CN110044474B - 一种基于插值算法的关联成像优化方法 - Google Patents
一种基于插值算法的关联成像优化方法 Download PDFInfo
- Publication number
- CN110044474B CN110044474B CN201910146582.7A CN201910146582A CN110044474B CN 110044474 B CN110044474 B CN 110044474B CN 201910146582 A CN201910146582 A CN 201910146582A CN 110044474 B CN110044474 B CN 110044474B
- Authority
- CN
- China
- Prior art keywords
- light
- intensity value
- light intensity
- interpolation algorithm
- differential
- 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
Links
- 238000003384 imaging method Methods 0.000 title claims abstract description 45
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000005457 optimization Methods 0.000 title claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000005070 sampling Methods 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 5
- 238000006467 substitution reaction Methods 0.000 claims description 5
- 238000002474 experimental method Methods 0.000 claims description 4
- 239000005337 ground glass Substances 0.000 claims description 4
- 238000011084 recovery Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 abstract 1
- 230000002596 correlated effect Effects 0.000 description 5
- 230000000875 corresponding effect Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000012634 optical imaging Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J1/00—Photometry, e.g. photographic exposure meter
- G01J1/42—Photometry, e.g. photographic exposure meter using electric radiation detectors
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Image Processing (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种基于插值算法的关联成像优化方法，所述关联成像优化方法基于对应成像的思想、双线性插值算法和差分关联成像方案。本发明将双线性插值和差分关联成像方法进行有效结合，采用双线性插值对系统采集的图像信息进行压缩，利用压缩后的像素信息参与差分关联成像，借助对应成像的思想对差分信号进行时间上的对应分组，经过一定的迭代筛选之后重构出目标物体的图像，最后利用双线性插值算法将图像大小恢复至原尺寸。插值算法通过对灰度值的处理大幅削减了图像数据信息，同时提高图像质量，从而使得本发明兼具插值算法的方便和关联成像抗干扰能力强的优点。
Description
技术领域
本发明涉及一种光学图像重建方法，特别涉及一种基于插值算法的关联成像优化方法。
背景技术
关联成像是一种借助光场的二阶乃至高阶关联性质，间接重构出图像的新型成像方式。作为一种新颖的成像技术，关联光学成像与传统光学成像之间存在着较大的差异性。关联成像的特点是能够“离物成像”：关联成像将照明光场分为两路，一路照射目标物体后用无空间分辨率的强度探测器收集，另一条光路直接由扫描探测器接收，两条光路的测量结果经过关联计算即可重构出目标物体的像。任一光路的信息都无法单独恢复图像，只有将两条光路的信息关联后方能重构出正确的结果。
几十年来国内外专家学者对此展开了大量的研究工作，提出了纠缠双光子关联成像、赝热光关联成像以及计算关联成像等经典关联成像方案，关联成像技术抗噪性能优越，对弱光敏感，可实现物像分离、单像素成像、且重构图像分辨率高。这些优点使得关联光学成像在遥感、弱光探测、穿透散射介质成像等方面具备良好的应用前景。然而现阶段关联光学成像也具备自身的局限性：关联光学成像的一般解析算法包含统计特征提取过程，因此成像所需探测时间以及后期算法解析时间都比较长，对复杂物体成像的细节还原度也不够高。因此，需要一种新的关联成像优化方法。
发明内容
发明目的在于提供一种基于插值算法的关联成像优化方法，克服现有方法重构时间长、重建效果差等问题。
实现本发明目的的技术解决方案为：一种基于插值算法的关联成像优化方法，包括以下步骤：
(1)光源调制：激光光源通过旋转的毛玻璃，生成具有随机时间强度的非相干光源，光束通过分束器被分为参考光路和信号光路，在参考光路中用CCD相机记录光场分布；
(2)降采样处理：在信号光路中，利用信号光路中光束对目标物体进行照射，首先采集目标物体透射或反射的二维光场信息做降采样处理，得到目标广场的数据，利用双线性插值算法对目标光场的数据进行压缩，然后利用一个桶探测器采集压缩后的光强值；
(3)光强替代：以差分关联成像为基础，对信号光路中桶探测器记录的光强值进行差分替代；
(4)对应分类：以N次迭代的差分光强值的系综平均作为门限，将每一次迭代的差分光强值与平均光强值做比较，分成大于和小于平均光强值的两个部分集合；
(5)目标重构：集合中的每一次光强值在时间上与参考光路中的一个光场分布值对应，光场分布值对应分成两个集合，对集合中的光场分布值做统计平均即可重构出目标物体的像；
(6)尺寸复原：利用插值算法对重构结果图进行大小尺寸的复原，保持实验前后图像大小的一致性。
更进一步的，步骤(2)利用桶探测器采集压缩后的光强值用Si表示，Si由下式表示：
Si＝∫Ii(x2)Td(x)d2(x2)
式中，Ii(x2)表示第i次关联重构时的信号光，Td(x)表示降采样后的目标二维光场。
更进一步的，步骤(5)光场分布值对应分成以下两个集合：{Ii(x1)+|S′i>〈S'〉},{Ii(x1)-|S′i<〈S'〉}
有益效果：本发明通过插值算法对目标信息的二维像素矩阵进行变换，根据像素点的具体灰度值以及灰度值的变化情况对二维信息进行快速变换压缩，参与关联重构的数据量与传统方法相比得到了有效的降低，大幅缩减了关联重构的时间；本发明基于差分关联成像方案，按照差分关联成像的光学系统，对信号光路中记录的光强值进行差分构造，以构造完成后新的差分光强值进行后续的图像重构。在差分构造的过程中，剔除了参考光路和信号光路中因相同因素同时产生的噪声，一定程度上减少了由光源功率波动以及外界环境带来的干扰，提高了重构图像的质量；本发明利用对应成像的思想对关联重构的信息进行分组处理，只利用了一半图像信息通过简单的统计平均就可以恢复目标物体的像，一定程度上降低了运算复杂度，降低了实际应用中对硬件的性能要求。
附图说明
图1为本发明的基于插值算法的关联成像优化方法的流程图；
图2为本发明的光学系统原理图；
图3为本发明目标物体示意图；
图4为本发明目标关联重构结果图；
图5为本发明重构结果与传统方法比较示意图；
具体实施方式
下面结合附图和具体实施例，进一步说明本发明方案。
如图1所示，基于插值算法的关联成像优化方法，包括如下步骤：
步骤1、光源调制：激光光源通过旋转的毛玻璃，生成具有随机时间强度的非相干光源。
本发明实例中，如图2所示，使用方便制备的赝热光作为实验光源，激光穿过旋转毛玻璃后得到赝热光Ii(x,y)(i＝1,2...N)，N为迭代次数，光束通过分束器被分为两部分，一部分是参考光Ii(x1)，另一部分是信号光Ii(x2)，在参考光路中用一个CCD相机记录光场分布。
步骤2、降采样处理：在信号光路中，光束照射目标物体产生调制，目标物体图像如图3所示，目标的透射系数或反射系数为T(x)，用探测器收集由目标透射或反射的二维光场信息，利用双线性插值算法对二维光场做降采样处理，压缩参与关联重构的信息量，随后利用一个桶探测器记录压缩后的光强信息，此部分的光强信息用Si表示，由如下公式得到：
Si＝∫Ii(x2)Td(x)d2(x2)
式中，Ii(x2)表示第i次关联重构时的信号光，Td(x)表示降采样后的目标二维光场。
步骤3、光强替代：以差分关联成像为基础，对信号光路中桶探测器记录的光强值进行差分替代。
本发明实施例以差分关联成像系统为基础，分束器的误差忽略不计，认为两束光等分，在参考光路中CCD测量记录的光场分布值Ii(x1)，将光场分布值的向量累加和记为Ri，定义一个新的差分光强值S'，替代Si参与后续的关联重构过程，Ri由如下公式得到：
Ri＝∫Ii(x1)d2x1
S'由如下公式得到：
式中〈S〉表示Si的系综平均值，〈R〉表示Ri的系综平均值。
步骤4、对应分类：本发明借助对应成像的思想以N次迭代的差分光强值的系综平均〈S'〉作为门限，将每一次迭代的差分光强值〈S〉与平均光强值〈S'〉做比较，分成大于和小于〈S'〉的两个部分集合。
步骤5、目标重构：如图4所示，步骤4完成的两个集合中的每一次光强值在时间上都与参考光路中的一个光场分布值相对应，因此，光场分布值对应分成两个集合：
{Ii(x1)+|S′i>〈S'〉},{Ii(x1)-|S′i<〈S'〉}
这样只对Ii(x1)+中的所有元素进行统计平均就可以得到目标物体的正像；只对Ii(x1)-中的所有元素进行统计平均就可以得到目标物体的负像。
步骤6、尺寸复原：利用双线性插值算法对重构结果图进行大小尺寸的复原，保持实验前后图像大小的一致性。
下面介绍本发明的一个实施例：
请参阅图2、图3和图4所示，本发明基于插值算法和对应成像思想依靠差分关联成像方案对图2所示的目标图像算例进行仿真计算，关联重构的迭代次数为10000次，并将结果与传统赝热光关联成像结果相比较，如图5所示。
利用传统赝热光关联成像(GI)、差分关联成像方案(DGI)以及本发明分别对图2进行十次实验，图2大小为256×256像素，迭代次数为10000次，并对重建图像的峰值信噪比PSNR进行计算，为减少误差取十次结果的平均值如下表1所示。
表1传统方案与本发明峰值信噪比结果
Claims (3)
1.一种基于插值算法的关联成像优化方法，其特征在于，包括以下步骤：
(1)光源调制：激光光源通过旋转的毛玻璃，生成具有随机时间强度的非相干光源，光束通过分束器被分为参考光路和信号光路，在参考光路中用CCD相机记录光场分布；
(2)降采样处理：在信号光路中，利用信号光路中光束对目标物体进行照射，首先采集目标物体透射或反射的二维光场信息做降采样处理，得到目标广场的数据，利用双线性插值算法对目标光场的数据进行压缩，然后利用桶探测器采集压缩后的光强值；
(3)光强替代：以差分关联成像为基础，对信号光路中桶探测器记录的光强值进行差分替代；
(4)对应分类：以N次迭代的差分光强值的系综平均作为门限，将每一次迭代的差分光强值与平均光强值做比较，分成大于和小于平均光强值的两个部分集合；
(5)目标重构：集合中的每一次光强值在时间上与参考光路中的一个光场分布值对应，光场分布值对应分成两个集合，对集合中的光场分布值做统计平均即可重构出目标物体的像；
(6)尺寸复原：利用插值算法对重构结果图进行大小尺寸的复原，保持实验前后图像大小的一致性。
2.如权利要求1所述的基于插值算法的关联成像优化方法，其特征在于，步骤(2)利用桶探测器采集压缩后的光强值用Si表示，Si由下式表示：
Si＝∫Ii(x2)Td(x)d2(x2)
式中，Ii(x2)表示第i次关联重构时的信号光，Td(x)表示降采样后的目标二维光场。
3.如权利要求1所述的基于插值算法的关联成像优化方法，其特征在于，步骤(5)光场分布值对应分成以下两个集合：
{Ii(x1)+|S′i＞<S'>},{Ii(x1)-|S′i＜<S'>}，
式中，Ii(x1)+表示差分光强值大于平均光强值的部分；
Ii(x1)-表示差分光强值小于平均光强值的部分；
S′i表示第i次关联重构时对应的差分光强值；
<S'>表示表示平均光强值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910146582.7A CN110044474B (zh) | 2019-02-27 | 2019-02-27 | 一种基于插值算法的关联成像优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910146582.7A CN110044474B (zh) | 2019-02-27 | 2019-02-27 | 一种基于插值算法的关联成像优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110044474A CN110044474A (zh) | 2019-07-23 |
| CN110044474B true CN110044474B (zh) | 2021-04-16 |
Family
ID=67274289
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910146582.7A Expired - Fee Related CN110044474B (zh) | 2019-02-27 | 2019-02-27 | 一种基于插值算法的关联成像优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110044474B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113009688B (zh) * | 2021-03-04 | 2022-05-03 | 清华大学 | 量子成像方法以及量子成像系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8948539B2 (en) * | 2011-09-28 | 2015-02-03 | The United States Of America As Represented By The Secretary Of The Army | System and method for image improvement and enhancement |
| CN104933745A (zh) * | 2015-06-26 | 2015-09-23 | 南京理工大学 | 基于分形插值的提高图像分辨率的关联成像方法 |
| CN106595859A (zh) * | 2016-11-01 | 2017-04-26 | 清华大学 | 鬼成像方法和应用其的鬼成像装置 |
| US10190916B1 (en) * | 2016-01-29 | 2019-01-29 | U.S. Department Of Energy | System for true thermal-light applications |
-
2019
- 2019-02-27 CN CN201910146582.7A patent/CN110044474B/zh not_active Expired - Fee Related
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8948539B2 (en) * | 2011-09-28 | 2015-02-03 | The United States Of America As Represented By The Secretary Of The Army | System and method for image improvement and enhancement |
| CN104933745A (zh) * | 2015-06-26 | 2015-09-23 | 南京理工大学 | 基于分形插值的提高图像分辨率的关联成像方法 |
| US10190916B1 (en) * | 2016-01-29 | 2019-01-29 | U.S. Department Of Energy | System for true thermal-light applications |
| CN106595859A (zh) * | 2016-11-01 | 2017-04-26 | 清华大学 | 鬼成像方法和应用其的鬼成像装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110044474A (zh) | 2019-07-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11368608B2 (en) | Compressed sensing based object imaging system and imaging method therefor | |
| CN111062880A (zh) | 一种基于条件生成对抗网络的水下图像实时增强方法 | |
| US20200241276A1 (en) | Three-dimensional microscopic imaging method and system | |
| CN105589210B (zh) | 一种基于光瞳调制的数字化合成孔径成像方法 | |
| CN110930317A (zh) | 一种基于卷积神经网络的鬼成像方法 | |
| CN111833248B (zh) | 基于部分哈达玛矩阵的超分辨率鬼成像方法及系统 | |
| CN108447113B (zh) | 一种基于深度学习模型的脉冲式强度关联三维成像方法 | |
| CN111986118B (zh) | 一种加权核范数最小化的水下计算鬼成像图像去噪方法及系统 | |
| Chen et al. | Discrete cosine single-pixel microscopic compressive imaging via fast binary modulation | |
| CN111833265A (zh) | 一种基于组稀疏循环调制的鬼成像图像恢复方案 | |
| CN112163998A (zh) | 一种匹配自然降质条件的单图像超分辨率分析方法 | |
| CN113709325A (zh) | 基于Hadamard频域变换矩阵阈值滤波的单像素成像方法 | |
| CN110044474B (zh) | 一种基于插值算法的关联成像优化方法 | |
| CN114387164A (zh) | 一种太赫兹单像素超分辨成像方法和系统 | |
| CN116797676A (zh) | 一种适用于编码孔径压缩光谱偏振成像重建的方法 | |
| CN116337010A (zh) | 智能优化散斑的关联成像重建恢复方法 | |
| CN114859377B (zh) | 一种运动目标实时捕获单像素成像方法及设备 | |
| CN115375540A (zh) | 一种基于深度学习算法的太赫兹图像超分辨方法 | |
| CN112907444A (zh) | 一种基于复数域零样本学习的太赫兹图像超分辨重建方法 | |
| CN117876837B (zh) | 基于深度展开网络的近红外单像素成像方法及系统 | |
| CN112001956A (zh) | 基于cnn的纹影法强激光远场焦斑测量图像去噪方法 | |
| CN110716211A (zh) | 一种迭代滤波关联成像方法 | |
| Han et al. | Dual discriminators generative adversarial networks for unsupervised infrared super-resolution | |
| CN117635432A (zh) | 一种基于单光子成像的单光子距离像拼接系统及方法 | |
| CN112616050B (zh) | 一种压缩成像分类方法及系统 |
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 |
Granted publication date: 20210416 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |