CN109932816B - 基于连通域优化的超记忆效应范围非侵入式散射成像方法 - Google Patents

基于连通域优化的超记忆效应范围非侵入式散射成像方法 Download PDF

Info

Publication number
CN109932816B
CN109932816B CN201910319306.6A CN201910319306A CN109932816B CN 109932816 B CN109932816 B CN 109932816B CN 201910319306 A CN201910319306 A CN 201910319306A CN 109932816 B CN109932816 B CN 109932816B
Authority
CN
China
Prior art keywords
autocorrelation
reconstruction result
calculating
result
optimized
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
Application number
CN201910319306.6A
Other languages
English (en)
Other versions
CN109932816A (zh
Inventor
金欣
李峻琦
戴琼海
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.)
Shenzhen Graduate School Tsinghua University
Original Assignee
Shenzhen Graduate School Tsinghua University
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 Shenzhen Graduate School Tsinghua University filed Critical Shenzhen Graduate School Tsinghua University
Priority to CN201910319306.6A priority Critical patent/CN109932816B/zh
Publication of CN109932816A publication Critical patent/CN109932816A/zh
Priority to PCT/CN2020/080790 priority patent/WO2020211598A1/zh
Priority to US16/930,302 priority patent/US11162898B2/en
Application granted granted Critical
Publication of CN109932816B publication Critical patent/CN109932816B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/47—Scattering, i.e. diffuse reflection
    • G01N21/4795—Scattering, i.e. diffuse reflection spatially resolved investigating of object in scattering medium
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/47—Scattering, i.e. diffuse reflection
    • G01N21/4788—Diffraction
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/47—Scattering, i.e. diffuse reflection
    • G01N21/4788—Diffraction
    • G01N2021/479—Speckle

Landscapes

  • Physics & Mathematics (AREA)
  • Biochemistry (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Optics & Photonics (AREA)
  • Image Processing (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于连通域优化的超记忆效应范围非侵入式散射成像方法，包括采集待成像的样本的散斑信息；计算散斑信息的自相关图像，根据自相关图像得到自相关图形；根据自相关图形得到重建结果，利用连通域优化重建结果；计算优化后的重建结果的自相关并归一化，以计算得到一个物体的初始自相关；依次根据前一步骤得到的一个物体的自相关得到重建结果，利用连通域优化计算优化后的重建结果的自相关并归一化，并结合自相关图形计算得到另一物体的自相关；循环前述计算两个物体的自相关的步骤直到预定的循环次数，再利用相位恢复算法和计算得到的两个物体的自相关进行空域重构，实现非侵入式成像。本发明能够实现大视角范围的多个物体散射成像。

Description

基于连通域优化的超记忆效应范围非侵入式散射成像方法
技术领域
本发明涉及计算机成像学领域，尤其涉及一种基于连通域优化的超记忆效应范围非侵入式散射成像方法。
背景技术
散射介质在自然界中广泛存在，散射介质具有不均匀的折射率和反射率分布，光通过散射介质后原有信息被严重干扰，阻碍了传统光学系统对象信息的直接分析。散射介质作用下的成像技术在生物医学成像、遥感等领域都有很好的应用前景。
现有的散射成像方法主要分为两类：基于弹道光或基于记忆效应理论。其中，基于弹道光的方法包括光学相干断层扫描(OCT)、光子累积成像、时域光子统计分布和双光子显微镜等。这些方法需要大型设备作为支持，同时由于弹道光的数量随散射介质散射作用的增强呈指数式衰减，因此这一类方法只适用于散射效应较弱的场景。基于记忆效应的技术包含波前整形、散斑扫描采集系统、单次散斑相关成像系统和PSF反卷积方法，其中波前整形和反卷积方法通常需要系统校准或引导星等，由于其侵入式的成像方法，应用场景受到了较大的限制。散斑扫描采集系统和单次散斑相关成像系统虽然可以实现强散射介质的非侵入式成像，但成像范围都受到记忆效应范围的限制，无法对大视角物体成像。
以上背景技术内容的公开仅用于辅助理解本发明的构思及技术方案，其并不必然属于本专利申请的现有技术，在没有明确的证据表明上述内容在本专利申请的申请日已经公开的情况下，上述背景技术不应当用于评价本申请的新颖性和创造性。
发明内容
为解决上述技术问题，本发明提出一种基于连通域优化的超记忆效应范围非侵入式散射成像方法，能够实现大视角范围的多个物体散射成像。
为了达到上述目的，本发明采用以下技术方案：
本发明公开了一种基于连通域优化的超记忆效应范围非侵入式散射成像方法，包括以下步骤：
A1：采集待成像的样本的散斑信息，其中待成像的样本包括尺寸在记忆效应范围内但距离超出记忆效应范围的连续的第一物体和第二物体；
A2：计算步骤A1采集的散斑信息的自相关图像，并根据自相关图像得到自相关图形；
A3：根据步骤A2的自相关图形得到第一物体或第二物体的重建结果，并利用连通域优化第一物体或第二物体的重建结果；
A4：计算经步骤A3优化后的第一物体或第二物体的重建结果的自相关并归一化，并结合自相关图形，相应计算得到第二物体或第一物体的初始自相关；
A5：根据前一步骤得到的第二物体或第一物体的自相关相应得到第二物体或第一物体的重建结果，并利用连通域优化第二物体或第一物体的重建结果，然后计算优化后的第二物体或第一物体的重建结果的自相关并归一化，并结合自相关图形，相应计算得到第一物体或第二物体的自相关；
A6：根据前一步骤得到的第一物体或第二物体的自相关相应得到第一物体或第二物体的重建结果，并利用连通域优化第一物体或第二物体的重建结果，然后计算优化后的第一物体或第二物体的重建结果的自相关并归一化，并结合自相关图形，相应计算得到第二物体或第一物体的自相关；
A7：循环进行步骤A5和A6直到预定的循环次数，再利用相位恢复算法和计算得到的第一物体的自相关和第二物体的自相关进行空域重构，实现非侵入式成像。
优选地，步骤A1中具体包括：使用基于单次散斑相关成像系统并设置被散射介质遮挡的尺寸在记忆效应范围之内但距离超出记忆效应范围的第一物体和第二物体作为待成像的样本，利用非相关光照射采集待成像的样本的散斑信息I为：
I＝O1*PSF1+O2*PSF2
其中，O1、O2分别代表第一物体和第二物体，PSF1和PSF2分别代表第一物体和第二物体对应散射介质部分的点扩散函数，*代表卷积运算。
优选地，步骤A2具体包括：计算步骤A1采集的散斑信息的自相关图像为：
I★I＝(O1*PSF1+O2*PSF2)★(O1*PSF1+O2*PSF2)
＝(O1★O1)+(O2★O2)+C
其中，★指自相关运算，C为背景项；
根据自相关图像得到自相关图形D为：D＝I★I-C。
优选地，步骤A3中根据步骤A2的自相关图形得到第一物体或第二物体的重建结果具体包括：对步骤A2的自相关图形使用多次相位恢复算法，得到恢复误差最小的第一物体或第二物体的重建结果。
优选地，步骤A3、A5和A6中利用连通域优化第一物体的重建结果或者利用连通域优化第二物体的重建结果分别具体包括：
将物体的重建结果Sk移动到中心，然后将物体的重建结果Sk按连通域分为n个区域，n代表重建结果连通域数目，且为不小于2的正整数，并按照连通域的大小降序排列为：ε1，ε2……εn；归一化物体的重建结果Sk；得到利用连通域优化后的物体的重建结果S′k为：
Figure BDA0002034150440000031
其中，k为1时，Sk代表第一物体的重建结果，S′k代表利用连通域优化后的第一物体的重建结果；k为2时，Sk代表第二物体的重建结果，S′k代表利用连通域优化后的第二物体的重建结果；averageSk代表重建结果中所有大于0.1的像素点的均值，ε＝{(x,y),|(x,y)∈ε1，ε2}。
优选地，步骤A4中具体包括：计算经步骤A3优化后的第一物体或第二物体的重建结果的自相关并归一化，并根据自相关图形减去优化后的第一物体或第二物体的重建结果的自相关进行归一化后的一半，相应计算得到第二物体或第一物体的初始自相关。
优选地，步骤A5和A6中根据前一步骤得到的第一物体的自相关得到第一物体的重建结果具体包括：对第一物体的自相关使用多次相位恢复算法，得到恢复误差最小的结果即为第一物体的重建结果；
步骤A5和A6中根据前一步骤得到的第二物体的自相关得到第二物体的重建结果具体包括：对第二物体的自相关使用多次相位恢复算法，得到恢复误差最小的结果即为第二物体的重建结果。
优选地，步骤A5和A6中计算优化后的第一物体的重建结果的自相关并归一化，并结合自相关图形，相应计算得到第二物体的自相关具体包括：计算优化后的第一物体的重建结果的自相关并归一化，并根据自相关图形减去优化后的第一物体的重建结果的自相关进行归一化后的一半，相应计算得到第二物体的初始自相关；
步骤A5和A6中计算优化后的第二物体的重建结果的自相关并归一化，并结合自相关图形，相应计算得到第一物体的自相关具体包括：计算优化后的第二物体的重建结果的自相关并归一化，并根据自相关图形减去优化后的第二物体的重建结果的自相关进行归一化后的一半，相应计算得到第一物体的初始自相关。
优选地，步骤A7具体包括：循环进行步骤A5和A6直到预定的循环次数后第一物体和第二物体的自相关被正确分开，然后利用相位恢复算法和计算得到的第一物体的自相关和第二物体的自相关进行空域重构，实现非侵入式成像。
与现有技术相比，本发明的有益效果在于：本发明公开的基于连通域优化的超记忆效应范围非侵入式散射成像方法，采集的散斑信息的自相关近似等于每个单个对象的散斑自相关的线性叠加，并基于线性减法的自相关分离部分来分离混合信号，同时基于连通域优化的方法保证迭代优化的方向收敛，最终实现准确地分离和恢复自相关完全混叠的两个对象，实现两个距离超出记忆效应范围的物体的非侵入式成像，从而实现大视角范围的多个物体散射成像。本发明的方法，只需采集一次样本，就可以同时实现两个距离超出记忆效应范围的物体非侵入式成像，并且除了要求每个物体只有单个连通域，两个物体透光面积和透光率相近外不需要任何其他先验信息，极大地提升了散斑相关方法的成像范围。
附图说明
图1是本发明优选实施例的基于连通域优化的超记忆效应范围非侵入式散射成像方法的流程图；
图2是本发明另一优选实施例的基于连通域优化的超记忆效应范围非侵入式散射成像方法的流程图。
具体实施方式
下面对照附图并结合优选的实施方式对本发明作进一步说明。
如图1所示，本发明优选实施例公开了一种基于连通域优化的超记忆效应范围非侵入式散射成像方法，包括以下步骤：
A1：采集待成像的样本的散斑信息，其中待成像的样本包括两个尺寸在记忆效应范围内的连续物体；
具体地，使用基于单次散斑相关成像系统并设置两个被散射介质遮挡的大小在记忆效应范围之内但距离超出记忆效应范围的物体作为待成像的样本，利用非相关光照射采集样本的散斑信息散斑可表示为：
I＝O1*PSF1+O2*PSF2
其中，O1、O2分别代表第一物体和第二物体，PSF1和PSF2分别代表第一物体和第二物体对应散射介质部分的点扩散函数，*代表卷积运算。
A2：计算步骤A1采集的散斑信息的自相关图像，并根据自相关图像得到自相关图形；
具体地，将采集的散斑信息除以其低频滤波图像包络从而锐化散斑图像并减少噪音，然后计算拟合后的散斑信息的自相关图像，再减去背景项(即散斑自相关图像强度的最小值)得到自相关图形；
其中拟合后的散斑信息的自相关图像的计算公式为：
I★I＝(O1*PSF1+O2*PSF2)★(O1*PSF1+O2*PSF2)
＝(O1★O1)+(O2★O2)+C
其中，I是指散斑信息，★指自相关运算，C为背景项。
从上式可以看出散斑信息的自相关图像为两物体自相关之和加上背景项C，为了去除背景项C，减去I★I的最小值(即为背景项C)并归一化即得到自相关图形D＝I★I-C。
A3：对自相关图形使用多次相位恢复算法，得到恢复误差最小的重建结果，并利用连通域优化该重建结果；
其中，连通域优化包括：
(1)将物体的重建结果Sk移动到中心；
(2)将物体的重建结果Sk按连通域分为多个区域，并按照连通域的大小降序排列为：ε1，ε2……εn(物体的重建结果由多个连通域组成，本实施例中按连通域理论拆分为n个连通域，n代表重建结果连通域数目，且为不小于2的正整数，并按照连通域的面积大小排序，最大的ε1，其次为ε2，以此类推)；
(3)令ε＝{(x,y),|(x,y)∈ε1，ε2}；
(4)归一化Sk；
(5)令
Figure BDA0002034150440000061
其中，Sk代表物体的重建结果，S′k代表利用连通域优化后的物体的重建结果；具体地：k为1时，Sk代表第一物体的重建结果，S′k代表利用连通域优化后的第一物体的重建结果；k为2时，Sk代表第二物体的重建结果，S′k代表利用连通域优化后的第二物体的重建结果；averageSk代表重建结果中所有大于0.1的像素点的均值。
A4：计算优化后的第一物体的重建结果的自相关并归一化，并结合自相关图形，相应计算得到第二物体的初始自相关；
具体地，计算S′1的自相关，并做归一化处理得到C1，用自相关图形D减去强度减半后的C1得到C2即：
(1)C1＝S′1★S′1；
(2)归一化C1；
(3)C2＝S2★S2＝D-0.5·C1。
A5：根据前一步骤得到的第二物体的自相关相应得到第二物体的重建结果，并利用连通域优化第二物体的重建结果，然后计算优化后的第二物体的重建结果的自相关并归一化，并结合自相关图形，相应计算得到新的第一物体的自相关；
其中步骤A5中的根据前一步骤具体是指：在第一次执行步骤A5时，该前一步骤是指步骤A4，也即前一步骤得到的第二物体的自相关是指步骤A4得到的第二物体的初始自相关；在执行步骤A7的循环步骤时，也即第二次或者第二次之后执行步骤A5时，该前一步骤是指前一次循环的步骤A6，也即前一步骤得到的第二物体的自相关是指前一次循环的步骤A6得到的第二物体的自相关。
具体地，对第二物体的自相关C2使用多次相位恢复算法得到恢复误差最小的重建结果S2；利用连通域对重建结果S2进行优化得到优化后的重建结果S′2，计算优化后的重建结果S′2的自相关，并做归一化处理得到C2，用自相关图形D减去强度减半的C2得到C1即：
(1)第一次执行步骤A5时：将第二物体的初始自相关C2作为输入，使用多次相位恢复算法，取其中误差最小的结果作为本次的第二物体的重建结果S2；第二次或者第二次之后执行步骤A5时：将上一循环的步骤A6中的第二物体的自相关C2作为输入，使用多次相位恢复算法，取其中误差最小的结果作为本次的第二物体的重建结果S2；
(2)使用步骤A3中的连通域优化方法优化重建结果S2得到S′2；
(3)C2＝S′2★S′2；
(4)归一化C2；
(5)C1＝S1★S1＝D-0.5·C2。
A6：根据前一步骤得到的第一物体的自相关相应得到第一物体的重建结果，并利用连通域优化第一物体的重建结果，然后计算优化后的第一物体的重建结果的自相关并归一化，并结合自相关图形，相应计算得到第二物体的自相关；
其中步骤A6中的根据前一步骤具体是指：相应循环次数的步骤A5。
具体地，对第一物体的自相关C1使用多次自相关算法得到恢复误差最小的重建结果S1，利用连通域对重建结果S1进行优化得到优化后的重建结果S′1，计算优化后的重建结果S′1的自相关，并作归一化处理得到C1，用自相关图形D减去强度减半的C1得到C2即：
(1)新的第一物体的自相关C1作为输入，使用多次相位恢复算法，取其中误差最小的结果作为本次的第一物体的重建结果S1；
(2)使用步骤A3中的连通域优化方法优化重建结果S1得到S′1；
(3)C1＝S′1★S′1；
(4)归一化C1；
(5)C2＝S2★S2＝D-0.5·C1。
A7：循环进行步骤A5和A6，直到达到设置的循环次数，分别对输出的两个物体的自相关使用相位恢复算法实现两个物体的成像。
具体地，多次循环步骤A5和步骤A6后，第一物体的重建结果S1和第二物体的重建结果S2分别越来越接近真实的第一物体与第二物体，在经过一定的循环次数后两个物体的自相关被正确分开，最后利用相位恢复算法实现两个距离超出记忆效应范围的物体的非侵入式成像。
如图2所示，在另一优选实施例中，步骤A4中也可为：计算优化后的第二物体的重建结果的自相关并归一化，并结合自相关图形，相应计算得到第一物体的初始自相关；相应的步骤A5为：根据前一步骤得到的第一物体的自相关相应得到第一物体的重建结果，并利用连通域优化第一物体的重建结果，然后计算优化后的第一物体的重建结果的自相关并归一化，并结合自相关图形，相应计算得到新的第二物体的自相关；相应的步骤A6为：根据前一步骤得到的第二物体的自相关相应得到第二物体的重建结果，并利用连通域优化第二物体的重建结果，然后计算优化后的第二物体的重建结果的自相关并归一化，并结合自相关图形，相应计算得到第一物体的自相关。
本发明的优选实施例提出的基于连通域优化的超记忆效应范围非侵入式散射成像方法，当每个对象落入记忆效应范围内并且距离超出记忆效应范围时，采集的散斑的自相关可以简化为每个单个对象散斑自相关的线性叠加；并基于线性减法的自相关分离部分来分离混合信号，基于相位恢复算法恢复自相关丢失的相位信息，基于连通域优化的方法以保证迭代优化的方向收敛，最终准确地分离和恢复自相关完全混叠的两个对象，实现两个距离超出记忆效应范围的物体非侵入式成像，从而实现大视角范围的多个物体散射成像。通过本发明优选实施例的方法，只需采集一次样本，就可以同时实现两个距离超出记忆效应范围的物体非侵入式成像，并且除了要求每个物体只有单个连通域(也即每个物体空间连通)，两个物体透光面积和透光率相近(也即两个物体强度相当)外不需要任何其他先验信息，极大地提升了散斑相关方法的成像范围。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的技术人员来说，在不脱离本发明构思的前提下，还可以做出若干等同替代或明显变型，而且性能或用途相同，都应当视为属于本发明的保护范围。

Claims (8)

1.一种基于连通域优化的超记忆效应范围非侵入式散射成像方法，其特征在于，包括以下步骤：
A1：采集待成像的样本的散斑信息，其中待成像的样本包括尺寸在记忆效应范围内但距离超出记忆效应范围的连续的第一物体和第二物体；
A2：计算步骤A1采集的散斑信息的自相关图像，并根据自相关图像得到自相关图形；
A3：根据步骤A2的自相关图形得到第一物体或第二物体的重建结果，并利用连通域优化第一物体或第二物体的重建结果；
A4：计算经步骤A3优化后的第一物体或第二物体的重建结果的自相关并归一化，并结合自相关图形，相应计算得到第二物体或第一物体的初始自相关；
A5：根据前一步骤得到的第二物体或第一物体的自相关相应得到第二物体或第一物体的重建结果，并利用连通域优化第二物体或第一物体的重建结果，然后计算优化后的第二物体或第一物体的重建结果的自相关并归一化，并结合自相关图形，相应计算得到第一物体或第二物体的自相关；
A6：根据前一步骤得到的第一物体或第二物体的自相关相应得到第一物体或第二物体的重建结果，并利用连通域优化第一物体或第二物体的重建结果，然后计算优化后的第一物体或第二物体的重建结果的自相关并归一化，并结合自相关图形，相应计算得到第二物体或第一物体的自相关；
A7：循环进行步骤A5和A6直到预定的循环次数，再利用相位恢复算法和计算得到的第一物体的自相关和第二物体的自相关进行空域重构，实现非侵入式成像；
其中，步骤A3、A5和A6中利用连通域优化第一物体的重建结果或者利用连通域优化第二物体的重建结果分别具体包括：
将物体的重建结果Sk移动到中心，然后将物体的重建结果Sk按连通域分为n个区域，n代表重建结果连通域数目，且为不小于2的正整数，并按照连通域的大小降序排列为：ε1，ε2......εn；归一化物体的重建结果Sk；得到利用连通域优化后的物体的重建结果S′k为：
Figure FDA0002743714730000021
其中，k为1时，Sk代表第一物体的重建结果，S′k代表利用连通域优化后的第一物体的重建结果；k为2时，Sk代表第二物体的重建结果，S′k代表利用连通域优化后的第二物体的重建结果；averageSk代表重建结果中所有大于0.1的像素点的均值，ε＝{(x，y)，|(x，y)∈ε1，ε2}。
2.根据权利要求1所述的超记忆效应范围非侵入式散射成像方法，其特征在于，步骤A1中具体包括：使用基于单次散斑相关成像系统并设置被散射介质遮挡的尺寸在记忆效应范围之内但距离超出记忆效应范围的第一物体和第二物体作为待成像的样本，利用非相关光照射采集待成像的样本的散斑信息I为：
I＝O1*PSF1+O2*PSF2
其中，O1、O2分别代表第一物体和第二物体，PSF1和PSF2分别代表第一物体和第二物体对应散射介质部分的点扩散函数，*代表卷积运算。
3.根据权利要求2所述的超记忆效应范围非侵入式散射成像方法，其特征在于，步骤A2具体包括：计算步骤A1采集的散斑信息的自相关图像为：
I★I＝(O1*PSF1+O2*PSF2)★(O1*PSF1+O2*PSF2)
＝(O1★O1)+(O2★O2)+C
其中，★指自相关运算，C为背景项；
根据自相关图像得到自相关图形D为：D＝I★I-C。
4.根据权利要求1所述的超记忆效应范围非侵入式散射成像方法，其特征在于，步骤A3中根据步骤A2的自相关图形得到第一物体或第二物体的重建结果具体包括：对步骤A2的自相关图形使用多次相位恢复算法，得到恢复误差最小的第一物体或第二物体的重建结果。
5.根据权利要求1所述的超记忆效应范围非侵入式散射成像方法，其特征在于，步骤A4中具体包括：计算经步骤A3优化后的第一物体或第二物体的重建结果的自相关并归一化，并根据自相关图形减去优化后的第一物体或第二物体的重建结果的自相关进行归一化后的一半，相应计算得到第二物体或第一物体的初始自相关。
6.根据权利要求1所述的超记忆效应范围非侵入式散射成像方法，其特征在于，步骤A5和A6中根据前一步骤得到的第一物体的自相关得到第一物体的重建结果具体包括：对第一物体的自相关使用多次相位恢复算法，得到恢复误差最小的结果即为第一物体的重建结果；
步骤A5和A6中根据前一步骤得到的第二物体的自相关得到第二物体的重建结果具体包括：对第二物体的自相关使用多次相位恢复算法，得到恢复误差最小的结果即为第二物体的重建结果。
7.根据权利要求1所述的超记忆效应范围非侵入式散射成像方法，其特征在于，步骤A5和A6中计算优化后的第一物体的重建结果的自相关并归一化，并结合自相关图形，相应计算得到第二物体的自相关具体包括：计算优化后的第一物体的重建结果的自相关并归一化，并根据自相关图形减去优化后的第一物体的重建结果的自相关进行归一化后的一半，相应计算得到第二物体的初始自相关；
步骤A5和A6中计算优化后的第二物体的重建结果的自相关并归一化，并结合自相关图形，相应计算得到第一物体的自相关具体包括：计算优化后的第二物体的重建结果的自相关并归一化，并根据自相关图形减去优化后的第二物体的重建结果的自相关进行归一化后的一半，相应计算得到第一物体的初始自相关。
8.根据权利要求1所述的超记忆效应范围非侵入式散射成像方法，其特征在于，步骤A7具体包括：循环进行步骤A5和A6直到预定的循环次数后第一物体和第二物体的自相关被正确分开，然后利用相位恢复算法和计算得到的第一物体的自相关和第二物体的自相关进行空域重构，实现非侵入式成像。
CN201910319306.6A 2019-04-19 2019-04-19 基于连通域优化的超记忆效应范围非侵入式散射成像方法 Active CN109932816B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201910319306.6A CN109932816B (zh) 2019-04-19 2019-04-19 基于连通域优化的超记忆效应范围非侵入式散射成像方法
PCT/CN2020/080790 WO2020211598A1 (zh) 2019-04-19 2020-03-24 基于连通域优化的超记忆效应范围非侵入式散射成像方法
US16/930,302 US11162898B2 (en) 2019-04-19 2020-07-15 Non-invasive scattering imaging method beyond memory effect range based on connected component optimization

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910319306.6A CN109932816B (zh) 2019-04-19 2019-04-19 基于连通域优化的超记忆效应范围非侵入式散射成像方法

Publications (2)

Publication Number Publication Date
CN109932816A CN109932816A (zh) 2019-06-25
CN109932816B true CN109932816B (zh) 2021-01-05

Family

ID=66990403

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910319306.6A Active CN109932816B (zh) 2019-04-19 2019-04-19 基于连通域优化的超记忆效应范围非侵入式散射成像方法

Country Status (3)

Country Link
US (1) US11162898B2 (zh)
CN (1) CN109932816B (zh)
WO (1) WO2020211598A1 (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109932816B (zh) 2019-04-19 2021-01-05 清华大学深圳研究生院 基于连通域优化的超记忆效应范围非侵入式散射成像方法
CN112950482B (zh) * 2019-12-10 2023-05-26 深圳大学 物体信息恢复方法、装置、计算机设备和存储介质
CN112634380B (zh) * 2020-12-01 2023-08-15 西安电子科技大学 一种单帧超光学记忆效应的多目标彩色散射成像方法
CN114764220B (zh) * 2021-01-13 2023-05-26 四川大学 一种基于离轴数字全息改善散斑自相关重建效果的方法
CN115290601B (zh) * 2022-10-09 2023-01-24 之江实验室 一种宽谱非相干光散斑自相关成像探测的低冗余模拟方法
CN115696041B (zh) * 2022-10-26 2023-11-14 清华大学 基于波前调制迭代的非侵入式散射介质内部聚焦成像方法
CN115984405B (zh) * 2023-01-12 2024-03-29 中国科学院宁波材料技术与工程研究所 基于自相关性增强的散射成像方法、系统及模型训练方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6522407B2 (en) * 1999-01-22 2003-02-18 The Regents Of The University Of California Optical detection dental disease using polarized light
US6671044B2 (en) * 1999-01-25 2003-12-30 Amnis Corporation Imaging and analyzing parameters of small moving objects such as cells in broad flat flow
CN104865234B (zh) * 2015-06-03 2017-12-12 清华大学深圳研究生院 一种非侵入式半透明成像装置的成像方法
CN105445492B (zh) * 2015-12-14 2019-11-26 华中科技大学 一种透过散射介质的激光散斑流速检测方法和装置
CN105974430B (zh) * 2016-05-04 2018-05-04 西安电子科技大学 基于随机介质表面散射光的运动目标跟踪系统及跟踪方法
WO2018195309A1 (en) * 2017-04-19 2018-10-25 California Institute Of Technology Highly scattering metasurface phase masks for complex wavefront engineering
US11328185B2 (en) * 2017-06-30 2022-05-10 California Institute Of Technology Noninvasive, label-free, in vivo flow cytometry using speckle correlation technique
CN107247332B (zh) * 2017-08-04 2019-11-08 清华大学深圳研究生院 一种基于散斑估计和反卷积的非侵入式散射成像方法
CN109932816B (zh) * 2019-04-19 2021-01-05 清华大学深圳研究生院 基于连通域优化的超记忆效应范围非侵入式散射成像方法

Also Published As

Publication number Publication date
US11162898B2 (en) 2021-11-02
WO2020211598A1 (zh) 2020-10-22
US20200348229A1 (en) 2020-11-05
CN109932816A (zh) 2019-06-25

Similar Documents

Publication Publication Date Title
CN109932816B (zh) 基于连通域优化的超记忆效应范围非侵入式散射成像方法
Lu et al. Iterative reconstruction of low-dose CT based on differential sparse
Wang et al. Advances in data preprocessing for biomedical data fusion: An overview of the methods, challenges, and prospects
Hasan et al. Denoising low-dose CT images using multiframe blind source separation and block matching filter
Lv et al. Speckle noise reduction for optical coherence tomography based on adaptive 2D dictionary
Ghahremani et al. Adversarial distortion learning for medical image denoising
Yin et al. Unpaired low-dose CT denoising via an improved cycle-consistent adversarial network with attention ensemble
Qayyum et al. Single-shot retinal image enhancement using deep image priors
Li et al. An adaptive self-guided wavelet convolutional neural network with compound loss for low-dose CT denoising
Zhang et al. Wavelet-inspired multi-channel score-based model for limited-angle CT reconstruction
Li et al. A comprehensive survey on deep learning techniques in CT image quality improvement
Juneja et al. Denoising of computed tomography using bilateral median based autoencoder network
CN118154451A (zh) 基于结构非对齐配对数据集的深度学习ct图像去噪方法
Mingai et al. Removing ocular artifacts from mixed EEG signals with FastKICA and DWT
Vidyasaraswathi et al. Review of various histogram based medical image enhancement techniques
Chen et al. Deep learning-based algorithms for low-dose CT imaging: A review
Liu et al. Adaptive Threshold Learning in Frequency Domain for Classification of Breast Cancer Histopathological Images
Sarvari et al. An optimized EBRSA-Bi LSTM model for highly undersampled rapid CT image reconstruction
Li et al. Endoscopy image enhancement method by generalized imaging defect models based adversarial training
Sharif et al. Two-Stage Deep Denoising With Self-guided Noise Attention for Multimodal Medical Images
Guo Real-time medical image denoising and information hiding model based on deep wavelet multiscale autonomous unmanned analysis
Li et al. Dual-domain fusion deep convolutional neural network for low-dose CT denoising
Yang et al. Self-supervised noise modeling and sparsity guided electron tomography volumetric image denoising
Liu et al. 4D-CBCT reconstruction via motion compensataion learning induced sparse tensor constraint
Lee et al. Low-dose 2D X-ray angiography enhancement using 2-axis PCA for the preservation of blood-vessel region and noise minimization

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