CN111259991B - 一种噪声环境下欠采样单像素成像目标识别方法 - Google Patents

一种噪声环境下欠采样单像素成像目标识别方法 Download PDF

Info

Publication number
CN111259991B
CN111259991B CN202010129617.9A CN202010129617A CN111259991B CN 111259991 B CN111259991 B CN 111259991B CN 202010129617 A CN202010129617 A CN 202010129617A CN 111259991 B CN111259991 B CN 111259991B
Authority
CN
China
Prior art keywords
pixel
neural network
convolutional neural
sample
under
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
CN202010129617.9A
Other languages
English (en)
Other versions
CN111259991A (zh
Inventor
张闻文
陆同希
陈钱
于雪莲
何伟基
余大权
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.)
Nanjing University of Science and Technology
Original Assignee
Nanjing University of Science and Technology
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 Nanjing University of Science and Technology filed Critical Nanjing University of Science and Technology
Priority to CN202010129617.9A priority Critical patent/CN111259991B/zh
Publication of CN111259991A publication Critical patent/CN111259991A/zh
Application granted granted Critical
Publication of CN111259991B publication Critical patent/CN111259991B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种噪声环境下欠采样单像素成像目标识别方法，该方法利用计算式单像素关联成像光路获取样本的一维欠采样信号，将一维欠采样信号行重排生成矩阵，将矩阵映射到伪彩色空间生成彩色图片；将彩色图片分为训练集和测试集，输入卷积神经网络进行训练，并进行参数调优，获得训练好的卷积神经网络；对待识别图片进行样本相同的处理得到彩色图片，将彩色图片作为目标样本经训练好的卷积神经网络进行识别，获得识别结果。本发明基在不进行关联运算的前提下进行目标识别，保证了目标识别准确率，加快了目标识别的速率。

Description

一种噪声环境下欠采样单像素成像目标识别方法
技术领域
本发明属于图像处理技术领域，具体为一种基于计算单像素成像的目标识别方法。
背景技术
传统的单像素成像中，成像光路中的一束光经分束器被分成两束，其中一束称为信号光，与目标作用后被一个无空间分辨能力的单像素探测器接收；另一束称为参考光，在传播过程中不与目标发生相互作用，被一个具有空间分辨能力的阵列探测器接收。对两个探测器接收到的信号进行关联运算，就能够清晰地恢复出目标的图像。但传统单像素成像的成像质量依赖采样次数，并且会受噪声大小的影响，在高环境噪声，欠采样条件下的成像结果质量较差，图像不完整，细节辨识度下降，难以识别，在仅需对目标进行识别的场景下，既浪费了重构的时间，效果也不尽如人意。
发明内容
本发明的目的在于提供了一种基于计算单像素成像的目标识别方法。
实现本发明目的的技术解决方案为：一种噪声环境下欠采样单像素成像目标识别方法，具体步骤为：
利用计算式单像素关联成像光路获取样本的一维欠采样信号，将一维欠采样信号行重排生成矩阵，将矩阵映射到伪彩色空间生成彩色图片，将彩色图片分为训练集和测试集；
将训练集输入卷积神经网络进行训练，并进行参数调优，获得训练好的卷积神经网络；
利用计算式单像素关联成像光路获取待识别图片的一维欠采样信号并进行重排、映射为彩色图片，将彩色图片作为目标样本经训练好的卷积神经网络进行识别，获得识别结果。
优选地，所述算式单像素关联成像光路包括光源、第一透镜、DMD数字微镜、平面镜、第二透镜、单像素探测器以及计算机，所述第一透镜和DMD数字微镜的中心与样本中心处于同一光轴上并且满足透镜物相关系，使光源照射到样本后样本发出的透射或反射光线能垂直投射到DMD数字微镜平面上，所述DMD数字微镜与计算机连接，用于播放计算机生成的有序哈达玛矩阵，所述平面镜设置在样本的透射或反射光线经DMD数字微镜的反射光程上，所述单像素探测器与第二透镜处于同一光轴，平面镜的反射光线经第二透镜被单像素探测器采集，所述单像素探测器与计算机连接。
优选地，将伪彩色空间，值域上限为Vmax，下限为Vmin，分别具体为：
Figure BDA0002395435970000021
其中，
Figure BDA0002395435970000022
和
Figure BDA0002395435970000023
分别表示集合
Figure BDA0002395435970000024
中的最大值和最小值，Δ为冗余量，
Figure BDA0002395435970000025
是由单像素探测器单次测量值Bi组成的一维向量，Q为非重构样本个数。
优选地，所述卷积神经网络为Res_Net_v2_50模型，卷积层数为50层。
优选地，当卷积神经网络进行训练收敛后，将测试集提供给卷积神经网络进行测试，获得卷积神经网络的识别准确率。
本发明与现有技术相比，其显著优点为：1)本发明减少了单像素关联成像的重构步骤，简化了单像素成像系统目标识别的流程；2)本发明生成的目标识别样本和传统方法相比，数据量更少，在识别过程中的耗时也更少，识别速率更快；3)本发明在低采样率、高噪声的成像环境下仍然适用，并且目标识别准确率没有降低。
下面结合附图对本发明作进一步详细描述。
附图说明
图1为计算式关联成像光路示意图。
图2为非重构式目标识别方案和传统先重构再进行识别方案两种样本的识别预处理时间。
图3为非重构式目标识别方案和传统先重构再进行识别方案两种样本的推理时间。
图4为本发明的具体实施方式流程图。
具体实施方式
一种噪声环境下欠采样单像素成像目标识别方法，首先对目标使用单像素成像系统进行探测，取得单像素探测器的欠采样数据。再将取得的单像素探测器一维信号数据进行重排，并映射到伪彩色空间，生成训练样本和测试样本。利用训练样本和测试样本分别训练、测试卷积神经网络，得到训练好的卷积神经网络。对待测目标使用单像素成像系统进行探测，同样映射到伪彩色空间，获得目标样本，将目标样本输入训练好的卷积神经网络得到识别结果。本发明的非重构方案步骤较为简化，并且样本数据量较小，识别速率较快。
本发明基于单像素关联成像，是一种非重构式目标识别方案，具体步骤如下：
利用计算式单像素关联成像光路获取N张图片对应的N个以欠采样的采样率获得的一维欠采样信号；分别将N个一维欠采样信号进行重排生成N个矩阵，同样采样率的数据生成同一标准的矩阵；将矩阵映射到伪彩色空间，生成N张彩色图片，将N张彩色图片分为训练集和测试集；
在某些实施例中，将对已知数字字符目标进行采集获得的N张图片作为训练集和测试集，按照一定比例划分，通常为训练集/测试集八二比例划分，再将训练集提供给卷积神经网络进行训练，待网络收敛后，将测试集提供给网络进行测试，可以得到网络的识别准确率。
进一步的实施例中，所述计算式单像素关联成像光路包括光源1、第一透镜4、DMD数字微镜6、平面镜5、第二透镜3、单像素探测器7以及计算机9，所述第一透镜4和DMD数字微镜6的中心与待测目标中心处于同一光轴上并且满足透镜物相关系，使光源1照射到待测目标后待测目标发出的透射或反射光线能垂直投射到DMD数字微镜6平面上，所述DMD数字微镜6与计算机9连接，用于播放计算机9生成的有序哈达玛矩阵，所述平面镜5设置在待测目标的透射或反射光线经DMD数字微镜6的反射光程上，所述单像素探测器7与第二透镜3处于同一光轴，平面镜5的反射光线经第二透镜3被单像素探测器7采集，成像光路中相对位置参数已知，单像素探测器7与计算机9连接。
所述算式单像素关联成像光路的工作过程为：利用计算机9生成一组有序的哈达玛矩阵，经DMD数字微镜6播放，同时目标的透射或反射光线经DMD数字微镜6反射，经平面镜反射后透过第二透镜3被单像素探测器接收，获得信号光路的探测信息，并且根据实际识别速率的需求，单像素探测器以欠采样的采样率获得一维欠采样信号，以节省采样时间。
在某些实施例中，将矩阵映射到伪彩色空间，生成彩色图片，即将具有较大波动范围的桶探测器数据映射到给定值域的伪彩色区域，即利用彩色图像表示波动较大的灰度图像。
进一步的实施例中，假设单像素探测器7的采样数(即单个非重构样本)为Ns，其桶探测器信号表示为
Figure BDA0002395435970000041
Figure BDA0002395435970000042
的物理意义是由单像素探测器单次测量值Bi组成的一维向量。其次，在单一场景下包含不同噪声的非重构样本个数为Q，记为
Figure BDA0002395435970000043
设非彩色映射的值域上限为Vmax，下限为Vmin，那么Vmax，Vmin由下式决定：
Figure BDA0002395435970000044
其中，
Figure BDA0002395435970000045
和
Figure BDA0002395435970000046
分别表示集合
Figure BDA0002395435970000047
中的最大值和最小值，Δ为冗余量，其作用是为了减少在测试样本中可能出现的超过值域的情况。确定了Vmax，Vmin后，对每个
Figure BDA0002395435970000048
进行重排，并映射到伪彩色空间，得到训练或测试样本。获得非重构式目标识别方案的训练样本。
将目标识别训练样本提供给卷积神经网络进行训练，并进行参数调优，最终获得识别准确率，得到训练好的网络。本发明使用的卷积神经网络为Res_Net_v2_50模型，网络的卷积层数为50层，训练集、测试集划分比例为80％和20％。在对学习率、batch_size(一次训练所选取的样本数)、num_epoch(所有样本的一次迭代)等参数进行调优调整后，得到识别准确率最高的状态，卷积神经网络训练完成。
利用计算式单像素关联成像光路获取待识别图片的一维欠采样信号并进行重排、映射为彩色图片，将彩色图片作为目标样本经训练好的卷积神经网络进行识别，获得识别结果。
表1为非重构式目标识别方案在不同的采样率、噪声比例下的识别准确率，其中ε为噪声比例，β为采样率，如表1所示，可以看出，同一采样率下，随着噪声比例的增大，识别准确率在逐步降低，这也符合实际情况中噪声对识别效果的影响，而同一噪声比例下，随着采样率的降低，识别准确率没有明显降低，其中，在高噪声比例下，由于高采样率时的识别率偏低，在降低采样率时识别准确率是明显升高的，这也验证了本发明的低采样率策略是可行的。
表1
Figure BDA0002395435970000051
图2、图3为非重构式目标识别方案和传统先重构再进行识别方案两种样本的识别预处理时间与推理时间。可以看出，本发明的样本，在识别过程中，其预处理时间是要明显短于传统方法的，而两种方法的推理时间接近，因为卷积神经网络的运行速率较快。
本发明基于单像素成像系统，在不进行关联运算的前提下进行目标识别，在保证了目标识别准确率不降低的情况下，简化了目标识别的流程，加快了目标识别的速率。本发明适用于各种噪声条件下的欠采样目标识别，不需要重构目标，只需要单像素探测器的一维信号便可进行识别。

Claims (3)

1.一种噪声环境下欠采样单像素成像目标识别方法，其特征在于，具体步骤为：
利用计算式单像素关联成像光路获取样本的一维欠采样信号，将一维欠采样信号行重排生成矩阵，将矩阵映射到伪彩色空间生成彩色图片，将彩色图片分为训练集和测试集，所述计算式单像素关联成像光路包括光源(1)、第一透镜(4)、DMD数字微镜(6)、平面镜(5)、第二透镜(3)、单像素探测器(7)以及计算机(9)，所述第一透镜(4)和DMD数字微镜(6)的中心与样本(2)中心处于同一光轴上并且满足透镜物相关系，使光源(1)照射到样本(2)后样本(2)发出的透射或反射光线能垂直投射到DMD数字微镜(6)平面上，所述DMD数字微镜(6)与计算机(9)连接，用于播放计算机(9)生成的有序哈达玛矩阵，所述平面镜(5)设置在样本(2)的透射或反射光线经DMD数字微镜(6)的反射光程上，所述单像素探测器(7)与第二透镜(3)处于同一光轴，平面镜(5)的反射光线经第二透镜(3)被单像素探测器(7)采集，所述单像素探测器(7)与计算机(9)连接；
设伪彩色空间值域上限为Vmax，下限为Vmin，分别具体为：
Figure FDA0003765125050000011
其中，
Figure FDA0003765125050000012
和
Figure FDA0003765125050000013
分别表示集合
Figure FDA0003765125050000014
中的最大值和最小值，Δ为冗余量，
Figure FDA0003765125050000015
是由单像素探测器单次测量值Bi组成的一维向量，在单一场景下包含不同噪声的非重构样本个数为Q，记为
Figure FDA0003765125050000016
将训练集输入卷积神经网络进行训练，并进行参数调优，获得训练好的卷积神经网络；
利用计算式单像素关联成像光路获取待识别图片的一维欠采样信号并进行重排、映射为彩色图片，将彩色图片作为目标样本经训练好的卷积神经网络进行识别，获得识别结果。
2.根据权利要求1所述的噪声环境下欠采样单像素成像目标识别方法，其特征在于，所述卷积神经网络为Res_Net_v2_50模型，卷积层数为50层。
3.根据权利要求1所述的噪声环境下欠采样单像素成像目标识别方法，其特征在于，当卷积神经网络进行训练收敛后，将测试集提供给卷积神经网络进行测试，获得卷积神经网络的识别准确率。
CN202010129617.9A 2020-02-28 2020-02-28 一种噪声环境下欠采样单像素成像目标识别方法 Active CN111259991B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010129617.9A CN111259991B (zh) 2020-02-28 2020-02-28 一种噪声环境下欠采样单像素成像目标识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010129617.9A CN111259991B (zh) 2020-02-28 2020-02-28 一种噪声环境下欠采样单像素成像目标识别方法

Publications (2)

Publication Number Publication Date
CN111259991A CN111259991A (zh) 2020-06-09
CN111259991B true CN111259991B (zh) 2022-09-20

Family

ID=70947480

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010129617.9A Active CN111259991B (zh) 2020-02-28 2020-02-28 一种噪声环境下欠采样单像素成像目标识别方法

Country Status (1)

Country Link
CN (1) CN111259991B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103323396A (zh) * 2013-06-28 2013-09-25 中国科学院空间科学与应用研究中心 一种基于符合测量的二维压缩鬼成像系统及方法
CN104796674A (zh) * 2015-04-17 2015-07-22 南京理工大学 基于压缩感知的彩色成像装置及方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108932480B (zh) * 2018-06-08 2022-03-15 电子科技大学 基于1d-cnn的分布式光纤传感信号特征学习与分类方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103323396A (zh) * 2013-06-28 2013-09-25 中国科学院空间科学与应用研究中心 一种基于符合测量的二维压缩鬼成像系统及方法
CN104796674A (zh) * 2015-04-17 2015-07-22 南京理工大学 基于压缩感知的彩色成像装置及方法

Also Published As

Publication number Publication date
CN111259991A (zh) 2020-06-09

Similar Documents

Publication Publication Date Title
CN109636742B (zh) 基于对抗生成网络的sar图像和可见光图像的模式转换方法
US8265375B2 (en) Method and apparatus for remote sensing of objects utilizing radiation speckle
CN109631787A (zh) 透射式靶标图像的光斑中心检测方法及桥梁挠度图像式检测装置
CN109086675B (zh) 一种基于光场成像技术的人脸识别及攻击检测方法及其装置
CN112766221B (zh) 基于船舶方向和位置多任务的sar图像船舶目标检测方法
US20210144278A1 (en) Compressed sensing based object imaging system and imaging method therefor
CA3179390A1 (en) A computer-implemented method and a system for estimating a pith location with regard to a timber board
EP3480782A1 (en) Method and device for reducing noise in a depth image
CN112862077B (zh) 多模光纤结合深度学习网络替代传统光谱仪的系统及方法
CN111860640A (zh) 一种基于gan的特定海域数据集增广方法
JP2023525938A (ja) 摂動合成開口レーダーのグラフベースのアレイ信号ノイズ除去
CN112990082A (zh) 一种水声脉冲信号的检测识别方法
CN111259991B (zh) 一种噪声环境下欠采样单像素成像目标识别方法
CN108007382B (zh) 基于结构光照明的面形测量装置和方法
CN116579959B (zh) 用于高光谱图像的融合成像方法及装置
KR20230005859A (ko) 복굴절 데이터의 효율적인 판독 기법
JP2023525468A (ja) 複屈折測定値のバックグラウンド補正
JPS6221011A (ja) 光切断法による計測装置
CN108007387B (zh) 基于结构光照明的面形测量装置和方法
CN116051532A (zh) 基于深度学习的工业零件缺陷检测方法、系统及电子设备
CN112926534B (zh) 一种基于变换域信息融合的sar图形船只目标检测方法
CN110163896A (zh) Sar图像匹配方法
CN113238076B (zh) 一种基于深度学习的复杂流场测量方法
CN114660917B (zh) 基于Transformer模型的自由视场红外数字全息成像方法
US20240126953A1 (en) Arithmetic operation system, training method, and non-transitory computer readable medium storing training program

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Zhang Wenwen

Inventor after: Lu Tongxi

Inventor after: Chen Qian

Inventor after: Yu Xuelian

Inventor after: He Weiji

Inventor after: Yu Daquan

Inventor before: Lu Tongxi

Inventor before: Chen Qian

Inventor before: Yu Xuelian

Inventor before: He Weiji

Inventor before: Yu Daquan

Inventor before: Zhang Wenwen

GR01 Patent grant
GR01 Patent grant