CN109087267B - 一种基于压缩感知的目标检测方法 - Google Patents
一种基于压缩感知的目标检测方法 Download PDFInfo
- Publication number
- CN109087267B CN109087267B CN201810925866.1A CN201810925866A CN109087267B CN 109087267 B CN109087267 B CN 109087267B CN 201810925866 A CN201810925866 A CN 201810925866A CN 109087267 B CN109087267 B CN 109087267B
- Authority
- CN
- China
- Prior art keywords
- measurement result
- matrix
- target image
- measurement
- compressed sensing
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 19
- 238000005259 measurement Methods 0.000 claims abstract description 85
- 239000011159 matrix material Substances 0.000 claims abstract description 40
- 238000000034 method Methods 0.000 claims description 15
- 230000000694 effects Effects 0.000 abstract description 4
- 230000008030 elimination Effects 0.000 abstract description 2
- 238000003379 elimination reaction Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于压缩感知的目标检测方法,首先,根据待检测的目标图像的图像分辨率设定总观测次数M;其次,通过算法程序产生M个测量矩阵;接着利用数字微镜器件产生一个测量矩阵,接收器接收观测信号,得到一个测量值;再次,将上个步骤重复M次,获得M个测量值,组成测量结果;然后对测量结果依次进行减背景处理和去趋势处理,从而得到修正后的测量结果;最后利用修正后的测量结果与测量矩阵,重构出目标图像。本发明通过对测量结果进行减背景处理和去趋势处理,大大减小了硬件系统带来的误差,提高测量结果的准确度,从而提高重构信号的精度。本发明通过减背景和去趋势处理,重构信号的效果可以得到明显的改善。
Description
技术领域
本发明涉及信号处理领域,具体涉及一种基于压缩感知的目标检测方法。
背景技术
压缩感知理论是近年来人们在信号处理领域取得的较大突破之一。它是将具有稀疏特性的信号通过测量矩阵做降维线性投影,并通过少量的投影测量值和测量矩阵恢复出原始信号的一种理论。它一定程度上突破了奈奎斯特采样定理的限制,从而降低对数据采集硬件的要求,为信号的采集、传输、储存以及检测提供了新的思路。
在压缩感知技术从理论到实践的过程中,要想准确获得待测信号,除了保证测量矩阵与重构算法的合理性之外,还应尽量减少硬件系统带来的误差,使所获得的测量数据与理论结果尽可能接近。
在压缩感知技术的实际处理系统中,如果DMD(Digital Micromirror Device,数字微镜器件)所对应的光源、电源等观测源不稳定,其产生的随机误差会使测量结果趋势线中存在明显的低频分量,从而使系统重构结果变差,甚至无法重构出原始信号,使压缩感知系统无法发挥出其本应该有的作用。
发明内容
本发明针对现有技术中存在的技术问题,提供了一种可以大大提高图像重构以及目标检测精度的基于压缩感知的目标检测方法。
为了解决上述技术问题,本发明的技术方案是:一种基于压缩感知的目标检测方法,包括以下步骤:
S1:根据待检测的目标图像的图像分辨率设定总观测次数M,其图像分辨率为n×n,M、n为自然数,×代表乘积;
S2:根据设定的总观测次数M,通过算法程序产生M个测量矩阵;
S3:控制信号利用数字微镜器件产生一个测量矩阵,光束通过数字微镜器件透射或折射至目标图像区域,通过接收器接收观测信号,得到一个测量值;
S4:将步骤S3重复M次,获得M个测量值,组成测量结果;
S5:对步骤S4所得测量结果依次进行减背景处理和去趋势处理,从而得到修正后的测量结果;
S6:利用修正后的测量结果与测量矩阵,重构出目标图像。
进一步的,所述待检测目标图像的图像分辨率由数字微镜器件决定。
进一步的,所述步骤S1中,总观测次数M<N,N=n×n。
进一步的,所述总观测次数M的范围为0.1N~0.6N。
进一步的,所述步骤S2中,每一个测量矩阵的图像分辨率也由数字微镜器件决定,且测量矩阵的图像分辨率与目标图像的图像分辨率一致。
进一步的,所述步骤S3中,得到一个测量结果的具体过程为:利用接收器接收从目标图像区域反射的信号,将被测量矩阵照射的目标图像区域按照数字微镜器件的图像分辨率对像素值进行求和。
进一步的,所述步骤S5中,减背景处理的具体过程为:以对应图像分辨率为零的矩阵作为测量矩阵,利用接收器接收其对应的测量结果,以此值作为背景值,将测量结果中每一个元素减去此背景值中对应的元素作为新的测量结果。
进一步的,所述步骤S5中去趋势处理的具体过程为:利用拟合函数拟合出新的测量结果的低频波动曲线Y并提取新的测量结果的均值MEAN,将新的测量结果中每一个元素减去低频波动曲线中对应元素,再加上均值MEAN,得到修正之后的测量结果。
进一步的,重构目标图像的公式为:
O=ΦI
其中:I∈RN,是N×1维原始信号,N=n×n,即将目标图像按列重组所得结果;Φ∈RM×N,是M×N维测量矩阵,O∈RM是M×1维的测量结果。
本发明提供的基于压缩感知的目标检测方法,通过对测量结果进行减背景处理和去趋势处理,能够自适应地选取最佳的拟合多项式的阶数,用最合适的多项式对测量结果中的低频波动曲线进行拟合,大大减小了硬件系统带来的误差,提高测量结果的准确度,从而提高重构信号的精度,甚至从本来无法重构出原始信号的测量值中重构出原始信号。本发明通过减背景和去趋势处理,重构信号的效果可以得到明显的改善。
附图说明
图1是本发明基于压缩感知的目标检测方法的流程图;
图2是待检测的原始图像信号图;
图3是压缩感知实际系统中未经减背景和去趋势处理所恢复出来的原始信号图;
图4是压缩感知实际系统中经过减背景和去趋势处理所恢复出来的原始信号图;
图5是压缩感知实际系统中经过减背景处理后所得的测量结果及其趋势线;
图6是压缩感知实际系统中经过去趋势处理后所得的测量结果。
具体实施方式
下面结合附图对本发明作详细描述:
如图1所示,本发明一种基于压缩感知的目标检测方法,包括以下步骤:
S1:根据待检测的目标图像的图像分辨率设定总观测次数M,其图像分辨率为n×n,M、n为自然数,×代表乘积;具体的,目标图像的图像分辨率由数字微镜器件(DigitalMicromirror Device,DMD)决定,总观测次数M<N,N=n×n,更优选的,M的取值范围为0.1N~0.6N,可以根据实际需要进行选择,如效率和准确率等。
S2:根据设定的总观测次数M,通过算法产生M个测量矩阵;每一个测量矩阵的图像分辨率也由数字微镜器件决定,且且测量矩阵的图像分辨率与目标图像的图像分辨率一致,即此处M个测量矩阵形成一个维度为M×N的矩阵Φ,Φ∈RM×N,N=n×n。此处的算法可以是最小相关性观测矩阵生成算法,当然也可以采用其他算法,此处不做限定。
S3:控制信号利用数字微镜器件产生一个测量矩阵,光束通过数字微镜器件透射或折射至目标图像区域,通过接收器接收观测信号,得到一个测量值;具体的,接收器可以采用CCD相机或CMOS相机等面阵相机或采用单点探测器,得到一个测量结果的具体过程为:利用接收器接收从目标图像区域反射的信号,将被测量矩阵照射的目标图像区域按照数字微镜器件的图像分辨率对像素值进行求和。如n=4,采用则CCD相机或CMOS相机等面阵相机,将接收到一个4*4的信号矩阵的像素值进行求和即为测量结果,如接收器为单点探测器,则无需进行求和直接使用探测结果即可。
S4:将步骤S3重复M次,获得M个测量值,组成测量结果O,其维度为M×1;
S5:对步骤S4所得测量结果依次进行减背景处理和去趋势处理,从而得到修正后的测量结果O1。
其中减背景处理具体为:以对应图像分辨率为零的矩阵作为测量矩阵,利用接收器接收其对应的测量结果,以此值作为背景值,将测量结果O中每一个元素减去此背景值中对应的元素作为新的测量结果O1。
去趋势处理的具体过程为:利用拟合函数拟合出新的测量结果O1的低频波动曲线Y并提取新的测量结果O1的均值MEAN,将新的测量结果O1中每一个元素减去低频波动曲线中对应元素,再加上均值MEAN,得到矫正之后的测量结果O1。包括以下步骤:
首先通过拟合函数p=polyfit(x,O1,order)拟合减背景之后的测量结果矩阵O1,得到拟合多项式的系数矩阵p;其中x=1、2、3、……M为矩阵O1中M个测量结果的序列号,O1为减背景之后的测量结果,order为阶数。
其次通过函数p1=polyval(p,x)得到拟合的多项式p1。
最后,计算测量结果矩阵中的元素均值MEAN,将测量结果矩阵中每一个元素减去低频波动曲线中对应元素,再加上均值MEAN,得到矫正之后的测量结果O2,即:O2=O1-p1+MEAN。
拟合函数p=polyfit(x,O1,order)中的阶数order的选择过程按照如下过程进行:设置初始阶数order_start与末尾阶数order_end,在每一个阶数下对测量结果O1所得曲线进行拟合,并计算多项式p1与测量结果O1的相关系数,选择相关系数最大时对应的阶数作为低频波动曲线拟合多项式的阶数。具体的,多项式系数矩阵p1与测量结果O1均为一维列向量,通过plot(O1)即可画出测量结果曲线。相关系数的计算公式为:coefficient=corrcoef(p1,O1),即两个列向量的相关系数。
S6:利用修正后的测量结果与测量矩阵,重构出目标图像。
重构目标图像的公式为:
O=ΦI
其中:I∈RN,是N×1维原始信号,N=n×n,即将目标图像按列重组所得结果;Φ∈RM×N,是M×N维测量矩阵,O∈RM是M×1维的测量结果。具体的,在步骤S6中,此处的O即代表最终的测量结果O2,由于Φ、O2已知,从而可以计算出目标图像的矩阵I,从而重构出目标图像。
为了具体表现本发明的优越性,本实例中针对本文的重构算法进行实验说明。该实验系统DMD的分辨率为64×64,采样率为0.3,即采样次数M=0.3N,为1200次。实验中光源为激光,触发DMD产生二进制测量矩阵照射至目标图像区域,并通过CCD相机接收测量结果。
图2中所示是待处理的原始图像信号;图3和图4分别是压缩感知实际系统中未经减背景处理和去趋势处理所重构出来的目标图像和经过减背景处理和去趋势处理所重构出来的目标图像。
对于二维图像信号,我们用重构信号与原始信号的峰值信噪比(psnr)来衡量重构效果。不难看出,对于目标信号,通过去趋势分析处理,可以消除测量结果中因系统不稳定引起的低频波动,将重构信号的峰值信噪比从8.02dB提升至14.59dB,对比图3和图4,我们可以直观地感受到去趋势分析处理对重构图像质量的改善程度。
图5和图6分别是压缩感知实际系统中未经去趋势处理所得的测量结果及其趋势线和经过去趋势处理所得的测量结果。图5是经过减背景处理后的测量结果O1的拟合曲线,图6是经过减背景和去趋势处理后的测量结果O2的拟合曲线,测量结果为列向量,通过plot函数画出对应的曲线即为图5图6。其中测量结果数据代表像素值之和。
运用去趋势分析进行实际系统中压缩感知处理可以明显改善重构信号的精度。证明了此方法用于优化压缩感知重构信号的实用性和可靠性。
虽然说明书中对本发明的实施方式进行了说明,但这些实施方式只是作为提示,不应限定本发明的保护范围。在不脱离本发明宗旨的范围内进行各种省略、置换和变更均应包含在本发明的保护范围内。
Claims (7)
1.一种基于压缩感知的目标检测方法,其特征在于,包括以下步骤:
S1:根据待检测的目标图像的图像分辨率设定总观测次数M,其图像分辨率为n×n,M、n为自然数,×代表乘积;
S2:根据设定的总观测次数M,通过算法产生M个测量矩阵;
S3:控制信号利用数字微镜器件产生一个测量矩阵,光束通过数字微镜器件透射或折射至目标图像区域,通过接收器接收观测信号,得到一个测量值;
S4:将步骤S3重复M次,获得M个测量值,组成测量结果;
S5:对步骤S4所得测量结果依次进行减背景处理和去趋势处理,从而得到修正后的测量结果;所述减背景处理的具体过程为:以对应图像分辨率为零的矩阵作为测量矩阵,利用接收器接收其对应的测量结果作为背景值,将测量结果中每一个元素减去此背景值中对应的元素作为新的测量结果;所述去趋势处理的具体过程为:利用拟合函数拟合出新的测量结果的低频波动曲线Y并提取新的测量结果的均值MEAN,将新的测量结果中每一个元素减去低频波动曲线中对应元素,再加上均值MEAN,得到修正之后的测量结果;
S6:利用修正后的测量结果与测量矩阵,重构出目标图像。
2.根据权利要求1所述的基于压缩感知的目标检测方法,其特征在于,所述待检测目标图像的图像分辨率由数字微镜器件决定。
3.根据权利要求1所述的基于压缩感知的目标检测方法,其特征在于,所述步骤S1中,总观测次数M<N,N=n×n。
4.根据权利要求3所述的基于压缩感知的目标检测方法,其特征在于,所述总观测次数M的范围为0.1N~0.6N。
5.根据权利要求1所述的基于压缩感知的目标检测方法,其特征在于,所述步骤S2中,每一个测量矩阵的图像分辨率由数字微镜器件决定,且测量矩阵的图像分辨率与目标图像的图像分辨率一致。
6.根据权利要求1所述的基于压缩感知的目标检测方法,其特征在于,所述步骤S3中,得到一个测量结果的具体过程为:利用接收器接收从目标图像区域反射的信号,将被测量矩阵照射的目标图像区域按照数字微镜器件的图像分辨率对像素值进行求和。
7.根据权利要求1所述的基于压缩感知的目标检测方法,其特征在于,重构目标图像的公式为:
O=ΦΙ
其中:I∈RN,是N×1维原始信号,N=n×n,即将目标图像按列重组所得结果;Φ∈RM×N,是M×N维测量矩阵,O∈RM是M×1维的测量结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810925866.1A CN109087267B (zh) | 2018-08-15 | 2018-08-15 | 一种基于压缩感知的目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810925866.1A CN109087267B (zh) | 2018-08-15 | 2018-08-15 | 一种基于压缩感知的目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109087267A CN109087267A (zh) | 2018-12-25 |
CN109087267B true CN109087267B (zh) | 2021-08-31 |
Family
ID=64793421
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810925866.1A Active CN109087267B (zh) | 2018-08-15 | 2018-08-15 | 一种基于压缩感知的目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109087267B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109828285B (zh) * | 2019-01-07 | 2020-10-09 | 北京理工大学 | 一种双波段时域压缩感知高速成像方法及装置 |
CN110348295B (zh) * | 2019-05-30 | 2023-04-11 | 深圳大学 | 目标检测方法、体感交互设备以及存储介质 |
CN110221280B (zh) * | 2019-06-14 | 2021-02-09 | 中国科学院声学研究所 | 一种抗压制类水声干扰多通道自适应检测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102393911A (zh) * | 2011-07-21 | 2012-03-28 | 西安电子科技大学 | 基于压缩感知的背景杂波量化方法 |
CN103400369A (zh) * | 2013-06-25 | 2013-11-20 | 西安电子科技大学 | 基于压缩感知框架的目标检测方法 |
WO2013188957A1 (en) * | 2012-06-18 | 2013-12-27 | University Health Network | Method and system for compressed sensing image reconstruction |
US8699773B2 (en) * | 2010-10-21 | 2014-04-15 | Beth Israel Deaconess Medical Center | Method for image reconstruction using low-dimensional-structure self-learning and thresholding |
CN104599290A (zh) * | 2015-01-19 | 2015-05-06 | 苏州经贸职业技术学院 | 一种面向视频感知节点的目标检测方法 |
-
2018
- 2018-08-15 CN CN201810925866.1A patent/CN109087267B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8699773B2 (en) * | 2010-10-21 | 2014-04-15 | Beth Israel Deaconess Medical Center | Method for image reconstruction using low-dimensional-structure self-learning and thresholding |
CN102393911A (zh) * | 2011-07-21 | 2012-03-28 | 西安电子科技大学 | 基于压缩感知的背景杂波量化方法 |
WO2013188957A1 (en) * | 2012-06-18 | 2013-12-27 | University Health Network | Method and system for compressed sensing image reconstruction |
CN103400369A (zh) * | 2013-06-25 | 2013-11-20 | 西安电子科技大学 | 基于压缩感知框架的目标检测方法 |
CN104599290A (zh) * | 2015-01-19 | 2015-05-06 | 苏州经贸职业技术学院 | 一种面向视频感知节点的目标检测方法 |
Non-Patent Citations (2)
Title |
---|
ADAPTIVE RATE COMPRESSIVE SENSING FOR BACKGROUND SUBTRACTION;Garrett Warnell et al.;《2012 IEEE International Conference on Acoustics,Speech and Signal Processing》;20120325;第1477-1480页 * |
基于背景图像的视频图像压缩感知重构关键技术研究;潘子兰等;《包装工程》;20141231;第35卷(第23期);第110-114页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109087267A (zh) | 2018-12-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109087267B (zh) | 一种基于压缩感知的目标检测方法 | |
EP3261334B1 (en) | Machine vision 3d line scan image acquisition and processing | |
CN111047681B (zh) | 基于深度学习的单像素三维端到端重建方法及装置 | |
EP3435326B1 (en) | Method for processing at least one x-ray image | |
JP2005523060A (ja) | 弾性測定法のための特徴追跡歪評価の方法および装置 | |
KR20180114049A (ko) | 낮은 정보 컨텐츠 장면의 1차원 디지털 표현을 형성하는 머신 비전 시스템 | |
Choi et al. | Coded aperture computed tomography | |
CN111833248A (zh) | 基于部分哈达玛矩阵的超分辨率鬼成像方法及系统 | |
CN111835362B (zh) | 一种基于正交基线性表示测量矩阵的压缩感知超声成像方法 | |
CN112468791B (zh) | 基于单像素探测的光强测量迭代成像方法 | |
Masmoudi et al. | Frames for exact inversion of the rank order coder | |
Chou et al. | Out-of-plane modal property extraction based on multi-level image pyramid reconstruction using stereophotogrammetry | |
CN110163821B (zh) | 一种基于非负约束的奇异值分解压缩鬼成像方法及系统 | |
Siddamal et al. | A survey on compressive sensing | |
JP2005192154A (ja) | 画像処理装置、画像処理方法、プログラム及び記憶媒体 | |
CN109523466B (zh) | 一种基于补零操作的压缩感知图像重构方法 | |
Li et al. | Imaging simulation and learning-based image restoration for remote sensing time delay and integration cameras | |
CN108921807A (zh) | 一种基于自适应滤波的压缩感知方法 | |
US20200145566A1 (en) | Image-processing apparatus and light-field imaging apparatus | |
CN114037636A (zh) | 自适应光学系统校正图像的多帧盲复原方法 | |
JP2017028583A5 (zh) | ||
KR102476808B1 (ko) | 왜곡된 영상으로부터 대상을 복원하는 방법 및 장치 | |
Volynskiĭ et al. | Comparative analysis of extended Kalman filtering and the sequential Monte Carlo method, using probability models of signals in optical coherent tomography | |
JP2016082395A (ja) | 符号化装置、符号化方法及びプログラム | |
Antholzer et al. | Compressive time-of-flight imaging |
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 |