整计算
当RAn+1≥0.5,
Figure BDA0001231460070000033
否则
Figure BDA0001231460070000032
N维方阵
Figure BDA0001231460070000041
步骤3、在所述N维随机二值方阵组Φ1，Φ2，Φ3，…,ΦR，任选一随机二值(0,1)方阵Φr，取其m行n列得
Figure BDA00012314600700000410
矩阵；
步骤4、将
Figure BDA0001231460070000042
矩阵与步骤1得到的归一化影像G(i,j)进行内积运算，得到单像素数据流Y1，Y2，Y3，…,YR；
在该步骤4中具体按下式进行内积计算
Figure BDA0001231460070000043
其中，i，j分别表示矩阵的行列号，
Figure BDA0001231460070000049
为内积计算符号。G(i,j)为步骤2得到的归一化影像数据，
Figure BDA0001231460070000044
为n维二值方阵φr(i,j)中任取m行得到的m×n矩阵，将该两矩阵进行内积运算，得到单像素数据Yr。
内积计算方法如下：
Figure BDA0001231460070000045
步骤5、对所生成的单像素数据流Y1，Y2，Y3，…,YR进行傅里叶变换，利用频率域空间的中心对称性对该单像素数据流进行编码存储，实现单像素数据流的压缩。
在该步骤5对该单像素数据流进行编码存储处理过程如下：
(1)将所生成的单像素数据流Y1，Y2，Y3，…,YR转化为Y(L×n)矩阵
Figure BDA0001231460070000046
(2)对矩阵
Figure BDA0001231460070000047
进行离散傅里叶变换
Figure BDA0001231460070000048
式中，u＝0,1,2...,L-1 v＝1,2,...n-1
(3)依据傅里叶变换在频率域稀疏特性，对F(u,v)值进行稀疏化处理，得到f(u,v),即
遍历u＝0,1,2...,L-1 v＝1,2,...n-1，
取f(u,v)＝0,当F(u,v)＜选定阈值；
否则f(u,v)＝F(u,v)
(4)依据傅里叶变换值在频率域空间对称性，对稀疏数据编码f(u,v)。当n为偶数时，保存数据f(u,v),u＝0,1,2,...L,v＝0,1,...,n/2,
否则f(u,v),u＝0,1,2...,L,v＝0,1,2...,(n-1)/2。
另外，具体实现中，在实现单像素数据流的压缩之后，还可以包括：
步骤6、利用数据在频率域空间稀疏性和中心对称性，恢复频率域数据流；
具体来说，可以利用上述数据
f(u,v),u＝1,2,...L v＝0,1,...n/2,或v＝0,1,...n/2
在频率域空间的对称性，恢复频率域数据；
F(u,v),u＝0,1,2,...L,v＝0,1,...,n
步骤7、对恢复的频率域数据进行傅里叶逆变换，得到恢复单像素数据流Y1，Y2，Y3，…,YR或Y(L×n)矩阵；
步骤8、选取随机二值矩阵Φ(L×m)与该恢复的单像素数据流Y1，Y2，Y3，…,YR；或Y(L×n)矩阵，进行约束L1范数优化计算，以重建所述原始影像。
在所述步骤8中具体可以按照下述公式
Figure BDA0001231460070000051
其按梯度投影优化计算过程如下
(1)约束L1范数优化转化为约束L2范数优化问题
Figure BDA0001231460070000052
等价于
Figure BDA0001231460070000053
式中
Figure BDA0001231460070000054
Figure BDA0001231460070000055
τ,l2n为非零参数。
(2)梯度投影算法过程如下
S1：输入已知数据Y,Φ,Z(0)，参数
Figure BDA0001231460070000063
k＝0和
迭代控制阈值T；
S2：计算
δ(k)＝(Z(k)-α(k)·▽F(Z(k)))+-Z(k)
S3：计算
Figure BDA0001231460070000061
Z(k+1)＝Z(k)+λ(k)·δ(k)
S4：计算
γ(k)＝(δ(k))TBδ(k)，
若γ(k)＝0，α(k+1)＝αmax，
否则
Figure BDA0001231460070000062
S5：若
|F(k+1)-F(k)|＞T,返回S2，否则结束。
从而实现重建所述原始影像G。
综上所述，本发明实施例所提供的方法能够提供单像素相机物理实现的数字仿真过程，解决了航空航天传感器大数据存储、传输以及大能耗的难题，为遥感遥测提供了新型传感器解决方案。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (5)

1.一种单像素计算成像方法，其特征在于，所述方法包括：
步骤1、对m行n列原始影像g(i,j)(m×n,m<n)进行归一化处理，得到归一化后的影像G(i,j)数据；其中，i,j为对应影像的行、列；m×n指影像具有的总行数和列数，m<n表示影像的行数小于列数；
步骤2、生成一组N维随机二值方阵组Φ1，Φ2，Φ3，…,ΦR；其中，方阵元素为0,1值；R＝L×n,L<m；其中，R为N维随机二值方阵的总个数；L为随机二值方阵Φ的行数；
步骤3、在所述N维随机二值方阵组Φ1，Φ2，Φ3，…,ΦR，任选一随机二值(0,1)方阵Φr，取其m行n列得
Figure FDA0002211202650000011
矩阵；其中，r为随机二值方阵中任选一方阵Φr，其对应的下标；
步骤4、将
Figure FDA0002211202650000012
矩阵与步骤1得到的归一化影像G(i,j)进行内积运算，得到单像素数据流Y1，Y2，Y3，…,YR；
步骤5、对所生成的单像素数据流Y1，Y2，Y3，…,YR进行傅里叶变换，利用频率域空间数据稀疏性和中心对称性对该单像素数据流进行编码存储，实现单像素数据流的压缩。
2.根据权利要求1所述单像素计算成像方法，其特征在于，在所述步骤2中：
具体利用计算数学随机生成函数，生成一组N维随机二值方阵组Φ1，Φ2，Φ3，…,ΦR。
3.根据权利要求1所述单像素计算成像方法，其特征在于，在所述步骤4中具体按下式进行内积运算
Figure FDA0002211202650000013
其中，"ο"为内积计算符号，
Figure FDA0002211202650000014
为取Φr的m行n列所得矩阵。
4.根据权利要求1所述单像素计算成像方法，其特征在于，所述方法进一步包括：
步骤6、利用数据在频率域空间稀疏性和中心对称性，恢复频率域数据流；
步骤7、对恢复的频率域数据进行傅里叶逆变换，得到恢复的单像素数据流Y1，Y2，Y3，…,YR；
步骤8、选取随机二值矩阵Φ(L×m)与该恢复的单像素数据流Y1，Y2，Y3，…,YR或Y(L×n)矩阵，进行约束L1范数优化计算，以重建所述原始影像。
5.根据权利要求4所述单像素计算成像方法，其特征在于，在所述步骤8中具体按照下述公式
Figure FDA0002211202650000021
进行约束L1范数优化计算，进而重建所述原始影像。
CN201710100038.XA 2017-02-23 2017-02-23 一种单像素计算成像方法 Expired - Fee Related CN106911893B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710100038.XA CN106911893B (zh) 2017-02-23 2017-02-23 一种单像素计算成像方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710100038.XA CN106911893B (zh) 2017-02-23 2017-02-23 一种单像素计算成像方法

Publications (2)

Publication Number Publication Date
CN106911893A CN106911893A (zh) 2017-06-30
CN106911893B true CN106911893B (zh) 2020-04-03

Family

ID=59208695

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710100038.XA Expired - Fee Related CN106911893B (zh) 2017-02-23 2017-02-23 一种单像素计算成像方法

Country Status (1)

Country Link
CN (1) CN106911893B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112468791B (zh) * 2020-11-25 2021-08-27 北京理工大学 基于单像素探测的光强测量迭代成像方法
CN113395501B (zh) * 2021-06-15 2022-03-08 北京理工大学 一种基于互补性质的傅里叶单像素成像方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004535873A (ja) * 2001-07-19 2004-12-02 コーニンクレッカ　フィリップス　エレクトロニクス　エヌ　ヴィ ボリューム画像のノイズ軽減方法
TWI337329B (en) * 2006-04-18 2011-02-11 Iner Aec Executive Yuan Image reconstruction method for structuring two-dimensional planar imaging into three-dimension imaging
CN102075749B (zh) * 2011-01-06 2012-08-08 西安电子科技大学 压缩感知框架下基于非凸模型的图像压缩重构方法
CN102759408B (zh) * 2011-04-25 2015-04-15 中国科学院空间科学与应用研究中心 一种单光子计数成像系统及其方法
CN102879782B (zh) * 2012-09-25 2014-07-09 北京理工大学 基于分数阶傅里叶变换的压缩感知sar成像方法
CN105467806B (zh) * 2015-01-06 2018-04-06 四川大学 单像素全息相机
CN106408516B (zh) * 2016-09-19 2019-09-20 广西科技大学 一种定向遥感的数据采集和重构方法

Also Published As

Publication number Publication date
CN106911893A (zh) 2017-06-30

Similar Documents

Publication Publication Date Title
Das et al. Deep-STEP: A deep learning approach for spatiotemporal prediction of remote sensing data
Sadeghi et al. Improving near real-time precipitation estimation using a U-Net convolutional neural network and geographical information
Rambour et al. Flood detection in time series of optical and sar images
Li Compressive sensing for 3D data processing tasks: applications, models and algorithms
CN104154998B (zh) 一种基于压缩感知的计算多光谱成像图谱的重构方法
CN102254054A (zh) 一种稀疏微波成像处理的模型构建方法
US10529079B2 (en) Target detection, tracking, and classification in compressive measurement domain
Dua et al. Convolution neural network based lossy compression of hyperspectral images
Hang et al. Graph regularized nonlinear ridge regression for remote sensing data analysis
Wang et al. PrecipGAN: Merging microwave and infrared data for satellite precipitation estimation using generative adversarial network
CN109447898B (zh) 一种基于压缩感知的高光谱超分辨计算成像系统
CN104748852A (zh) 一种基于压缩感知的计算多光谱成像系统
Mat Noor et al. Investigation into lossless hyperspectral image compression for satellite remote sensing
CN106911893B (zh) 一种单像素计算成像方法
Nguyen et al. Satellite data fusion of multiple observed XCO2 using compressive sensing and deep learning
Yu et al. Cloud removal in optical remote sensing imagery using multiscale distortion-aware networks
CN109087262B (zh) 一种多视图光谱图像的重建方法、存储介质
Millikan et al. Initialized iterative reweighted least squares for automatic target recognition
Rout et al. Deepswir: A deep learning based approach for the synthesis of short-wave infrared band using multi-sensor concurrent datasets
Cresson et al. Comparison of convolutional neural networks for cloudy optical images reconstruction from single or multitemporal joint SAR and optical images
Fasano et al. SAR data fusion using nonlinear principal component analysis
Fernando et al. Towards On-Board Panoptic Segmentation of Multispectral Satellite Images
Goklani et al. Image reconstruction using orthogonal matching pursuit (OMP) algorithm
Moon et al. Super resolution based on deep learning technique for constructing digital elevation model
Kawami et al. 2-Dimensional high-quality reconstruction of compressive measurements of phased array weather radar

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20200403

Termination date: 20210223