CN113612947A - 一种面向大面阵小像元器件的加权采样方法及权重因子优化方法 - Google Patents
一种面向大面阵小像元器件的加权采样方法及权重因子优化方法 Download PDFInfo
- Publication number
- CN113612947A CN113612947A CN202110738653.XA CN202110738653A CN113612947A CN 113612947 A CN113612947 A CN 113612947A CN 202110738653 A CN202110738653 A CN 202110738653A CN 113612947 A CN113612947 A CN 113612947A
- Authority
- CN
- China
- Prior art keywords
- mtf
- snr
- sigma
- pixel
- function
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000005070 sampling Methods 0.000 title claims abstract description 25
- 238000005457 optimization Methods 0.000 title claims abstract description 12
- 238000010606 normalization Methods 0.000 claims description 3
- 238000009792 diffusion process Methods 0.000 claims description 2
- 238000000638 solvent extraction Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 238000003384 imaging method Methods 0.000 abstract description 18
- 230000003287 optical effect Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 101100366000 Caenorhabditis elegans snr-1 gene Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000004297 night vision Effects 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N25/00—Circuitry of solid-state image sensors [SSIS]; Control thereof
- H04N25/70—SSIS architectures; Circuits associated therewith
- H04N25/76—Addressed sensors, e.g. MOS or CMOS sensors
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种面向大面阵小像元器件的加权采样方法及权重因子优化方法,基于大面阵小像元成像器件,相对传统的多像素合并方法,本发明对不同的子像素设置不同的权重,将不同子像素进行加权合并,同时,为解决权重因子设置问题,将像素的权重因子设置为变量,构建权重因子的优化目标函数,对权重因子进行优化设计。本发明充分挖掘小像素成像器件的优势,可综合兼顾成像系统的SNR和MTF,获得更好的成像质量。
Description
技术领域
本发明属于光电成像技术领域,涉及一种基于大面阵小像元光学探测器件的新型采样方法。
背景技术
光学遥感成像系统包括光学镜头、探测器、电子学系统等,系统MTF和SNR是遥感成像系统的重要指标之一,SNR与探测器的像元感光面的面积成正比,而MTF随着填充因子的降低却可以提高。
随着探测器技术的不断发展,高像素小像元尺寸器件技术不断涌现,探测器的像元尺寸达到亚微米级,像素规模达到1亿甚至数亿。然而随着探测器像元尺寸的缩小,探测器的SNR降低,很难满足航天遥感成像SNR的需要。在商业手机传感器领域,基于多像素合一,如四合一、九合一(HM1)或十六合一(IMX700)等,带来了成像信噪比的提升,在夜视下获得了非常好的成像能力。然而,这对器件的MTF的改善几乎没有。
对于空间遥感成像系统,由于受到的扰动因素较多,对MTF的要求高,特别是随着高分辨成像技术的发展,为了保证成像质量,需要系统的口径越来越大。传统的探测器,MTF的理论极限为0.634,由于电荷弥散等的影响,实际MTF更低。
将成像系统看做一个线性系统,系统的MTF为各个环节的MTF的乘积。而当探测器MTF提高1.33倍,为维持相应的系统的MTF,对光学镜头的MTF可以降低1.33倍,进而可以使得系统的口径可以缩小18%左右,这对降低系统的实现成本具有重要意义。
MTF、SNR是光学成像系统的两个关键指标,SNR与探测器的像元感光面的面积成正比,而MTF随着填充因子的降低却可以提高。通过对不同的像素设置不同的采样权重,将挖掘到的不一样的信息,因此,可以通过设置不同的采样权重,挖掘不同频率的信息,而后进行融合,获取更丰富信息的图像。
发明内容
本发明解决的技术问题是:解决高分辨率高信噪比光学遥感成像问题,提供一种基于大面阵小像元器件的加权采样方法及权重因子优化方法。
本发明解决技术的方案是:一种面向大面阵小像元器件的加权采样方法及权重因子优化方法,包括如下步骤:
将探测器的像元按照L×L像元大小进行分块,第k个块记为Bk;
对每块内的像素设置不同的权重因子,权重因子的设置相对像素分布中心对称,进而确定每块输出DN值;
以每块的像素中心位置为坐标原点,相对像素水平、垂直方向设置XY轴,定义坐标系XOY,根据每块设置的权重因子,计算x方向的线扩散函数;
对线扩散函数进行傅里叶变换,得到加权采样后的MTF;
根据像素合并原理,构建每个块的最大信噪比模型SNR;
根据每个块的最大信噪比模型以及加权采样后的MTF,构建权重因子的优化目标函数MTF×SNR,并设置边界约束,通过搜索确定满足约束的权重因子。
进一步的,L为大于1的整数。
进一步的,权重因子按照高斯函数、三角函数形式进行设置。
进一步的,符合高斯函数的权重因子设置公式如下:
进一步的,x方向的线扩散函数如下:
其中,rect(x)为矩形函数,δ(x)为狄拉克函数,p为像元尺寸,Rk(m,n)为第k个块中的第m行第n列像素的权重因子。
进一步的,加权采样后的MTF表示如下:
其中,sinc(x)为辛克函数,f0为空间频率,p为像元尺寸。
进一步的,设P=1,进行归一化,得到
式中,f为归一化空间频率。
进一步的,每个块的最大信噪比模型SNR如下:
SNR0为单个像素对应的原始信噪比。
进一步的,优化目标函数
进一步的,通过下述方式确定满足约束的权重因子:
确定优化目标函数的变量为高斯函数的方差σ,设置边界约束0≤σ≤100以及MTF和SNR的阈值MTFm、SNRm;
设置上述方差σ的初值以及初始搜索步长△,通过全局搜索法,在σ的边界约束范围内不断改变σ大小,依次求解MTF、SNR和MTF×SNR,判断是否得到满足MTF和SNR的阈值约束的σ的粗范围,如不满足,则继续改变初始搜索步长△重新计算搜索,直到得到满足约束的σ的粗范围,再在上述粗范围内改变步长△,依次求解MTF×SNR,搜索最大的MTF×SNR对应的σ;
根据权重因子与σ的关系得到优化后的权重值。
进一步的,粗范围确定过程中初始搜索步长△=100/2i,i从1开始依次取值;粗范围确定后步长取值满足dσ/△≥20,dσ为搜索出的粗范围。
进一步的,MTFm要大于探测器未加权采样之前的MTF,要小于等于其极限值;SNRm要大于等于探测器未加权采样之前的探测器最大信噪比SNR0,要小于等于其极限值。
本发明与现有技术相比的有益效果是:
本发明充分挖掘小像素成像器件的优势,可综合兼顾成像系统的SNR和MTF,获得更好的成像质量。
可以提升探测器的MTF,降低光学系统的MTF,从而达到缩小系统口径,降低系统成本的目的。
具备更为灵活的模式,通过设置不同的权重因子,获得不同的SNR和MTF,可以满足不同的成像应用需求。
附图说明
图1为权重采样原理示意图;
图2为加权采样坐标系定义;
图3为权重因子优化流程。
具体实施方式
下面结合实施例对本发明作进一步阐述。
一种面向大面阵小像元器件的新型采样方法,基于加权采样叠加方法实现新颖的系统实现更为灵活、更高的系统性能指标;一种适用于加权采样方法的权重因子优化方法,通过构建权重优化目标函数和约束,实现权重因子的优化设置。具体包括如下步骤:
步骤一:探测器采用小像元高像素面阵CMOS器件,像元间距为p、像素规模为N×N的探测器,每L×L像元作为一个块B,其中N为L的整数倍,块的总数量为K,K=(N/L)2。L一般设置为奇数。
步骤二:如图1所示,针对第k个块Bk的L×L的像素设置不同的权重因子,权重因子分布对称,符合高斯函数形式等。每个像素DNk(m,n)(为第k个块中的第m行第n列像素的输出灰度)的输出值乘以相应的权重因子Rk(m,n),再进行累加,得到第k个块Bk的输出DN值为符合高斯函数的权重因子为:
式中,σ为高斯函数的方差。
步骤三:如步骤一和步骤二,定义坐标系XOY,将坐标原点设置为L×L个像素的中心位置,如图2所示。根据权重因子计算x方向的线扩散函数,如下所示:
以L=3为例,其线扩散函数为
式中,rect(x)为矩形函数,δ(x)为狄拉克函数,p为像元尺寸,Rk(m,n)为第(m,n)个像素的权重因子,由步骤二得到。
步骤四:对线扩散函数进行傅里叶变换,得到加权采样后的MTF,如下
式中,sinc(x)为辛克函数,f0为空间频率,单位为lp/mm。加权采样后的像素P=Lp,设P=1,进行归一化,得到
式中,f为归一化空间频率。
以L=3为例,其加权采用后的MTF为
MTF=sinc(f/3)[Rk(2,2)+2Rk(2,3)cos(2πf/3)]
步骤五:构建每个块的最大信噪比模型,设单个像素对应的原始SNR为SNR0,根据像素合并原理,多像素合并时,总信号是各个像素信号的和,而总噪声是各个像素信号和的均方根,因此叠加构建加权采样后的SNR函数如下所示:
以L=3为例,其加权采用后的SNR为
步骤六:根据步骤四和步骤五结果,构建权重因子的优化目标函数MTF×SNR,如下。
在优化过程中重点关注奈频斯特频率下的MTF,因此,将归一化空间频率f设置为0.5。因此得到优化目标函数为
以L=3为例,其加权采用后的MTF×SNR为
步骤七:根据步骤六,权重因子优化目标函数的变量为方差σ,设置边界约束0≤σ≤100,根据对MTF和SNR的指标需求,设置其阈值,MTF≥MTFm,SNR≥SNRm,其中MTFm为MTF的阈值,要大于探测器未加权采样之前的MTF(该理论值为0.634(@奈奎斯特频率)),要小于等于其极限值;SNRm要大于等于探测器未加权采样之前的探测器最大信噪比SNR0,要小于等于其极限值。MTF和SNR的极限值如下表所示。
L×L | 极限MTF(@奈频) | 极限SNR |
1×1 | 0.634 | SNR<sub>0</sub> |
3×3 | 0.955 | 3SNR<sub>0</sub> |
5×5 | 0.984 | 5SNR<sub>0</sub> |
步骤八:设置初值σ=0.01,通过全局搜索法,在σ的约束范围内先用粗步长不断改变σ大小,依次求解MTF、SNR和MTF×SNR,查找满足MTF和SNR约束的σ的粗范围,如返回为空,则继续改变步长重新计算搜索,直到得到满足约束的σ的粗范围,再在粗范围内精细改变步长,依次求解MTF×SNR,搜索最大的MTF×SNR对应的σ,根据权重因子与σ的关系得到优化后的权重值,具体优化流程见图3。粗范围确定过程中初始搜索步长△=100/2i,i从1开始依次取值;粗范围确定后步长取值满足dσ/△≥20,dσ为搜索出的粗范围。
根据优化后的权重值挖掘不同频率的信息,之后进行融合,获取丰富信息的图像。
本发明未详细说明部分属于本领域技术人员的公知常识。
Claims (12)
1.一种面向大面阵小像元器件的加权采样方法及权重因子优化方法,其特征在于包括如下步骤:
将探测器的像元按照L×L像元大小进行分块,第k个块记为Bk;
对每块内的像素设置不同的权重因子,权重因子的设置相对像素分布中心对称,进而确定每块输出DN值;
以每块的像素中心位置为坐标原点,相对像素水平、垂直方向设置XY轴,定义坐标系XOY,根据每块设置的权重因子,计算x方向的线扩散函数;
对线扩散函数进行傅里叶变换,得到加权采样后的MTF;
根据像素合并原理,构建每个块的最大信噪比模型SNR;
根据每个块的最大信噪比模型以及加权采样后的MTF,构建权重因子的优化目标函数MTF×SNR,并设置边界约束,通过搜索确定满足约束的权重因子。
2.根据权利要求1所述的方法,其特征在于:L为大于1的整数。
3.根据权利要求1所述的方法,其特征在于:权重因子按照高斯函数、三角函数形式进行设置。
10.根据权利要求1所述的方法,其特征在于:通过下述方式确定满足约束的权重因子:
确定优化目标函数的变量为高斯函数的方差σ,设置边界约束0≤σ≤100以及MTF和SNR的阈值MTFm、SNRm;
设置上述方差σ的初值以及初始搜索步长△,通过全局搜索法,在σ的边界约束范围内不断改变σ大小,依次求解MTF、SNR和MTF×SNR,判断是否得到满足MTF和SNR的阈值约束的σ的粗范围,如不满足,则继续改变初始搜索步长△重新计算搜索,直到得到满足约束的σ的粗范围,再在上述粗范围内改变步长△,依次求解MTF×SNR,搜索最大的MTF×SNR对应的σ;
根据权重因子与σ的关系得到优化后的权重值。
11.根据权利要求10所述的方法,其特征在于:粗范围确定过程中初始搜索步长△=100/2i,i从1开始依次取值;粗范围确定后步长取值满足dσ/△≥20,dσ为搜索出的粗范围。
12.根据权利要求10所述的方法,其特征在于:MTFm要大于探测器未加权采样之前的MTF,要小于等于其极限值;SNRm要大于等于探测器未加权采样之前的探测器最大信噪比SNR0,要小于等于其极限值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110738653.XA CN113612947B (zh) | 2021-06-30 | 2021-06-30 | 一种面向大面阵小像元器件的加权采样方法及权重因子优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110738653.XA CN113612947B (zh) | 2021-06-30 | 2021-06-30 | 一种面向大面阵小像元器件的加权采样方法及权重因子优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113612947A true CN113612947A (zh) | 2021-11-05 |
CN113612947B CN113612947B (zh) | 2024-05-07 |
Family
ID=78337043
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110738653.XA Active CN113612947B (zh) | 2021-06-30 | 2021-06-30 | 一种面向大面阵小像元器件的加权采样方法及权重因子优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113612947B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1892676A (zh) * | 2005-06-03 | 2007-01-10 | 沈洪泉 | 面部/虹膜组合光学成像的装置及方法 |
CN103268602A (zh) * | 2013-04-24 | 2013-08-28 | 国家测绘地理信息局卫星测绘应用中心 | 一种光学遥感影像质量综合评价方法 |
US20160125599A1 (en) * | 2013-06-07 | 2016-05-05 | Paul Scherrer Institut | Image fusion scheme for differential phase contrast imaging |
US20180295310A1 (en) * | 2017-04-07 | 2018-10-11 | Raytheon Company | System for and method of configurable diagonal and multi-mission line scan array imaging |
-
2021
- 2021-06-30 CN CN202110738653.XA patent/CN113612947B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1892676A (zh) * | 2005-06-03 | 2007-01-10 | 沈洪泉 | 面部/虹膜组合光学成像的装置及方法 |
CN103268602A (zh) * | 2013-04-24 | 2013-08-28 | 国家测绘地理信息局卫星测绘应用中心 | 一种光学遥感影像质量综合评价方法 |
US20160125599A1 (en) * | 2013-06-07 | 2016-05-05 | Paul Scherrer Institut | Image fusion scheme for differential phase contrast imaging |
US20180295310A1 (en) * | 2017-04-07 | 2018-10-11 | Raytheon Company | System for and method of configurable diagonal and multi-mission line scan array imaging |
Also Published As
Publication number | Publication date |
---|---|
CN113612947B (zh) | 2024-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113706482B (zh) | 一种高分辨率遥感影像变化检测方法 | |
CN112001847A (zh) | 相对生成对抗超分辨率重建模型生成高质量图像的方法 | |
CN110659591B (zh) | 基于孪生网络的sar图像变化检测方法 | |
CN109447919B (zh) | 结合多视角与语义纹理特征的光场超分辨率重建方法 | |
CN102279973A (zh) | 基于高梯度关键点的海天线检测方法 | |
CN114494829B (zh) | 一种sar图像多尺度舰船目标检测方法 | |
CN114241307B (zh) | 基于自注意力网络的合成孔径雷达飞机目标识别方法 | |
CN107845066B (zh) | 基于分段仿射变换模型的城市遥感图像拼接方法及装置 | |
CN103093458A (zh) | 关键帧的检测方法及装置 | |
CN112785636A (zh) | 一种多尺度增强式的单目深度估计方法 | |
CN114578356A (zh) | 基于深度学习的分布式散射体形变监测方法、系统及设备 | |
CN113612947B (zh) | 一种面向大面阵小像元器件的加权采样方法及权重因子优化方法 | |
CN114565511B (zh) | 基于全局单应性估计的轻量级图像配准方法、系统及装置 | |
CN114220019B (zh) | 一种轻量级沙漏式遥感图像目标检测方法及系统 | |
CN103105943B (zh) | 精确定位光电鼠标位移量的方法 | |
CN116543297A (zh) | 一种基于时期耦合的遥感变化检测方法 | |
CN115496788A (zh) | 一种使用空域传播后处理模块的深度补全方法 | |
CN110826691A (zh) | 基于yolo和lstm的地震速度谱智能拾取方法 | |
CN107133921A (zh) | 基于多层次邻域嵌入的图像超分辨率重建方法及系统 | |
CN116684662A (zh) | 视频处理方法、装置、设备及介质 | |
CN115082533A (zh) | 一种基于自监督的临近空间遥感图像配准方法 | |
CN103458154B (zh) | 一种视频的超分辨率方法及装置 | |
CN108109153A (zh) | 基于sar-kaze特征提取的sar图像分割方法 | |
CN114114382A (zh) | 用于地震预报的监测数据处理方法、地震预报方法和系统 | |
CN112116538A (zh) | 一种基于深度神经网络的海洋勘测图像质量增强方法 |
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 |