CN112923867A - 一种基于频谱显著性的傅里叶单像素成像方法 - Google Patents
一种基于频谱显著性的傅里叶单像素成像方法 Download PDFInfo
- Publication number
- CN112923867A CN112923867A CN202110083189.5A CN202110083189A CN112923867A CN 112923867 A CN112923867 A CN 112923867A CN 202110083189 A CN202110083189 A CN 202110083189A CN 112923867 A CN112923867 A CN 112923867A
- Authority
- CN
- China
- Prior art keywords
- frequency
- image
- point
- fourier
- probability
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
-
- 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
- G01N21/84—Systems specially adapted for particular applications
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
Abstract
本发明是一种基于频谱显著性的傅里叶单像素成像方法,该方法通过计算机生成一系列傅里叶基底图像投射到目标上,桶探测器探测到目标反射的总光强,并将其传输到计算机中,由计算机重构目标图像。该方法利用基于频谱显著性进行傅里叶系数的稀疏测量和图像重构,依据频谱的结构相似,仅在可能含有目标频谱显著信息的区域进行采样,有效提高了成像效率。
Description
技术领域
本发明涉及单像素成像技术领域,具体的说是一种基于频谱显著性的傅里叶单像素成像方法。
背景技术
传统的单像素成像方法利用哈达玛矩阵或随机矩阵作为测量矩阵,其缺点是在高分辨率情况下,成像效率较低。基于傅里叶基底的单像素成像方法可以有效解决这一问题,但仍存在大量冗余频点被采样的情况,严重降低了成像效率。
发明内容
本发明要解决的技术问题是提供一种基于频谱显著性的傅里叶单像素成像方法,利用频谱的结构相似,仅在可能含有目标频谱显著信息的区域进行采样,有效提高了成像效率。
为解决上述技术问题,本发明采用的技术方案为:
一种基于频谱显著性的傅里叶单像素成像方法,其特征在于:成像系统包括用于向成像目标投射基底图像的投影仪,以及用于采集成像目标反射图像的桶探测仪;计算机生成多组基底图像投射到目标上,桶探测器探测到成像目标反射的总光强,并将其传输到计算机中,由计算机重构目标图像,具体步骤如下:
步骤1,计算机生成正弦条纹基底图像,通过投影仪投射到成像目标上;
步骤2,计算机接收到桶探测仪采集到的反射图像信息,对给定的低频区域进行全采样,获取的谱强度图记为SL;
步骤3,获得探测器获取图像的显著低频信息;
步骤4,根据低频信息,获取所获取图像的高频信息;
步骤5,对高频点进行筛选;将低频集合和高频点集合相比,去除位置相同的频点,得到筛选后的点集合{PH_i_F};
步骤6,生成概率圆;
步骤7,生成概率图P;
步骤8,将概率图P利用其最大值归一化,将其上每个非零点上的值作为二项分布的概率,随机生成0或1,得到采样点图;利用该采样点图获取新的采样点集合,对应的谱强度图记为谱强度图记为SHS_i_F;
步骤9,图像的最终谱记为S=SL+SHS_i_F,将S进行逆傅里叶变换,得到重构图像。
所述的步骤2中,对给定的低分辨率区域进行全采样,建设重构图像的大小为m*n,低频部分的采样率为k,k<1,采样数为k*m*n;以(m/2,n/2)为中心,统计距离该中心最近的k*m*n个点的位置,作为低频采样的区域,该区域标记为RL;测量RL中每个频点的系数,将中心点记为PM,获取的谱强度图记为SL。
所述的步骤3中,对RL所有频点的系数大小进行排序,取前q个作为显著系数,组成集合记为{PL_i},其中下标L表示低频区域内的采样点,i=1…q。
所述的步骤4中,PL_i的点的坐标为(Px_L_i,Py_L_i),计算PL_i对应的高频点坐标(Px_H_i,Py_H_i)的公式如下:
其中c为放大系数,大于1;放大后,Px_H_i和Py_H_i在图像范围之内。
所述的步骤5中,坐标放大后的点,记为{PH_i};将{PH_i}与{PL_i}作比较,删除位置重复点,将筛选后的点的集合记为{PH_i_F},其中PH_i_F表示经过筛选的第i个高频点。
所述的步骤6中生成概率圆的方法为:生成一个高斯型卷积核,大小为u×u,u为奇数;所述的卷积核从内向外呈现圆对称和高斯分布;所述的卷积核用矩阵Mcore表示,将矩阵Mcore除以它的最大值,完成归一化;卷积核的半宽度为uhalf,
所述的步骤7中生成概率图P的方法为:筛选后{PH_i_F}共有A个元素,那么初始化A个大小为m*n的0元素矩阵;第i个矩阵记为Mi,PH_i_F对应其相应的Mi,PH_i_F的坐标为(Px_H_i_F,Py_H_i_F);则Mi中以(Px_H_i_F,Py_H_i_F)为中心,以uhalf为半宽度的区域替换为Mcore,对所有Mi都进行替换操作,完成替换操作的Mi,记为M′i;将M′i相加,得到概率图
所述的步骤8中将概率图P利用其最大值归一化,将概率图上每个非零点上的值作为二项分布的概率,随机生成0或1,得到采样点图,在采样点图里,标记为1的点的集合表示为{PHS_i},将{PHS_i}与{PL_i}比较,删除重复的采样点,余下的采样点记为{PHS_i_F},测量{PHS_i_F}对应谱强度,记为SHS_i_F。
该种基于频谱显著性的傅里叶单像素成像方法能够达到的有益效果为:计算机生成傅里叶基底图像通过投影仪投射到成像目标表面,桶探测器探测到目标反射的总光强,并将其传输到计算机中,计算机中利用基于频谱显著性进行稀疏测量和图像重构,依据频谱的结构相似,仅在可能含有目标频谱显著信息的区域进行采样,有效提高了成像效率。
附图说明
图1为本发明一种基于频谱显著性的傅里叶单像素成像方法的系统结构示意图。
图2为本发明一种基于频谱显著性的傅里叶单像素成像方法的工作流程图。
说明书附图说明:1、成像目标;2、计算机;3、投影仪;4、桶探测器;5、采集卡。
具体实施方式
以下结合说明书附图和具体优选的实施例对本发明作进一步描述。
一种基于频谱显著性的傅里叶单像素成像方法,如图1所示,成像系统包括用于向成像目标1投射基底图像的投影仪3,以及用于采集成像目标反射图像的桶探测仪4;计算机2生成多组基底图像投射到目标上,桶探测器探测到成像目标反射的总光强,并将采集到的数据通过采集卡5传输到计算机中,由计算机重构目标图像,如图2所示,具体步骤如下:
步骤1,计算机生成正弦条纹基底图像,通过投影仪投射到成像目标上;
步骤2,计算机接收到桶探测仪采集到的反射图像信息,对给定的低频区域进行全采样,获取的谱强度图记为SL;
步骤3,获得探测器获取图像的显著低频信息;
步骤4,根据低频信息,获取所获取图像的高频信息;
步骤5,对高频点进行筛选;将低频集合和高频点集合相比,去除位置相同的频点,得到筛选后的点集合{PH_i_F};
步骤6,生成概率圆;
步骤7,生成概率图P;
步骤8,将概率图P利用其最大值归一化,将其上每个非零点上的值作为二项分布的概率,随机生成0或1,得到采样点图;利用该采样点图获取新的采样点集合,对应的谱强度图记为谱强度图记为SHS_i_F;
步骤9,图像的最终谱记为S=SL+SHS_i_F,将S进行逆傅里叶变换,得到重构图像。
本实施例中,步骤2对给定的低分辨率区域进行全采样,建设重构图像的大小为m*n,低频部分的采样率为k,k<1,采样数为k*m*n;以(m/2,n/2)为中心,统计距离该中心最近的k*m*n个点的位置,作为低频采样的区域,该区域标记为RL;测量RL中每个频点的系数,将中心点记为PM,获取的谱强度图记为SL。
本实施例中,步骤3对RL所有频点的系数大小进行排序,取前q个作为显著系数,组成集合记为{PL_i},下标L表示低频区域内的采样点,i=1…q。
本实施例中,步骤4中PL_i的点的坐标为(Px_L_i,Py_L_i),计算PL_i对应的高频点坐标(Px_H_i,Py_H_i)的公式如下:
其中c为放大系数,大于1;放大后,Px_H_i和Py_H_i在图像范围之内。
本实施例中,步骤5中坐标放大后的点,记为{PH_i};将{PH_i}与{PL_i}作比较,删除位置重复点,将筛选后的点的集合记为{PH_i_F},其中PH_i_F表示经过筛选的第i个高频点。
本实施例中,步骤6中生成一个高斯型卷积核,大小为u×u,u为奇数;所述的卷积核从内向外呈现圆对称和高斯分布;所述的卷积核用矩阵Mcore表示,将矩阵Mcore除以它的最大值,完成归一化;卷积核的半宽度为uhalf,
本实施例中,步骤7中筛选后{PH_i_F}共有A个元素,那么初始化A个大小为m*n的0元素矩阵;第i个矩阵记为Mi,PH_i_F对应其相应的Mi,PH_i_F的坐标为(Px_H_i_F,Py_H_i_F);则Mi中以(Px_H_i_F,Py_H_i_F)为中心,以uhalf为半宽度的区域替换为Mcore,对所有Mi都进行替换操作,完成替换操作的Mi,记为M′i;将M′i相加,得到概率图
本实施例中,步骤8中将概率图P利用其最大值归一化,将概率图上每个非零点上的值作为二项分布的概率,随机生成0或1,得到采样点图,在采样点图里,标记为1的点的集合表示为{PHS_i},将{PHS_i}与{PL_i}比较,删除重复的采样点,余下的采样点记为{PHS_i_F},测量{PHS_i_F}对应谱强度,记为SHS_i_F。
本实施例中,数字图像可以通过离散傅里叶变换计算其空间频率,得到的结果称为频谱图像,标记为S。反之,如果直接测量目标的频谱,通过反傅里叶变换就可以得到目标的数字图像。在频谱图像中,一个位置代表一个频点,对应了一个正弦型的空域条纹作为基底。傅里叶单像素技术就是通过直接测量每个频点对应的系数,构成频谱图像,从而反演出目标图像。基于傅里叶单像素技术,基底图像的生成以及图像重构的方法如下:
其中,a、b、φ分别为基底图像的平均强度,对比度以及初相位。
那么重构图像就可以通过逆傅里叶变换求得,如下式所示:
进一步的,本实施例中,直接采用频域图像的坐标信息来表示频点的位置。当涉及到频域内图像坐标与空间频率fx,fy转换时,可按照下式进行转换:
fx=Px/m
fy=Py/n
式中,Px和Py为频谱图像中某点的坐标,fx,fy,为其转换后的空间频率,图像大小为m*n。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (8)
1.一种基于频谱显著性的傅里叶单像素成像方法,其特征在于:成像系统包括用于向成像目标投射傅里叶基底图像的投影仪,以及用于采集成像目标反射图像的桶探测仪;计算机生成多组基底图像投射到目标上,桶探测器探测到成像目标反射的总光强,并将其传输到计算机中,由计算机重构目标图像,具体步骤如下:
步骤1,计算机生成正弦条纹基底图像,通过投影仪投射到成像目标上;
步骤2,计算机接收到桶探测仪采集到的反射图像信息,对给定的低频区域进行全采样,获取的谱强度图记为SL;
步骤3,获得探测器获取图像的显著低频信息;
步骤4,根据低频信息,获取所获取图像的高频信息;
步骤5,对高频点进行筛选;将低频集合和高频点集合相比,去除位置相同的频点,得到筛选后的点集合{PH_i_F};
步骤6,生成概率圆;
步骤7,生成概率图P;
步骤8,将概率图P利用其最大值归一化,将其上每个非零点上的值作为二项分布的概率,随机生成0或1,得到采样点图;利用该采样点图获取新的采样点集合,对应的谱强度图记为谱强度图记为SHS_i_F;
步骤9,图像的最终谱记为S=SL+SHS_i_F,将S进行逆傅里叶变换,得到重构图像。
2.如权利要求1所述的一种基于频谱显著性的傅里叶单像素成像方法,其特征在于:所述的步骤2中,对给定的低分辨率区域进行全采样,建设重构图像的大小为m*n,低频部分的采样率为k,k<1,采样数为k*m*n;以(m/2,n/2)为中心,统计距离该中心最近的k*m*n个点的位置,作为低频采样的区域,该区域标记为RL;测量RL中每个频点的系数,将中心点记为PM,获取的谱强度图记为SL。
3.如权利要求2所述的一种基于频谱显著性的傅里叶单像素成像方法,其特征在于:所述的步骤3中,对RL所有频点的系数大小进行排序,取前q个作为显著系数,组成集合记为{PL_i},其中下标L表示低频区域内的采样点,i=1…q。
5.如权利要求4所述的一种基于频谱显著性的傅里叶单像素成像方法,其特征在于:所述的步骤5中,坐标放大后的点,记为{PH_i};将{PH_i}与{PL_i}作比较,删除位置重复点,将筛选后的点的集合记为{PH_i_F},其中PH_i_F表示经过筛选的第i个高频点。
8.如权利要求7所述的一种基于频谱显著性的傅里叶单像素成像方法,其特征在于:所述的步骤8中将概率图P利用其最大值归一化,将概率图上每个非零点上的值作为二项分布的概率,随机生成0或1,得到采样点图,在采样点图里,标记为1的点的集合表示为{PHS_i},将{PHS_i}与{PL_i}比较,删除重复的采样点,余下的采样点记为{PHS_i_F},测量{PHS_i_F}对应谱强度,记为SHS_i_F。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110083189.5A CN112923867B (zh) | 2021-01-21 | 2021-01-21 | 一种基于频谱显著性的傅里叶单像素成像方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110083189.5A CN112923867B (zh) | 2021-01-21 | 2021-01-21 | 一种基于频谱显著性的傅里叶单像素成像方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112923867A true CN112923867A (zh) | 2021-06-08 |
CN112923867B CN112923867B (zh) | 2023-06-23 |
Family
ID=76164150
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110083189.5A Active CN112923867B (zh) | 2021-01-21 | 2021-01-21 | 一种基于频谱显著性的傅里叶单像素成像方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112923867B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113567436A (zh) * | 2021-07-22 | 2021-10-29 | 上海交通大学 | 一种基于深度卷积神经网络的显著性目标检测装置及方法 |
CN114414050A (zh) * | 2022-01-18 | 2022-04-29 | 中国人民解放军国防科技大学 | 一种自适应傅里叶计算关联成像方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170363853A1 (en) * | 2014-12-23 | 2017-12-21 | Canon Kabushiki Kaisha | Reconstruction algorithm for fourier ptychographic imaging |
CN107885940A (zh) * | 2017-11-10 | 2018-04-06 | 吉林大学 | 一种用于分布式光纤振动传感系统的信号特征提取方法 |
CN108259865A (zh) * | 2018-03-09 | 2018-07-06 | 暨南大学 | 一种基于单像素探测器的彩色成像方法和系统 |
CN110231292A (zh) * | 2019-06-28 | 2019-09-13 | 深圳先进技术研究院 | 一种单像素太赫兹波成像方法和系统 |
-
2021
- 2021-01-21 CN CN202110083189.5A patent/CN112923867B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170363853A1 (en) * | 2014-12-23 | 2017-12-21 | Canon Kabushiki Kaisha | Reconstruction algorithm for fourier ptychographic imaging |
CN107885940A (zh) * | 2017-11-10 | 2018-04-06 | 吉林大学 | 一种用于分布式光纤振动传感系统的信号特征提取方法 |
CN108259865A (zh) * | 2018-03-09 | 2018-07-06 | 暨南大学 | 一种基于单像素探测器的彩色成像方法和系统 |
CN110231292A (zh) * | 2019-06-28 | 2019-09-13 | 深圳先进技术研究院 | 一种单像素太赫兹波成像方法和系统 |
Non-Patent Citations (2)
Title |
---|
吴冬鹏等: "基于NSSCT的红外与可见光图像融合", 《光学学报》 * |
黄海等: "图像显著性启发的傅里叶频域变密度压缩采样", 《计算机应用与软件》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113567436A (zh) * | 2021-07-22 | 2021-10-29 | 上海交通大学 | 一种基于深度卷积神经网络的显著性目标检测装置及方法 |
CN114414050A (zh) * | 2022-01-18 | 2022-04-29 | 中国人民解放军国防科技大学 | 一种自适应傅里叶计算关联成像方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112923867B (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112923867A (zh) | 一种基于频谱显著性的傅里叶单像素成像方法 | |
CN110674835B (zh) | 一种太赫兹成像方法及系统和一种无损检测方法及系统 | |
CN108764368B (zh) | 一种基于矩阵映射的图像超分辨率重建方法 | |
CN111343376B (zh) | 一种基于透射式双缝孔径编码成像系统及其超分辨方法 | |
CN113709325B (zh) | 基于Hadamard频域变换矩阵阈值滤波的单像素成像方法 | |
CN105205788A (zh) | 一种针对高通量基因测序图像的去噪方法 | |
CN114387164A (zh) | 一种太赫兹单像素超分辨成像方法和系统 | |
US11892613B2 (en) | System and method for generating an image | |
Garg et al. | Wavelet based resolution enhancement for low resolution satellite images | |
CN112203068A (zh) | 单像素成像方法、系统、装置及介质 | |
CN113030962A (zh) | 机载太赫兹合成孔径雷达及成像方法 | |
Williams et al. | Effectiveness of iterative algorithms in recovering phase in the presence of noise | |
Semenov et al. | Calculating the standard deviation of the size of objects in an image | |
CN110427951A (zh) | 一种基于非均匀采样策略的傅里叶单像素成像方法 | |
US20230144724A1 (en) | Method for Finding Image Regions that Significantly Influence Classification in a Tool for Pathology Classification in a Medical Image | |
Zhang et al. | A fast image reconstruction method based on Bayesian compressed sensing for the undersampled AFM data with noise | |
JP2020038129A (ja) | 平均光子数の推定方法及び平均光子数の推定装置 | |
Chushkin et al. | Upsampling speckle patterns for coherent X-ray diffraction imaging | |
KR20200101713A (ko) | 영상 복원 장치 및 방법 | |
Zhong et al. | Scalable image compressed sensing with generator networks | |
Pineda et al. | What does DQE say about lesion detectability in digital radiography? | |
Tomita | Measurement of entanglement entropy in the two-dimensional Potts model using wavelet analysis | |
Kezzoula et al. | Bi-ESRGAN: A New Approach of Document Image Super-Resolution Based on Dual Deep Transfer Learning | |
JP2012175597A (ja) | 画像処理装置及び画像処理プログラム | |
CN112929616B (zh) | 一种基于单像素成像系统和彩色调制的光度立体视觉图源获取方法 |
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 |