CN107798290A - 基于光子计数的三维图像信噪分离和混合正则化重构方法 - Google Patents
基于光子计数的三维图像信噪分离和混合正则化重构方法 Download PDFInfo
- Publication number
- CN107798290A CN107798290A CN201710828848.7A CN201710828848A CN107798290A CN 107798290 A CN107798290 A CN 107798290A CN 201710828848 A CN201710828848 A CN 201710828848A CN 107798290 A CN107798290 A CN 107798290A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- noise
- pixel
- signal
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000000926 separation method Methods 0.000 title claims abstract description 21
- 238000009825 accumulation Methods 0.000 claims abstract description 8
- 238000001914 filtration Methods 0.000 claims abstract description 8
- 238000001514 detection method Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000002310 reflectometry Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 4
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 abstract description 10
- 238000005516 engineering process Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
为了解决采用光子计数探测器的三维成像激光雷达在强噪声环境下工作性能下降的技术问题，本发明提供了一种基于光子计数的三维图像信噪分离和混合正则化重构方法，采用滑动时间窗法确定每一个像素上的信号聚类集，并滤除信号聚类集时间窗口以外的噪声计数；若某像素上既没有信号计数也没有噪声计数时，借用邻域像素上的计数信息，用空间累积来代替时间累积过程构造超像素，之后再次采用滑动时间窗口法滤除噪声；最后，利用结合全变分正则项、小波正则项和轮廓波正则项的混合正则化方法对初步滤噪图像进行再次处理，最终得到高质量的三维图像。本发明在强背景噪声情况下，能有效地将信号光子从噪声中分离出来，实现目标三维图像的快速精确重构。
Description
技术领域
本发明涉及一种基于光子计数的三维图像信噪分离和混合正则化重构方法，适用于光子计数三维成像激光雷达系统。
背景技术
激光雷达是一种能够精确、快速获取目标三维空间信息的主动式雷达探测系统，基本原理是采用激光器发射高重复频率的激光脉冲至待测目标，经过待测目标反射后，对返回的回波光信号经过光电转换、飞行时间测量得到目标反射率信息和距离信息，在国防和民用等领域都具有广泛应用。
传统三维成像激光雷达所采用的探测器，一般是工作于线性模式的雪崩光电二极管光电探测器，但线性模式下工作的雪崩光电二极管不能最有效地利用待测目标返回的回波光信号的能量，从而限制了激光雷达的工作距离。
近年来，基于光子计数探测器的激光雷达受到广泛关注，采用光子计数探测器的三维成像激光雷达可以响应单光子能量水平的目标回波，从而充分利用激光回波中的光子能量，极大地提高探测灵敏度，使得系统激光能量需求更低、探测距离更远。然而，采用光子计数体制后，在提高探测灵敏度的同时，也带来了源于光子粒子性的量子噪声，以及探测器暗计数和背景光的噪声影响。特别是在实际低信杂比(信号与杂散噪声计数速率之比)情况下，光子计数三维成像技术的缺点尤为凸显：为了抑制回波光子探测过程中固有的泊松噪声，每个像素需要累积成百上千个光子信号，才能形成准确的回波光子直方图，导致成像时间成本极大增加。
因此，在强背景噪声情况下，有效地将信号光子从噪声中分离出来，并实现目标三维图像的快速精确重构是光子计数体制激光雷达亟须解决的关键技术之一。
发明内容
基于上述背景技术，为了解决采用光子计数探测器的三维成像激光雷达在强噪声环境下工作性能下降的技术问题，本发明提供了一种基于光子计数的三维图像信噪分离和混合正则化重构方法，在强背景噪声情况下，能有效地将信号光子从噪声中分离出来，实现目标三维图像的快速精确重构。
本发明的技术解决方案为：
一种基于光子计数的三维图像信噪分离和混合正则化重构方法，步骤如下：
1)逐像素从原始数据中提取数据；
2)判断当前待处理的像素是否为空白像素，若是，执行步骤5)；若否，执行步骤3)；
3)单像素信号噪声分离：
3.1)设定时间窗宽度Tw和信号聚类集最小尺寸Nc，定义聚类集V{Tw，Nc}；
3.2)采用滑动时间窗法自适应地确定当前像素上的所有聚类集；
3.3)在步骤3.2)中选取尺寸最大的聚类集作为信号聚类集；
3.4)判断信号聚类集尺寸是否大于Nc，若是，执行步骤3.5)；若否，则置该像素为空集，待后续采用正则化算法进行重构；
3.5)保留信号聚类集内的信号光子，滤除信号聚类集外的噪声光子，完成单像素信号噪声分离；
3.6)计算初步滤除噪声后的飞行时间估计值：从而计算得到初步滤噪后的距离估计值：其中，ti，j∈Vi,j表示信号聚类集Vi，j中所有回波光子的飞行时间，c为光速常数；
4)判断是否所有像素处理完毕，若是，执行步骤7)；若否，转移至下一像素点，执行步骤2)；
5)借用所述空白像素的邻域像素上的光子计数信息，用空间累积来代替时间累积过程，构造超像素；
6)采用步骤3)的方法对所述超像素进行信号噪声分离；
7)混合正则化三维图像重构：
结合全变分正则项、小波正则项和轮廓波正则项的混合正则化方法，对滤噪后的图像进行再次处理，得到高质量的三维图像；其中，全变分正则项用于刻画目标的梯度特征；小波正则项主要用于刻画目标的细节特征；轮廓波正则项主要用于刻画目标的轮廓特征。
进一步地，上述步骤3.1)中：时间窗宽度Tw大于激光脉冲宽度Tp且远小于探测周期宽度Tr(即Tw比小至少3个数量级或3个左右数量级)；依据噪声水平，按照如下公式选定聚类集最小尺寸Nc值：
其中，k为时间窗Tw内Nc到Nr之间的光子计数数目，τFA为错误容限阈值，Nr为每个像素上总探测脉冲个数，即总探测次数，Pn为探测到噪声光子的概率：nr为单位时间间隔的噪声计数速率，τFA＜0.1。
进一步地，上述步骤3.2)具体为：以每个时刻上的回波光子为起点，以时间窗宽度Tw为边界范围，寻找聚类集：其中，l∈{1,...,ki,j}，Dl表示满足不等式的所有回波光子的集合，即光子飞行时间处于以为起点，以Tw为宽度的时间窗内的所有回波光子，k为该集合内回波光子的索引。
进一步地，上述步骤5)中构造超像素的方法具体为：
5.1)以空白像素为中心定义一个方形邻域，采用空白像素与最边缘邻域像素之间的距离dp定义邻域尺寸，dp值取1到3；
5.2)定义反射率差值容限阈值τp，τp一般取所有像素反射率动态范围的5％，反射率计算公式如下：
其中，B为单次探测周期内的噪声计数，S为单次脉冲所发射的光子数目，η为探测器量子效率；
5.3)选取方形邻域内的可靠回波光子填补空白像素；满足如下公式条件的回波光子可填补空白像素，构成超像素Ni，j；
其中，(i,j)为空白像素坐标，(x,y)为满足条件的邻域像素坐标，xp和yp分别为所有像素的行数和列数，和分别为坐标(i,j)和(x,y)上的反射率。
进一步地，上述步骤7)具体为：
7.1)计算关于光子飞行时间的负对数似然函数：
其中，s(t)是激光脉冲函数，c是光速常数；zi，j为每个像素待估计的距离信息；
7.2)采用全变分-小波-轮廓波混合正则项进行稀疏度测量，构建带混合正则项的凸优化求解问题，如下公式所示：
其中，xp和yp分别为行数和列数；L(·)为负对数似然函数保真项；pen(zi，j)为混合正则项；为权重系数向量，用来平衡保真项和混合正则项；W1为小波基；W2为轮廓波基，||·||1为1范数；||zi,j||TV为全变分正则项；
7.3)对步骤7.2)构建的凸优化问题进行求解，得到距离三维图像的最优估计值。
本发明与现有技术相比，具有以下优点：
(1)本发明首先基于目标回波光子和杂散噪声光子的探测时间的泊松过程模型逐像素从噪声中分离信号，然后基于无噪声干扰的简单估计模型完成图像推演，不仅可以有效避免传统方法带来的成像过度平滑、细节信息丢失等问题，更为重要的是提高了成像系统在强噪声环境下的工作性能。
(2)本发明无需长时间累积光子飞行时间直方图，而是通过建立准确的单光子探测物理模型，利用回波光子在探测周期内的概率分布并结合混合正则化算法，利用少数的回波光子信息重构目标三维图像，同时，混合正则化方法有助于刻画目标细节特征从而提高成像质量。
附图说明
图1为本发明的方法流程图。
具体实施方式
如图1所示，本发明所提供的基于光子计数的三维图像信噪分离和混合正则化重构方法包括以下步骤：
1)逐像素从原始数据中提取数据；
2)判断待处理的像素是否为空白像素，若是，执行步骤5)；若否，执行步骤3)；
3)单像素信号噪声分离：
依据探测周期内信号光子分布集中而噪声光子分布比较分散的特点，采用滑动时间窗法自适应地确定该像素上的信号聚类集，符合信号聚类集定义的为信号，否则为噪声；具体方法如下：
3.1)定义某一像素(i,j)上的回波光子数据集Ti,j为其中，表示第ki，j个回波光子的飞行时间，ki，j表示该像素上共有ki，j个回波光子；
3.2)设定时间窗宽度Tw和信号聚类集最小尺寸Nc，定义信号聚类集V{Tw，Nc}；
时间窗宽度Tw须大于激光脉冲宽度Tp且远小于(约3个数量级或者至少3个数量级)探测周期宽度Tr，从而保证几乎所有的信号光子都被包含在时间窗宽度Tw之内并且将绝大多数噪声光子被隔离在时间窗宽度Tw之外，一般可取Tw＝2Tp；
依据噪声水平，按照如下公式进行选定聚类集最小尺寸Nc值：
其中，k为时间窗Tw内Nc到Nr之间的光子计数数目，τFA为错误容限阈值，Nr为每个像素上总探测脉冲个数，即总探测次数，Pn为探测到噪声光子的概率：nr为单位时间间隔的噪声计数速率，一般取τFA＜0.1，从而使得到信号聚类集更可靠；
3.3)以每个时刻上的回波光子为起点，以时间窗宽度Tw为边界范围，寻找聚类集：其中，l∈{1,...,ki,j}，Dl表示满足不等式的所有回波光子的集合，即光子飞行时间处于以为起点，以Tw为宽度的时间窗内的所有回波光子，k为该集合内回波光子的索引；
3.4)在步骤3.3)中获得的聚类集Dl中选择尺寸最大的作为信号聚类集Vi，j，
{Vi，j：|Vi，j|＝maxl|Dl|},令
意即取所有聚类集{Dl}中尺寸最大的为信号聚类集Vi，j，其中，为信号聚类集Vi，j的模或尺寸，即信号聚类集中回波光子个数；
3.5)判断信号聚类集尺寸是否大于Nc，若保留信号聚类集Vi，j内的信号光子，滤除其以外的噪声光子，完成单像素信号噪声分离；若则置该像素为空集待后续采用正则化算法进行重构；
3.6)计算初步滤除噪声后的飞行时间估计值：从而计算得到初步滤噪后的距离估计值：其中，ti，j∈Vi,j表示信号聚类集Vi，j中所有回波光子的飞行时间，c为光速常数；
4)判断是否所有像素处理完毕，若是，执行步骤7)；若否，转移至下一像素点，执行步骤2)；
5)当存在空白像素，即该像素上既没有信号计数也没有噪声计数时，借用空白像素邻域像素上的光子计数信息，用空间累积来代替时间累积过程，构造超像素；超像素由两个参数定义，即邻域半径和反射率差值容限，之后再次采用滑动时间窗口法滤除噪声；具体步骤如下：
5.1)以空白像素为中心定义一个方形邻域，采用空白像素与最边缘邻域像素之间的距离dp定义邻域尺寸，dp值取1到3；
5.2)定义反射率差值容限阈值τp，τp一般取所有像素反射率动态范围的5％，反射率计算公式如下：
其中，B为单次探测周期内的噪声计数，S为单次脉冲所发射的光子数目，η为探测器量子效率；
5.3)选取方形邻域内的可靠回波光子填补空白像素；满足如下公式条件的回波光子可填补空白像素，构成超像素Ni，j；
其中，(i,j)为空白像素坐标，(x,y)为满足条件的邻域像素坐标，用Ni,j表示所有满足条件的邻域像素上回波光子所构成的超像素，xp和yp分别为所有像素的行数和列数，和分别为坐标(i,j)和(x,y)上的反射率。
6)采用步骤3)的方法对所述超像素Ni，j进行信号噪声分离；
7)目标三维距离信息混合正则化重构：
结合全变分正则项、小波正则项和轮廓波正则项的混合正则化方法，对初步滤噪后的图像进行再次处理，最终得到高质量的三维图像；其中，全变分正则项用于刻画目标的梯度特征；小波正则项主要用于刻画目标的细节特征；轮廓波正则项主要用于刻画目标的轮廓特征；具体步骤如下：
7.1)计算关于光子飞行时间的负对数似然函数：
其中，s(t)是激光脉冲函数，c是光速常数；zi，j为每个像素的距离估计值；
7.2)采用全变分-小波-轮廓波混合正则项进行稀疏度测量，构建带混合正则项的凸优化求解问题，如下公式所示：
其中，xp和yp分别为行数和列数；L(·)为负对数似然函数保真项；pen(zi，j)为混合正则项；为权重系数向量，用来平衡保真项和混合正则项；W1为小波基；W2为轮廓波基，||·||1为1范数；||zi,j||TV为全变分正则项；
7.3)对步骤7.2)构建的凸优化问题进行求解，得到距离三维图像的最优估计值。
Claims (5)
1.基于光子计数的三维图像信噪分离和混合正则化重构方法，其特征在于，包括以下步骤：
1)逐像素从原始数据中提取数据；
2)判断当前待处理的像素是否为空白像素，若是，执行步骤5)；若否，执行步骤3)；
3)单像素信号噪声分离：
3.1)设定时间窗宽度Tw和信号聚类集最小尺寸Nc，定义聚类集V{Tw，Nc}；
3.2)采用滑动时间窗法自适应地确定当前像素上的所有聚类集；
3.3)在步骤3.2)中得到的聚类集中选取尺寸最大的聚类集作为信号聚类集；
3.4)判断信号聚类集尺寸是否大于Nc，若是，执行步骤3.5)；若否，则置当前像素为空集，待后续采用正则化算法进行重构；
3.5)保留信号聚类集内的信号光子，滤除信号聚类集外的噪声光子，完成单像素信号噪声分离；
3.6)计算初步滤除噪声后的飞行时间估计值：从而计算得到初步滤噪后的距离估计值：其中，ti，j∈Vi,j表示信号聚类集Vi，j中所有回波光子的飞行时间，c为光速常数；
4)判断是否所有像素处理完毕，若是，执行步骤7)；若否，转移至下一像素点，执行步骤2)；
5)借用所述空白像素的邻域像素上的光子计数信息，用空间累积来代替时间累积过程，构造超像素；
6)采用步骤3)的方法对所述超像素进行信号噪声分离；
7)混合正则化三维图像重构：
结合全变分正则项、小波正则项和轮廓波正则项的混合正则化方法，对滤噪后的图像进行再次处理，得到高质量的三维图像；其中，全变分正则项用于刻画目标的梯度特征；小波正则项主要用于刻画目标的细节特征；轮廓波正则项主要用于刻画目标的轮廓特征。
2.根据权利要求1所述的基于光子计数的三维图像信噪分离和混合正则化重构方法，其特征在于，步骤3.1)中：
时间窗宽度Tw大于激光脉冲宽度Tp且远小于探测周期宽度Tr；依据噪声水平，按照如下公式选定聚类集最小尺寸Nc值：
<mrow>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<msub>
<mi>N</mi>
<mi>c</mi>
</msub>
</mrow>
<msub>
<mi>N</mi>
<mi>r</mi>
</msub>
</msubsup>
<mfrac>
<mrow>
<msub>
<mi>N</mi>
<mi>r</mi>
</msub>
<mo>!</mo>
</mrow>
<mrow>
<mi>k</mi>
<mo>!</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>N</mi>
<mi>r</mi>
</msub>
<mo>-</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>!</mo>
</mrow>
</mfrac>
<msup>
<msub>
<mi>P</mi>
<mi>n</mi>
</msub>
<mi>k</mi>
</msup>
<msup>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>P</mi>
<mi>n</mi>
</msub>
<mo>)</mo>
</mrow>
<mrow>
<msub>
<mi>N</mi>
<mi>r</mi>
</msub>
<mo>-</mo>
<mi>k</mi>
</mrow>
</msup>
<mo><</mo>
<msub>
<mi>&tau;</mi>
<mrow>
<mi>F</mi>
<mi>A</mi>
</mrow>
</msub>
</mrow>
其中，k为时间窗Tw内Nc到Nr之间的光子计数数目，τFA为错误容限阈值，Nr为每个像素上总探测脉冲个数，即总探测次数，Pn为探测到噪声光子的概率：nr为单位时间间隔的噪声计数速率，τFA＜0.1。
3.根据权利要求1所述的基于光子计数的三维图像信噪分离和混合正则化重构方法，其特征在于，所述步骤3.2)具体为：以每个时刻上的回波光子为起点，以时间窗宽度Tw为边界范围，寻找聚类集Dl：其中，l∈{1,...,ki,j}，k为该集合内回波光子的索引。
4.根据权利要求1所述的基于光子计数的三维图像信噪分离和混合正则化重构方法，其特征在于，所述步骤5)构造超像素的方法具体为：
5.1)以空白像素为中心定义一个方形邻域，采用空白像素与最边缘邻域像素之间的距离dp定义邻域尺寸，dp值取1到3；
5.2)定义反射率差值容限阈值τp，τp一般取所有像素反射率动态范围的5％，反射率计算公式如下：
其中，B为单次探测周期内的噪声计数，S为单次脉冲所发射的光子数目，η为探测器量子效率；
5.3)选取方形邻域内的可靠回波光子填补空白像素；满足如下公式条件的回波光子可填补空白像素，构成超像素Ni，j；
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>N</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mo>{</mo>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>&Element;</mo>
<mo>{</mo>
<mn>1</mn>
<mo>,</mo>
<mn>..</mn>
<mo>,</mo>
<mi>x</mi>
<mi>p</mi>
<mo>}</mo>
<mo>,</mo>
<mo>{</mo>
<mn>1</mn>
<mo>,</mo>
<mn>..</mn>
<mo>,</mo>
<mi>y</mi>
<mi>p</mi>
<mo>}</mo>
<mo>:</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mrow>
<mo>|</mo>
<mrow>
<mi>i</mi>
<mo>-</mo>
<mi>x</mi>
</mrow>
<mo>|</mo>
</mrow>
<mo>&le;</mo>
<msub>
<mi>d</mi>
<mi>p</mi>
</msub>
<mo>,</mo>
<mrow>
<mo>|</mo>
<mrow>
<mi>j</mi>
<mo>-</mo>
<mi>y</mi>
</mrow>
<mo>|</mo>
</mrow>
<mo>&le;</mo>
<msub>
<mi>d</mi>
<mi>p</mi>
</msub>
<mo>,</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mrow>
<mo>|</mo>
<mrow>
<msub>
<mover>
<mi>&alpha;</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>&alpha;</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>x</mi>
<mi>y</mi>
</mrow>
</msub>
</mrow>
<mo>|</mo>
</mrow>
<mo>&le;</mo>
<msub>
<mi>&tau;</mi>
<mi>p</mi>
</msub>
<mo>}</mo>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>;</mo>
</mrow>
其中，(i,j)为空白像素坐标，(x,y)为满足条件的邻域像素坐标，xp和yp分别为所有像素的行数和列数，和分别为坐标(i,j)和(x,y)上的反射率。
5.根据权利要求1至4任一所述的基于光子计数的三维图像信噪分离和混合正则化重构方法，其特征在于，步骤7)具体为：
7.1)计算关于光子飞行时间的负对数似然函数：
<mrow>
<mi>L</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>z</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>|</mo>
<msub>
<mover>
<mi>t</mi>
<mo>&OverBar;</mo>
</mover>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo>-</mo>
<mo>&Sigma;</mo>
<mi>log</mi>
<mo>&lsqb;</mo>
<mi>s</mi>
<mrow>
<mo>(</mo>
<msub>
<mover>
<mi>t</mi>
<mo>&OverBar;</mo>
</mover>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<mn>2</mn>
<msub>
<mi>z</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>/</mo>
<mi>c</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>,</mo>
</mrow>
其中，s(t)是激光脉冲函数，c是光速常数；zi，j为每个像素待估计的距离信息；
7.2)采用全变分-小波-轮廓波混合正则项进行稀疏度测量，构建带混合正则项的凸优化求解问题，如下公式所示：
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mover>
<mi>z</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<munder>
<mrow>
<mi>arg</mi>
<mi>min</mi>
</mrow>
<mrow>
<msub>
<mi>z</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>&GreaterEqual;</mo>
<mn>0</mn>
</mrow>
</munder>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>x</mi>
<mi>p</mi>
</mrow>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>y</mi>
<mi>p</mi>
</mrow>
</munderover>
<mi>L</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>z</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mover>
<mi>&beta;</mi>
<mo>&RightArrow;</mo>
</mover>
<mi>p</mi>
<mi>e</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>z</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>p</mi>
<mi>e</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>z</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>W</mi>
<mn>1</mn>
</msub>
<msub>
<mi>z</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>|</mo>
<msub>
<mo>|</mo>
<mn>1</mn>
</msub>
<mo>+</mo>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>W</mi>
<mn>2</mn>
</msub>
<msub>
<mi>z</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>|</mo>
<msub>
<mo>|</mo>
<mn>1</mn>
</msub>
<mo>+</mo>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>z</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>|</mo>
<msub>
<mo>|</mo>
<mrow>
<mi>T</mi>
<mi>V</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
其中，xp和yp分别为行数和列数；L(·)为负对数似然函数保真项；pen(zi，j)为混合正则项；为权重系数向量，用来平衡保真项和混合正则项；W1为小波基；W2为轮廓波基，||·||1为1范数；||zi,j||TV为全变分正则项；
7.3)对步骤7.2)构建的凸优化问题进行求解，得到距离三维图像的最优估计值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710828848.7A CN107798290B (zh) | 2017-09-14 | 2017-09-14 | 基于光子计数的三维图像信噪分离和混合正则化重构方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710828848.7A CN107798290B (zh) | 2017-09-14 | 2017-09-14 | 基于光子计数的三维图像信噪分离和混合正则化重构方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107798290A true CN107798290A (zh) | 2018-03-13 |
| CN107798290B CN107798290B (zh) | 2020-06-16 |
Family
ID=61532415
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710828848.7A Active CN107798290B (zh) | 2017-09-14 | 2017-09-14 | 基于光子计数的三维图像信噪分离和混合正则化重构方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107798290B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109509246A (zh) * | 2018-03-25 | 2019-03-22 | 哈尔滨工程大学 | 一种基于自适应视线划分的光子图聚类方法 |
| CN110187356A (zh) * | 2019-06-14 | 2019-08-30 | 中国科学技术大学 | 远距离超分辨单光子成像重构方法 |
| CN112305560A (zh) * | 2020-10-30 | 2021-02-02 | 中国科学院光电技术研究所 | 一种基于首光子组的单光子激光雷达快速成像方法 |
| CN112444821A (zh) * | 2020-11-11 | 2021-03-05 | 中国科学技术大学 | 远距离非视域成像方法、装置、设备及介质 |
| CN112867939A (zh) * | 2018-12-24 | 2021-05-28 | 北京航迹科技有限公司 | 光探测和测距的直流偏置和噪声功率的实时估计 |
| CN112882057A (zh) * | 2021-01-19 | 2021-06-01 | 中国科学院西安光学精密机械研究所 | 一种基于插值的光子计数非视域三维成像超分辨方法 |
| CN113296075A (zh) * | 2021-07-28 | 2021-08-24 | 中国科学院西安光学精密机械研究所 | 强噪声环境下单光子成像的目标信息自动提取方法及系统 |
| CN113379906A (zh) * | 2021-07-23 | 2021-09-10 | 中国科学院西安光学精密机械研究所 | 一种基于超像素滤波的单光子三维图像重建方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2015001967A (ja) * | 2013-06-18 | 2015-01-05 | 三星電子株式会社Ｓａｍｓｕｎｇ Ｅｌｅｃｔｒｏｎｉｃｓ Ｃｏ．，Ｌｔｄ． | エッジ検出装置およびエッジ検出方法 |
| CN105893949A (zh) * | 2016-03-29 | 2016-08-24 | 西南交通大学 | 一种复杂路况场景下的车道线检测方法 |
| CN105915762A (zh) * | 2016-01-18 | 2016-08-31 | 上海斐讯数据通信技术有限公司 | 噪声像素自适应滤波方法及噪声像素自适应滤波系统 |
| US20160267638A1 (en) * | 2010-09-15 | 2016-09-15 | Sharp Laboratories Of America, Inc. | Methods and systems for detection and estimation of compression noise |
| CN106683168A (zh) * | 2016-11-30 | 2017-05-17 | 北京航天自动控制研究所 | 一种极低照度条件下光子计数激光三维计算成像方法 |
-
2017
- 2017-09-14 CN CN201710828848.7A patent/CN107798290B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160267638A1 (en) * | 2010-09-15 | 2016-09-15 | Sharp Laboratories Of America, Inc. | Methods and systems for detection and estimation of compression noise |
| JP2015001967A (ja) * | 2013-06-18 | 2015-01-05 | 三星電子株式会社Ｓａｍｓｕｎｇ Ｅｌｅｃｔｒｏｎｉｃｓ Ｃｏ．，Ｌｔｄ． | エッジ検出装置およびエッジ検出方法 |
| CN105915762A (zh) * | 2016-01-18 | 2016-08-31 | 上海斐讯数据通信技术有限公司 | 噪声像素自适应滤波方法及噪声像素自适应滤波系统 |
| CN105893949A (zh) * | 2016-03-29 | 2016-08-24 | 西南交通大学 | 一种复杂路况场景下的车道线检测方法 |
| CN106683168A (zh) * | 2016-11-30 | 2017-05-17 | 北京航天自动控制研究所 | 一种极低照度条件下光子计数激光三维计算成像方法 |
Non-Patent Citations (2)
| Title |
|---|
| DONG WANG.ETC: "Water objects extraction from polarimetric SAR imagery based on blind source separation and morphological reconstruction", 《2010 3RD INTERNATIONAL CONGRESS ON IMAGE AND SIGNAL PROCESSING》 * |
| 吴超: "高光谱图像处理若干关键技术研究", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109509246A (zh) * | 2018-03-25 | 2019-03-22 | 哈尔滨工程大学 | 一种基于自适应视线划分的光子图聚类方法 |
| CN109509246B (zh) * | 2018-03-25 | 2022-08-02 | 哈尔滨工程大学 | 一种基于自适应视线划分的光子图聚类方法 |
| CN112867939B (zh) * | 2018-12-24 | 2024-03-12 | 广州沃芽来得灵科技有限公司 | 光探测和测距的直流偏置和噪声功率的实时估计 |
| US11892573B2 (en) | 2018-12-24 | 2024-02-06 | Guangzhou Woya Laideling Technology Co., Ltd. | Real-time estimation of dc bias and noise power of light detection and ranging (LiDAR) |
| CN112867939A (zh) * | 2018-12-24 | 2021-05-28 | 北京航迹科技有限公司 | 光探测和测距的直流偏置和噪声功率的实时估计 |
| CN110187356A (zh) * | 2019-06-14 | 2019-08-30 | 中国科学技术大学 | 远距离超分辨单光子成像重构方法 |
| CN110187356B (zh) * | 2019-06-14 | 2021-07-09 | 中国科学技术大学 | 远距离超分辨单光子成像重构方法 |
| CN112305560B (zh) * | 2020-10-30 | 2022-06-14 | 中国科学院光电技术研究所 | 一种基于首光子组的单光子激光雷达快速成像方法 |
| CN112305560A (zh) * | 2020-10-30 | 2021-02-02 | 中国科学院光电技术研究所 | 一种基于首光子组的单光子激光雷达快速成像方法 |
| CN112444821B (zh) * | 2020-11-11 | 2022-09-09 | 中国科学技术大学 | 远距离非视域成像方法、装置、设备及介质 |
| CN112444821A (zh) * | 2020-11-11 | 2021-03-05 | 中国科学技术大学 | 远距离非视域成像方法、装置、设备及介质 |
| CN112882057A (zh) * | 2021-01-19 | 2021-06-01 | 中国科学院西安光学精密机械研究所 | 一种基于插值的光子计数非视域三维成像超分辨方法 |
| CN112882057B (zh) * | 2021-01-19 | 2023-12-08 | 中国科学院西安光学精密机械研究所 | 一种基于插值的光子计数非视域三维成像超分辨方法 |
| CN113379906A (zh) * | 2021-07-23 | 2021-09-10 | 中国科学院西安光学精密机械研究所 | 一种基于超像素滤波的单光子三维图像重建方法及系统 |
| CN113296075A (zh) * | 2021-07-28 | 2021-08-24 | 中国科学院西安光学精密机械研究所 | 强噪声环境下单光子成像的目标信息自动提取方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107798290B (zh) | 2020-06-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107798290B (zh) | 基于光子计数的三维图像信噪分离和混合正则化重构方法 | |
| CN109799494B (zh) | 一种星载光子计数激光雷达数据快速去噪滤波方法 | |
| CN107403134B (zh) | 基于局部梯度三边的图域多尺度红外弱小目标检测方法 | |
| CN102982334B (zh) | 基于目标边缘特征与灰度相似性的稀疏视差获取方法 | |
| CN102663385B (zh) | 一种星上点目标检测方法 | |
| CN102722891A (zh) | 一种图像显著度检测的方法 | |
| Lee et al. | An intelligent depth-based obstacle detection system for visually-impaired aid applications | |
| CN109658351A (zh) | 一种结合l0梯度约束和局部低秩矩阵恢复的高光谱图像去噪方法 | |
| CN109559324A (zh) | 一种线阵图像中的目标轮廓检测方法 | |
| CN101976436A (zh) | 一种基于差分图修正的像素级多聚焦图像融合方法 | |
| CN113205462A (zh) | 一种基于神经网络学习先验的光子反射率图像去噪方法 | |
| CN110954919A (zh) | 一种面阵激光探测器的固定值噪声确定方法及去除方法 | |
| CN102722879A (zh) | 基于目标提取和三维块匹配去噪的sar图像去斑方法 | |
| CN113253240B (zh) | 一种基于光子探测的空间目标识别分法、存储介质和系统 | |
| CN107305252B (zh) | 主动提取目标深度细节的快速成像方法 | |
| CN102737389A (zh) | 一种针对颜色编码结构光扫描系统的自适应反射率校正方法 | |
| CN112305560B (zh) | 一种基于首光子组的单光子激光雷达快速成像方法 | |
| Kalavathi et al. | Removal of impulse noise using Histogram-based Localized Wiener Filter for MR brain image restoration | |
| CN103544707A (zh) | 基于轮廓波变换的光学遥感图像变化检测方法 | |
| CN109377455B (zh) | 改进的基于自相似性的多序列磁共振图像配准方法 | |
| CN114943869B (zh) | 风格迁移增强的机场目标检测方法 | |
| Rapp et al. | Dead time compensation for high-flux depth imaging | |
| CN115097484A (zh) | 一种基于双Gamma估计的单光子激光雷达透雾成像方法 | |
| CN110211124B (zh) | 一种基于MobileNetV2的红外成像结冰湖泊检测方法 | |
| CN103996187A (zh) | 对地运动目标光电检测系统及其数据处理方法和图像处理方法 |
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 |