CN111598792B - 基于非局部正则化的相位恢复方法和装置 - Google Patents

基于非局部正则化的相位恢复方法和装置 Download PDF

Info

Publication number
CN111598792B
CN111598792B CN202010304175.7A CN202010304175A CN111598792B CN 111598792 B CN111598792 B CN 111598792B CN 202010304175 A CN202010304175 A CN 202010304175A CN 111598792 B CN111598792 B CN 111598792B
Authority
CN
China
Prior art keywords
domain
complex
image block
image
measurement
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
CN202010304175.7A
Other languages
English (en)
Other versions
CN111598792A (zh
Inventor
边丽蘅
王鑫
张军
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.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
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 Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN202010304175.7A priority Critical patent/CN111598792B/zh
Publication of CN111598792A publication Critical patent/CN111598792A/zh
Application granted granted Critical
Publication of CN111598792B publication Critical patent/CN111598792B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10052—Images from lightfield camera
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Microscoopes, Condenser (AREA)

Abstract

本申请提出一种基于非局部正则化的相位恢复方法和装置，其中，方法包括：获取目标光场在探测域的强度信息；通过相位恢复算法对强度信息进行处理得到复数域初始图像；对复数域初始图像进行分块处理得到多个样例图像块；在设定区域搜索与样例图像块结构相似的其它图像块，获取多个相似图像块，根据多个相似图像块生成图像块复数数据矩阵；对每一图像块复数数据矩阵进行复数域约束以构建低秩约束项，根据线性测量约束项和低秩约束项构建目标函数，对目标函数进行求解输出复数域目标图像。由此，通过线性测量约束项和低秩约束项构建目标函数，对目标函数的求解完成对目标光场的重构，在降低噪声对恢复结果影响的同时最大程度保留目标光场的细节。

Description

基于非局部正则化的相位恢复方法和装置
技术领域
本申请涉及摄像技术领域，尤其涉及一种基于非局部正则化的相位恢复方法和装置。
背景技术
具体地，相位恢复问题是科学与工程领域的经典问题，并出现在电子显微镜，晶体学，天文学，超分辨成像，信号复原等很多领域，由于目前的光学测量/检测设备(如CCD(电荷耦合器件，charge coupled device)相机，感光膜等)的光电响应速度慢于光波频率，而其测量的是光子的通量，所以测量数据只包含目标光场的强度信息，而相位信息丢失，然而对于一张由幅值和相位组成得复数域光场空间，相位比幅值含有更多信息，因此如何从强度信息中恢复出复数域信息便显得尤为重要。
相关技术中，利用干涉的方法测量相位装置较为复杂，而电磁波具有一条重要性质，即其远场对应于其近场的傅立叶变换，近几十年来专家学者提出了许多通过传感器测量的目标光场的在特定域的强度信息重建其复振幅函数的相位恢复算法，其中，比较经典有利用交替投影的迭代式相位恢复算法、利用压缩感知理论的PhaseLift(相位提升)算法等。
然而，由于图像信息在采集、传输过程中，受外界环境和仪器自身的影响，不可避免的受到各类噪声的干扰，采集到的强度信息受到噪声污染，由此恢复出的光场质量明显下降，如何在去除噪声影响的同时保持目标光场中的结构和细节信息(如边缘、纹理等)成为亟待解决的问题。
发明内容
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本申请提出一种基于非局部正则化的相位恢复方法，通过线性测量约束项和低秩约束项构建目标函数，通过对目标函数的求解完成对目标光场的重构，在降低噪声对恢复结果影响的同时最大程度保留目标光场的细节。
本申请提出一种基于非局部正则化的相位恢复装置。
本申请一方面实施例提出了一种基于非局部正则化的相位恢复方法，包括：
获取目标光场在探测域的强度信息；
通过相位恢复算法对所述强度信息进行处理得到复数域初始图像；
对所述复数域初始图像进行分块处理得到多个样例图像块；
获取与每一样例图像块对应的多个相似图像块，根据所述多个相似图像块生成图像块复数数据矩阵；
对每一图像块复数数据矩阵进行复数域约束以构建低秩约束项，根据线性测量约束项和所述低秩约束项构建目标函数，并对所述目标函数进行求解输出复数域目标图像。
可选地，所述对所述复数域初始图像进行分块处理得到多个样例图像块，包括：对所述复数域初始图像在横向和纵向以预设步长滑动以获得所述多个样例图像块。
可选地，所述获取与每一样例图像块对应的多个相似图像块，根据所述多个相似图像块生成图像块复数数据矩阵，包括：在所述每一样例图像块对应的设定窗口内进行k近邻搜索，获取满足预设阈值的前m个相似图像块以构成所述图像块复数数据矩阵，其中，K和m为正整数。
可选地，所述对每一图像块复数数据矩阵进行复数域约束以构建低秩约束项，包括：通过logdet函数对所述每一图像块复数数据矩阵进行复数域约束处理，得到低秩约束项。
可选地，所述根据线性测量约束项和所述低秩约束项构建目标函数，并对所述目标函数进行求解输出复数域目标图像，包括：通过在每次迭代中交替最小化所述目标函数中的复数域低秩约束项和所述线性测量约束项，完成对所述目标函数的求解输出复数域目标图像。
可选地，所述的方法，还包括：通过对每一图像块复数数据矩阵进行奇异值分解并使用奇异值阈值以完成对每一样例图像块的求解完成所述复数域低秩约束项的最小化。
可选地，所述的方法，还包括：使用交替方向乘子法，通过引入对偶变量完成对线性约束项的最小化。
可选地，所述线性约束项为：
其中，其中D为测量矩阵，为x在测量域幅值的平方，y为光学探测器采集到的所述目标光场在测量域幅值的平方；x为样例图像块。
本申请另一方面实施例提出了一种基于非局部正则化的相位恢复装置，包括：
获取模块，用于获取目标光场在探测域的强度信息；
恢复模块，用于通过相位恢复算法对所述强度信息进行处理得到复数域初始图像；
分块模块，用于对所述复数域初始图像进行分块处理得到多个样例图像块；
生成模块，用于获取与每一样例图像块对应的多个相似图像块，根据所述多个相似图像块生成图像块复数数据矩阵；
处理模块，用于对每一图像块复数数据矩阵进行复数域约束以构建低秩约束项，根据线性测量约束项和所述低秩约束项构建目标函数，并对所述目标函数进行求解输出复数域目标图像。
本申请又一方面实施例提出了一种家电设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如前述一方面实施例所述的基于非局部正则化的相位恢复方法。
本申请又一方面实施例提出了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时，实现前述方法实施例所述的基于非局部正则化的相位恢复方法。
本申请实施例所提供的技术方案可以包含如下的有益效果：
通过获取目标光场在探测域的强度信息；通过相位恢复算法对强度信息进行处理得到复数域初始图像；对复数域初始图像进行分块处理得到多个样例图像块；在设定区域搜索与样例图像块结构相似的其它图像块，获取与每一样例图像块对应的多个相似图像块，根据多个相似图像块生成图像块复数数据矩阵；对每一图像块复数数据矩阵进行复数域约束以构建低秩约束项，根据线性测量约束项和低秩约束项构建目标函数，并对目标函数进行求解输出复数域目标图像。由此，通过线性测量约束项和低秩约束项构建目标函数，通过对目标函数的求解完成对目标光场的重构，在降低噪声对恢复结果影响的同时最大程度保留目标光场的细节。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本申请实施例所提供的一种基于非局部正则化的相位恢复方法的流程示意图；
图2为本申请实施例所提供的一种的示例图；
图3为本申请实施例所提供的一种目标光场初始估计的流程图；
图4为本申请实施例提供的一种基于非局部正则化的相位恢复装置的结构示意图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的基于非局部正则化的相位恢复方法和装置。
具体地，图像通常具有大量的可压缩的冗余信息，位于不同位置的图像块常常显示出很强的相似性，可以使用各种复杂的形式来挖掘稀疏系数之间的高阶相关性，包括非局部稀疏和结构稀疏，可以显着提高重建图像的质量，非局部正则化就利用了这一思想，通过对具有相似结构的像素块施加低秩约束，在去噪的同时能最大程度地保持图像结构和细节信息。
本申请提出的基于非局部正则化的相位恢复方法，充分利用了图像不同位置之间的高阶稀疏性，传统的利用非局部信息去噪方法只是对含噪声图片进行简单处理，所以常常导致边缘的模糊和精细结构的丢失，而在本发明中构建了一个目标函数，其由线性测量约束项和代表非局部正则化的低秩约束项组成，通过对目标函数的求解完成对目标光场的重构，在降低噪声对恢复结果影响的同时最大程度保留目标光场的细节。
图1为本申请实施例所提供的一种基于非局部正则化的相位恢复方法的流程示意图。
如图1所示，该方法包括以下步骤：
步骤101，获取目标光场在探测域的强度信息。
步骤102，通过相位恢复算法对强度信息进行处理得到复数域初始图像。
具体地，可以通过图像传感器获取目标光场在探测域的强度信息即某个域的幅值图像，其中，探测域可以根据需要进行选择，比如傅里叶域或者空域等。
进一步地，利用相位恢复算法完成获取目标光场的复数域初始图像，以HIO(混合输入输出)算法为例，比如图2所示，该算法在两个平面(真实(成像)平面和测量(衍射)平面)进行处理以恢复出目标光场的复振幅函数，利用目标光场空域支撑域和测量域幅值为先验信息，在测量域的约束条件为以测量平面实测振幅替代测量平面的计算振幅，而在真实平面(空域)为在支撑区域内的数据保持不变，在非支撑区域内进行负反馈衰减，最终计算出目标光场的复数域初始图像
步骤103，对复数域初始图像进行分块处理得到多个样例图像块。
步骤104，在设定区域搜索与样例图像块结构相似的其它图像块，获取与每一样例图像块对应的多个相似图像块，根据多个相似图像块生成图像块复数数据矩阵。
具体地，对复数域初始图像进行分块处理得到多个样例图像块的方式有很多种，作为一种可能实现方式，对复数域初始图像在横向和纵向以预设步长滑动以获得多个样例图像块，也就是说，对复数域初始图像进行分块并构成每一样例图像块的图像块复数数据矩阵，即通过对复数域初始图像在横向和纵向以一定步长滑动以获得每一样例图像块。
进一步地，在设定区域搜索与样例图像块结构相似的其它图像块，获取与每一样例图像块对应的多个相似图像块，根据多个相似图像块生成图像块复数数据矩阵的方式有很多种，作为一种可能实现方式，在每一样例图像块对应的设定窗口内进行k近邻搜索，获取满足预设阈值的前m个相似图像块以构成图像块复数数据矩阵，其中，K和m为正整数，也就是说，对于每一样例图像块，在其设定窗口内进行k近邻搜索，在满足预设阈值的条件下选取前m个最相似的图像块以构成图像块复数数据矩阵。
继续以上述例子为例进行描述，在得到后，设定样例图像块大小(n×n)和横向和纵向的滑动步长s,(≤n)，并以此获得一定数量的样例图像块/>对于/>局部设定窗口(以为中心的图片区域，可以是局部也可以是全局)内所有与/>大小相同的图像块/>按照如下方法计算其与/>的距离。
通过选取距离最小的前m个图像块以获得对于每个相似图像块的数据矩阵Xi＝[xi0,i1…xim]，考虑到有噪声的情况，将/>表示为Xi＝i+i，其中，Li为低秩矩阵，Wi为高斯噪声矩阵。
步骤105，对每一图像块复数数据矩阵进行复数域约束以构建低秩约束项，根据线性测量约束项和低秩约束项构建目标函数，并对目标函数进行求解输出复数域目标图像。
具体地，对每一图像块复数数据矩阵进行复数域约束以构建低秩约束项的方式有很多种，作为一种可能实现方式，通过logdet函数对所述每一图像块复数数据矩阵进行复数域约束处理，得到低秩约束项，也就是说，构成图像块复数数据矩阵的相似图像块具有相似的结构，故矩阵的秩相对较低，通过使用logdet函数对图像块复数矩阵施加约束完成复数域的低秩约束项的构建。
进一步，根据线性测量约束项和低秩约束项构建目标函数，并对目标函数进行求解输出复数域目标图像的方式有很多种，作为一种可能实现方式，通过在每次迭代中交替最小化所述目标函数中的复数域低秩约束项和所述线性测量约束项，完成对所述目标函数的求解输出复数域目标图像。
更具体地，通过对每一图像块复数数据矩阵进行奇异值分解并使用奇异值阈值以完成对每一样例图像块的求解完成所述复数域低秩约束项的最小化，使用交替方向乘子法，通过引入对偶变量完成对线性约束项的最小化，线性约束项为：
其中，其中D为测量矩阵，为x在测量域幅值的平方，y为光学探测器采集到的所述目标光场在测量域幅值的平方；x为样例图像块。
也就是说，通过在每次迭代中交替最小化目标函数中的低秩约束项和线性测量约束项，完成对整个目标函数的求解，通过对图像块复数数据矩阵进行奇异值分解并使用奇异值阈值法以完成对每个样例图像块的求解，以及使用交替方向乘子法，通过引入对偶变量完成对线性约束项的最小化。
继续以上述例子为例进行描述，利用利用拉格朗日乘子法，低秩约束项形式如下：
其中，表示样例图像块/>的相似图像块组成的图像块复数数据矩阵，/>表示使用logdet函数进行复数域的低秩约束，λ表示拉格朗日乘子。
因此，目标函数如下：
在本申请中使用交替最小化完成对目标函数的求解，即先后最小化目标函数中的低秩约束项和线性约束项，其中，低秩约束项Li最小化问题的形式如下：
因此，低秩约束项Li的解为：
其中，表示Xi的奇异值分解，τ＝λ/(2η)，/>σj表示Li的第j个奇异值，ε表示一个值较小的常数。
在求解完每个Li后，再通过求解对于线性约束项最小化问题即可重建整个图像：
利用交替方向乘子法，引入对偶变量z，(7)的解可以通过迭代以下过程得到：
μ(l+1)＝(l)+(l)(x(l+1)-(l+1))(8-3)
β(l+1)＝β(l)(8-4)
通过上式求解出的x即为最终得到的复数域目标图像。
为例本领域人员更加清楚上述过程，使用全局非局部正则化进行相位恢复优化，提升重建精度，比如图3所示，通过传感器获取目标光场的某个域的幅值，使用相位恢复算法对目标光场进行初始估计得到复数域初始图像，并在复数域初始图像的横向与纵向以一定间隔选取合适大小的样例图像块；对于每个样例图像块，在其设定窗口内进行k近邻搜索以获取图像块复数数据矩阵；使用logdet函数对每个图像块复数数据矩阵施加复数域约束以构建低秩约束项，进而利用拉格朗日乘子法联合线性测量约束和低秩约束项完成目标函数的构建；使用交替最小化方法对目标函数进行求解，在每次迭代中，交替最小化目标函数的低秩约束项和线性测量约束项；最终，输出经过非局部正则化优化的复数域图像，也就是说，首先利用传感器获取目标光场在某个域的强度信息，然后使用该方法对测量值进行迭代计算，得到目标光场相位的重构结果。
本申请实施例的基于非局部正则化的相位恢复方法中，通过获取目标光场在探测域的强度信息；通过相位恢复算法对强度信息进行处理得到复数域初始图像；对复数域初始图像进行分块处理得到多个样例图像块；在设定区域搜索与样例图像块结构相似的其它图像块，获取与每一样例图像块对应的多个相似图像块，根据多个相似图像块生成图像块复数数据矩阵；对每一图像块复数数据矩阵进行复数域约束以构建低秩约束项，根据线性测量约束项和低秩约束项构建目标函数，并对目标函数进行求解输出复数域目标图像。由此，通过线性测量约束项和低秩约束项构建目标函数，通过对目标函数的求解完成对目标光场的重构，在降低噪声对恢复结果影响的同时最大程度保留目标光场的细节。
为了实现上述实施例，本申请还提出一种基于非局部正则化的相位恢复装置。
图4为本申请实施例提供的一种基于非局部正则化的相位恢复装置的结构示意图。
如图4所示，该装置包括：获取模块401、恢复模块402、分块模块403生成模块404和处理模块405。
获取模块401，用于获取目标光场在探测域的强度信息。
恢复模块402，用于通过相位恢复算法对所述强度信息进行处理得到复数域初始图像。
分块模块403，用于对所述复数域初始图像进行分块处理得到多个样例图像块。
生成模块404，用于在设定区域搜索与样例图像块结构相似的其它图像块，获取与每一样例图像块对应的多个相似图像块，根据所述多个相似图像块生成图像块复数数据矩阵。
处理模块405，用于对每一图像块复数数据矩阵进行复数域约束以构建低秩约束项，根据线性测量约束项和所述低秩约束项构建目标函数，并对所述目标函数进行求解输出复数域目标图像。
进一步地，在本申请实施例的一种可能的实现方式中，分块模块403，具体用于：对所述复数域初始图像在横向和纵向以预设步长滑动以获得所述多个样例图像块。
进一步地，在本申请实施例的一种可能的实现方式中，生成模块404，具体用于：在所述每一样例图像块对应的设定窗口内进行k近邻搜索，获取满足预设阈值的前m个相似图像块以构成所述图像块复数数据矩阵，其中，K和m为正整数。
进一步地，在本申请实施例的一种可能的实现方式中，处理模块405，具体用于：通过logdet函数对所述每一图像块复数数据矩阵进行复数域约束处理，得到低秩约束项。
进一步地，在本申请实施例的一种可能的实现方式中，处理模块405，具体用于：通过在每次迭代中交替最小化所述目标函数中的复数域低秩约束项和所述线性测量约束项，完成对所述目标函数的求解输出复数域目标图像。
进一步地，在本申请实施例的一种可能的实现方式中，还包括：通过对每一图像块复数数据矩阵进行奇异值分解并使用奇异值阈值以完成对每一样例图像块的求解完成所述复数域低秩约束项的最小化。
进一步地，在本申请实施例的一种可能的实现方式中，还包括：使用交替方向乘子法，通过引入对偶变量完成对线性约束项的最小化。
进一步地，在本申请实施例的一种可能的实现方式中，，所述线性约束项为：
其中，其中D为测量矩阵，为x在测量域幅值的平方，y为光学探测器采集到的所述目标光场在测量域幅值的平方；x为样例图像块。
需要说明的是，前述对方法实施例的解释说明也适用于该实施例的装置，此处不再赘述。
本申请实施例的基于非局部正则化的相位恢复装置中，获取目标光场在探测域的强度信息；通过相位恢复算法对强度信息进行处理得到复数域初始图像；对复数域初始图像进行分块处理得到多个样例图像块；在设定区域搜索与样例图像块结构相似的其它图像块，获取与每一样例图像块对应的多个相似图像块，根据多个相似图像块生成图像块复数数据矩阵；对每一图像块复数数据矩阵进行复数域约束以构建低秩约束项，根据线性测量约束项和低秩约束项构建目标函数，并对目标函数进行求解输出复数域目标图像。由此，通过线性测量约束项和低秩约束项构建目标函数，通过对目标函数的求解完成对目标光场的重构，在降低噪声对恢复结果影响的同时最大程度保留目标光场的细节。
为了实现上述实施例，本申请实施例提出了一种家电设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如前述终端设备执行方法实施例所述的基于非局部正则化的相位恢复方法。
为了实现上述实施例，本申请实施例提出了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时，实现前述方法实施例所述的基于非局部正则化的相位恢复方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (2)

1.一种基于非局部正则化的相位恢复方法，其特征在于，包括以下步骤：
获取目标光场在探测域的强度信息；
通过相位恢复算法对所述强度信息进行处理得到复数域初始图像；
对所述复数域初始图像进行分块处理得到多个样例图像块；
在设定区域搜索与样例图像块结构相似的其它图像块，获取与每一样例图像块对应的多个相似图像块，根据所述多个相似图像块生成图像块复数数据矩阵；
对每一图像块复数数据矩阵进行复数域约束以构建低秩约束项，根据线性测量约束项和所述低秩约束项构建目标函数，并对所述目标函数进行求解输出复数域目标图像，其中包括通过对每一图像块复数数据矩阵进行奇异值分解并使用奇异值阈值以完成对每一样例图像块的求解完成所述复数域低秩约束项的最小化；
所述通过相位恢复算法对所述强度信息进行处理得到复数域初始图像，包括：
通过HIO算法在真实平面和测量平面进行处理以恢复所述目标光场的复振幅函数，利用所述目标光场空域支撑域和测量域幅值为先验信息，在测量域的约束条件为以测量平面实测振幅替代测量平面的计算振幅，而在真实平面为在支撑区域内的数据保持不变，在非支撑区域内进行负反馈衰减，最终计算出目标光场的复数域初始图像；
所述根据线性测量约束项和所述低秩约束项构建目标函数，并对所述目标函数进行求解输出复数域目标图像，包括：
通过在每次迭代中交替最小化所述目标函数中的复数域低秩约束项和所述线性测量约束项，完成对所述目标函数的求解输出复数域目标图像；
其中，所述目标函数为：
其中，x为样例图像块，Li为低秩矩阵，D为测量矩阵，为x在测量域幅值的平方，y为光学探测器采集到的所述目标光场在测量域幅值的平方，/>表示样例图像块/>的相似图像块组成的图像块复数数据矩阵，L(;i,ε)表示使用logdet函数进行复数域的低秩约束，λ表示拉格朗日乘子；
使用交替方向乘子法，通过引入对偶变量完成对线性约束项的最小化；
所述线性约束项为：
其中，其中D为测量矩阵，为x在测量域幅值的平方，y为光学探测器采集到的所述目标光场在测量域幅值的平方；x为样例图像块；
所述对所述复数域初始图像进行分块处理得到多个样例图像块，包括：
对所述复数域初始图像在横向和纵向以预设步长滑动以获得所述多个样例图像块；
所述在设定区域搜索与样例图像块结构相似的其它图像块，获取与每一样例图像块对应的多个相似图像块，根据所述多个相似图像块生成图像块复数数据矩阵，包括：
在所述每一样例图像块对应的设定窗口内进行k近邻搜索，获取满足预设阈值的前m个相似图像块以构成所述图像块复数数据矩阵，其中，K和m为正整数；
所述对每一图像块复数数据矩阵进行复数域约束以构建低秩约束项，包括：
通过logdet函数对所述每一图像块复数数据矩阵进行复数域约束处理，得到低秩约束项；
所述目标函数由其线性测量约束和代表非局部正则化的低秩约束项组成。
2.一种基于非局部正则化的相位恢复装置，其特征在于，包括：
获取模块，用于获取目标光场在探测域的强度信息；
恢复模块，用于通过相位恢复算法对所述强度信息进行处理得到复数域初始图像；
分块模块，用于对所述复数域初始图像进行分块处理得到多个样例图像块；
生成模块，用于在设定区域搜索与样例图像块结构相似的其它图像块，获取与每一样例图像块对应的多个相似图像块，根据所述多个相似图像块生成图像块复数数据矩阵；
处理模块，用于对每一图像块复数数据矩阵进行复数域约束以构建低秩约束项，根据线性测量约束项和所述低秩约束项构建目标函数，并对所述目标函数进行求解输出复数域目标图像，其中包括通过对每一图像块复数数据矩阵进行奇异值分解并使用奇异值阈值以完成对每一样例图像块的求解完成所述复数域低秩约束项的最小化；
所述恢复模块，具体用于：
通过HIO算法在真实平面和测量平面进行处理以恢复所述目标光场的复振幅函数，利用所述目标光场空域支撑域和测量域幅值为先验信息，在测量域的约束条件为以测量平面实测振幅替代测量平面的计算振幅，而在真实平面为在支撑区域内的数据保持不变，在非支撑区域内进行负反馈衰减，最终计算出目标光场的复数域初始图像；
所述处理模块，具体用于：
通过在每次迭代中交替最小化所述目标函数中的复数域低秩约束项和所述线性测量约束项，完成对所述目标函数的求解输出复数域目标图像；
其中，所述目标函数为：
其中，x为样例图像块，Li为低秩矩阵，D为测量矩阵，为x在测量域幅值的平方，y为光学探测器采集到的所述目标光场在测量域幅值的平方，/>表示样例图像块/>的相似图像块组成的图像块复数数据矩阵，L(Li,ε)表示使用logdet函数进行复数域的低秩约束，λ表示拉格朗日乘子；
使用交替方向乘子法，通过引入对偶变量完成对线性约束项的最小化；
所述线性约束项为：
其中，其中D为测量矩阵，为x在测量域幅值的平方，y为光学探测器采集到的所述目标光场在测量域幅值的平方；x为样例图像块；
所述分块模块，具体用于：
对所述复数域初始图像在横向和纵向以预设步长滑动以获得所述多个样例图像块；
所述生成模块，具体用于：
在所述每一样例图像块对应的设定窗口内进行k近邻搜索，获取满足预设阈值的前m个相似图像块以构成所述图像块复数数据矩阵，其中，K和m为正整数；
所述处理模块，具体用于：
通过logdet函数对所述每一图像块复数数据矩阵进行复数域约束处理，得到低秩约束项；
所述目标函数由其线性测量约束和代表非局部正则化的低秩约束项组成。
CN202010304175.7A 2020-04-17 2020-04-17 基于非局部正则化的相位恢复方法和装置 Active CN111598792B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010304175.7A CN111598792B (zh) 2020-04-17 2020-04-17 基于非局部正则化的相位恢复方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010304175.7A CN111598792B (zh) 2020-04-17 2020-04-17 基于非局部正则化的相位恢复方法和装置

Publications (2)

Publication Number Publication Date
CN111598792A CN111598792A (zh) 2020-08-28
CN111598792B true CN111598792B (zh) 2024-04-19

Family

ID=72192025

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010304175.7A Active CN111598792B (zh) 2020-04-17 2020-04-17 基于非局部正则化的相位恢复方法和装置

Country Status (1)

Country Link
CN (1) CN111598792B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112163186B (zh) * 2020-10-26 2022-08-30 北京理工大学 即插即用的大规模高效鲁棒相位恢复方法与系统
CN112560412B (zh) * 2020-12-25 2023-09-01 北京百度网讯科技有限公司 一种信息补全的方法、装置、设备和存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110992266A (zh) * 2019-12-05 2020-04-10 北京理工大学 基于多维度非局部统计本征的去马赛克方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8935308B2 (en) * 2012-01-20 2015-01-13 Mitsubishi Electric Research Laboratories, Inc. Method for recovering low-rank matrices and subspaces from data in high-dimensional matrices

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110992266A (zh) * 2019-12-05 2020-04-10 北京理工大学 基于多维度非局部统计本征的去马赛克方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Compressive sensing via nonlocal low-rank regularization;Weisheng Dong 等;《IEEE TRANSACTIONS ON IMAGE PROCESSING》;第23卷(第8期);第3618-3632 页 *
High dynamic range coherent imaging using compressed sensing;Kuan He 等;《OPTICS EXPRESS》;第23卷(第24期);第1-13 页 *

Also Published As

Publication number Publication date
CN111598792A (zh) 2020-08-28

Similar Documents

Publication Publication Date Title
Ongie et al. Deep learning techniques for inverse problems in imaging
Jalobeanu et al. Hyperparameter estimation for satellite image restoration using a MCMC maximum-likelihood method
Hammernik et al. Machine learning for image reconstruction
JP2007503903A (ja) 局所適応的な非線形ノイズ削減
CN110675347A (zh) 一种基于组稀疏表示的图像盲复原方法
CN111598792B (zh) 基于非局部正则化的相位恢复方法和装置
Thapa et al. A performance comparison among different super-resolution techniques
Gelb et al. Reducing effects of bad data using variance based joint sparsity recovery
Ma et al. Extensions of compressed imaging: flying sensor, coded mask, and fast decoding
CN112270650B (zh) 基于稀疏自编码器的图像处理方法、系统、介质、设备
Sanghvi et al. Photon limited non-blind deblurring using algorithm unrolling
Rai et al. An unsupervised deep learning framework for medical image denoising
KR102319643B1 (ko) 점 확산 함수 레이어를 가진 뉴럴 네트워크를 이용한 현미경 영상 처리 방법 및 그 장치
Feng et al. Turbugan: An adversarial learning approach to spatially-varying multiframe blind deconvolution with applications to imaging through turbulence
Li et al. Image deblurring for satellite imagery using small-support-regularized deconvolution
CN111795949A (zh) 抗散射成像方法与装置
Pham et al. An adaptive image restoration algorithm based on hybrid total variation regularization
Lu et al. Pixon-based image denoising with Markov random fields
Zeyada et al. Resolving Interferometric SAR Speckle Problem Using Adaptive GAN.
Abraham Sundar et al. Multi-frame super-resolution using adaptive normalized convolution
Belhaj et al. Blind image deconvolution via Hankel based method for computing the GCD of polynomials
Skau et al. Tomographic reconstruction via 3D convolutional dictionary learning
Rahman et al. Towards scanning electron microscopy image denoising: a state-of-the-art overview, benchmark, taxonomies, and future direction
Zhang et al. Fast algorithm for image denoising with different boundary conditions
Mofidi et al. An adaptive parameter estimation in a BTV regularized image super-resolution reconstruction

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