CN113902819A - 透过散射介质成像的方法、装置、计算机设备和存储介质 - Google Patents

透过散射介质成像的方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN113902819A
CN113902819A CN202010572639.2A CN202010572639A CN113902819A CN 113902819 A CN113902819 A CN 113902819A CN 202010572639 A CN202010572639 A CN 202010572639A CN 113902819 A CN113902819 A CN 113902819A
Authority
CN
China
Prior art keywords
autocorrelation
sample
distribution map
training
speckle
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.)
Pending
Application number
CN202010572639.2A
Other languages
English (en)
Inventor
廖美华
彭翔
何文奇
海涵
盘水新
卢大江
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.)
Shenzhen University
Original Assignee
Shenzhen University
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 Shenzhen University filed Critical Shenzhen University
Priority to CN202010572639.2A priority Critical patent/CN113902819A/zh
Publication of CN113902819A publication Critical patent/CN113902819A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G—PHYSICS
    • G02—OPTICS
    • G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
    • G02B26/00—Optical devices or arrangements for the control of light using movable or deformable optical elements
    • 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

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

Abstract

本申请涉及一种透过散射介质成像的方法、装置、计算机设备和存储介质。所述方法包括：获取目标物体透过目标散射介质成像后所形成的目标散斑图；根据所述目标散斑图得到散斑自相关分布图；将所述散斑自相关分布图输入已训练的物体自相关恢复模型进行物体自相关恢复，得到相应的物体自相关分布图；将所述物体自相关分布图输入已训练的物体重建模型进行物体重建，得到所述目标物体对应的物体图像。采用本方法能够在透过各类目标散射介质进行成像时，均能保证成像的准确性。

Description

透过散射介质成像的方法、装置、计算机设备和存储介质
技术领域
本申请涉及计算光学成像技术领域，特别是涉及一种透过散射介质成像的方法、装置、计算机设备和存储介质。
背景技术
透过散射介质的光学成像是人们长久以来渴望解决的基本光学问题之一。由于强散射介质的散射作用，使得传统光学成像系统难以有效地对散射介质后的物体进行观察。随着计算机技术的发展，计算成像技术进一步丰富了光学成像的手段，透过散射介质实现成像的研究也获得了快速发展。目前，实现透过散射介质成像的方式，通常是端对端的成像方式，也即是在模型训练阶段基于物体与相应的散斑图进行模型训练，在模型应用阶段基于已训练得到的模型与散斑图恢复得到相应的物体。但是，该种方式下，需要保证训练阶段与应用阶段所基于的散射介质保持不变，而在实际成像场景中，散射介质通常是动态变化的，由此，该种透过散射介质成像的方式存在成像准确性低的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高成像准确性的透过散射介质成像的方法、装置、计算机设备和存储介质。
一种透过散射介质成像的方法，所述方法包括：
获取目标物体透过目标散射介质成像后所形成的目标散斑图；
根据所述目标散斑图得到散斑自相关分布图；
将所述散斑自相关分布图输入已训练的物体自相关恢复模型进行物体自相关恢复，得到相应的物体自相关分布图；
将所述物体自相关分布图输入已训练的物体重建模型进行物体重建，得到所述目标物体对应的物体图像。
在其中一个实施例中，所述物体自相关恢复模型的训练步骤，包括：
获取样本物体对应的样本散斑自相关分布图与样本物体自相关分布图；
根据所述样本散斑自相关分布图与所述样本物体自相关分布图得到第一训练样本集；
根据所述第一训练样本集进行模型训练，得到物体自相关恢复模型。
在其中一个实施例中，所述物体重建模型的训练步骤，包括：
获取所述样本物体对应的样本物体图像；
根据所述样本物体图像与所述样本物体自相关分布图得到第二训练样本集；
根据所述第二训练样本集进行模型训练，得到物体重建模型。
在其中一个实施例中，所述方法还包括：
对由所述第一训练样本集训练得到的物体自相关恢复模型，以及由所述第二训练样本集训练得到的物体重建模型，进行联合测试；
当测试通过时，确定已训练好的物体自相关恢复模型与物体重建模型。
在其中一个实施例中，所述对由所述第一训练样本集训练得到的物体自相关恢复模型，以及由所述第二训练样本集训练得到的物体重建模型，进行联合测试，包括：
获取测试样本集；所述测试样本集包括测试物体对应的测试散斑自相关分布图与测试物体图像；
将所述测试散斑自相关分布图，作为由所述第一训练样本集训练得到的物体自相关恢复模型的输入特征，将相应的测试物体图像，作为由所述第二训练样本集训练得到的物体重建模型的期望的输出特征，进行联合测试。
在其中一个实施例中，所述获取样本物体对应的样本散斑自相关分布图与样本物体自相关分布图，包括：
获取样本物体对应的样本物体图像；
将所述样本物体图像进行自相关计算得到相应的样本物体自相关分布图；
获取样本物体透过样本散射介质成像后所形成的样本散斑图；
将所述样本散斑图进行自相关计算得到相应的样本散斑自相关分布图。
在其中一个实施例中，所述样本散射介质有多个；各样本散射介质的相位分布互不相同。
一种透过散射介质成像的装置，所述装置包括：
散斑图获取模块，用于获取目标物体透过目标散射介质成像后所形成的目标散斑图；
散斑自相关获取模块，用于根据所述目标散斑图得到散斑自相关分布图；
物体自相关恢复模块，用于将所述散斑自相关分布图输入已训练的物体自相关恢复模型进行物体自相关恢复，得到相应的物体自相关分布图；
物体重建模块，用于将所述物体自相关分布图输入已训练的物体重建模型进行物体重建，得到所述目标物体对应的物体图像。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述各实施例中的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述各实施例中的步骤。
上述透过散射介质成像的方法、装置、计算机设备和存储介质，在获取到目标物体透过目标散射介质成像后所形成的目标散斑图后，根据该目标散斑图得到相应的散斑自相关分布图，该目标散斑图与目标散射介质为强相关关系，而散斑自相关分布图与目标散射介质为弱相关关系，这样，基于该散斑自相关分布图对目标物体的物体图像进行恢复时，能够弱化目标散射介质对目标物体恢复的影响，从而能够提高物体图像恢复的准确性，而通过已训练好的物体自相关恢复模型根据散斑自相关分布图，能够快速而准确的得到相应的物体自相关分布图，并通过已训练好的物体重建模型根据该准确性较高的物体自相关分布，能够快速而准确的恢复得到目标物体对应的物体图像，这样，在无需保证训练阶段所涉及的样本散射介质与应用节点所涉及的目标散射介质一致的情况下，能够进一步提高物体图像恢复的准确性，也即在透过各类目标散射介质进行成像时，均能保证成像的准确性。
附图说明
图1为一个实施例中透过散射介质成像的方法的应用环境图；
图2为一个实施例中透过散射介质成像的原理示意图；
图3为一个实施例中物体自相关恢复模型与物体重建模型的训练步骤的流程示意图；
图4为一个实施例中光散射成像系统的架构图；
图5为一个实施例中透过散射介质成像的实验效果图；
图6为一个实施例中透过散射介质成像的装置的结构框图；
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种透过散射介质成像的方法，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。本实施例中，该方法包括以下步骤：
步骤102，获取目标物体透过目标散射介质成像后所形成的目标散斑图。
其中，目标散射介质是指用于对目标物体进行成像得到相应目标散斑图的散射介质。散射介质包括但不限于是毛玻璃、磨砂玻璃、水和生物组织等。
具体地，在光散射成像系统中，平行空间非相干光依次经过物平面上的目标物体，以及置于物平面与像平面之间的目标散射介质调制后，在像平面上形成该目标物体对应的目标散斑图，该目标散斑图是该目标物体在该光散射成像系统中，透过目标散射介质成像后在像平面上所形成的散斑图。图像采集设备置于该光散射成像系统的像平面处，用于采集物平面上的目标物体在像平面上所形成的目标散斑图，并将所采集的目标散斑图发送至终端，以便于终端基于该目标散斑图恢复得到该目标物体对应的物体图像。图像采集设备具体可以是相机，比如SCMOS相机。
在一个实施例中，在光散射成像系统中，光源发出的光依次通过旋转毛玻璃与准直透镜进行调制，得到平行空间非相干光，以使得光源发出的光以平行空间非相干光垂直入射物平面。光源包括但不限于是激光器与单色LED(发光二极管)光源。可以理解，当光源为单色LED光源时，在光散射成像系统中的光源与准直透镜之间无需设置旋转毛玻璃，也即是单色LED光源发出的光通过准直透镜进行调制，得到相应的平行空间非相干光。
在一个实施例中，在光散射成像系统中，将加载有目标物体的图像加载器置于物平面，能够在像平面得到该目标物体对应的目标散斑图。图像加载器具体可以是SLM(空间光调制器)或DMD(数字微镜器件)。可以理解，当图像加载器为SLM时，该光散射成像系统中还包括分别置于图像加载器的位置之前或之后的偏转片，以实现振幅调制。
步骤104，根据目标散斑图得到散斑自相关分布图。
具体地，终端将所获取到的目标散斑图进行自相关计算，得到相应的散斑自相关分布图。
在一个实施例中，终端根据目标物体对应的目标散斑图，按照自相关函数进行自相关计算，得到该目标物体对应的散斑自相关分布图。其中，自相关函数可表示如下：
Figure BDA0002550200550000051
其中，I(x,y)表示目标散斑图，
Figure BDA0002550200550000052
表示自相关操作，
Figure BDA0002550200550000053
表示目标散斑图对应的散斑自相关分布图，|*|表示取模运算，FT{*}表示傅里叶变换运算，IFT{*}表示逆傅里叶变换运算。
步骤106，将散斑自相关分布图输入已训练的物体自相关恢复模型进行物体自相关恢复，得到相应的物体自相关分布图。
其中，物体自相关恢复模型是基于第一训练样本集训练得到的、能够用于根据目标物体对应的散斑自相关分布图恢复得到相应的物体自相关分布图。第一训练样本集包括样本物体对应的样本散斑自相关分布图与样本物体自相关分布图。
具体地，终端在得到目标物体对应的散斑自相关分布图后，将该散斑自相关分布图作为输入特征，输入在模型训练阶段已训练得到的物体自相关恢复模型，通过该物体自相关恢复模型对该散斑自相关分布图进行物体自相关恢复，得到相应的物体自相关分布图。
在一个实施例中，根据散斑相关原理可知，在非相干照明条件下，目标物体对应的目标散斑图的自相关分布近似等于该目标物体的自相关分布，也即是目标物体对应的散斑自相关分布图近似等于该目标物体对应的物体自相关分布图。在实际应用中，目标散斑图的散斑自相关分布图，可表示为相应目标物体的物体自相关分布图与噪声分布图的叠加，也即散斑自相关分布图与物体自相关分布图存在以下映射关系：
Figure BDA0002550200550000061
其中，I(x,y)表示目标物体对应的目标散斑图，O(x,y)表示目标物体对应的目标物体图像，
Figure BDA0002550200550000062
表示自相关操作，
Figure BDA0002550200550000063
表示目标散斑图对应的散斑自相关分布图，
Figure BDA0002550200550000064
表示目标物体图像对应的物体自相关分布图，C(x,y)表示噪声分布图或噪声项。可以理解，目标散斑图、目标物体图像与噪声分布图均为强度分布。
进一步地，物体自相关分布图是对目标物体图像按照自相关函数进行自相关计算得到的。其中，自相关函数可表示如下：
Figure BDA0002550200550000065
其中，O(x,y)表示目标物体图像，
Figure BDA0002550200550000066
表示自相关操作，
Figure BDA0002550200550000067
表示目标物体图像对应的物体自相关分布图，|*|表示取模运算，FT{*}表示傅里叶变换运算，IFT{*}表示逆傅里叶变换运算。
当目标物体透过不同散射介质成像时，会得到不同的目标散斑图，但是该不同的目标散斑图各自对应的散斑自相关分布图的有效信息是一致的。换句话说，当携带同一目标物体的光透过不同散射介质进行成像时，上述映射关系中的物体自相关分布图
Figure BDA0002550200550000068
保持不变，只是噪声分布图C(x,y)不同，由此，可将散斑自相关分布图
Figure BDA0002550200550000069
理解为包含噪声项的物体自相关分布图。物体自相关分布图相当于是去除了噪声项后的散斑自相关分布图。由此可见，通过从散斑自相关分布图中剔除由散射介质产生的噪声项，也即使得C(x,y)＝0，即可获得目标物体的物体自相关分布图。
步骤108，将物体自相关分布图输入已训练的物体重建模型进行物体重建，得到目标物体对应的物体图像。
其中，物体重建模型是基于第二训练样本集训练得到的、能够用于根据目标物体对应的物体自相关分布图恢复得到该目标物体对应的物体图像的模型。物体图像是指包括目标物体的图像，具体可以是指包括目标物体的物体信息的图像。目标物体的物体信息具体可以是指目标物体的特征信息或形貌信息。
具体地，终端在通过物体自相关恢复模型根据散斑自相关分布图恢复得到相应物体自相关分布图后，将该物体自相关分布图作为输入特征，输入在模型训练阶段已训练得到的物体重建模型，通过该物体重建模型根据该物体自相关分布图对相应目标物体进行重建，得到该目标物体对应的物体图像。
在一个实施例中，终端在得到目标物体对应的物体自相关分布图后，基于该物体自相关分布图，通过求解逆问题能够恢复得到目标物体对应的物体图像，也即能够基于物体自相关分布图能够恢复得到目标物体的物体信息。
上述透过散射介质成像的方法、装置、计算机设备和存储介质，在获取到目标物体透过目标散射介质成像后所形成的目标散斑图后，根据该目标散斑图得到相应的散斑自相关分布图，该目标散斑图与目标散射介质为强相关关系，而散斑自相关分布图与目标散射介质为弱相关关系，这样，基于该散斑自相关分布图对目标物体的物体图像进行恢复时，能够弱化目标散射介质对目标物体恢复的影响，从而能够提高物体图像恢复的准确性，而通过已训练好的物体自相关恢复模型根据散斑自相关分布图，能够快速而准确的得到相应的物体自相关分布图，并通过已训练好的物体重建模型根据该准确性较高的物体自相关分布，能够快速而准确的恢复得到目标物体对应的物体图像，这样，在无需保证训练阶段所涉及的样本散射介质与应用节点所涉及的目标散射介质一致的情况下，能够进一步提高物体图像恢复的准确性，也即在透过各类目标散射介质进行成像时，均能保证成像的准确性。
在一个实施例中，物体自相关恢复模型的训练步骤，包括：获取样本物体对应的样本散斑自相关分布图与样本物体自相关分布图；根据样本散斑自相关分布图与样本物体自相关分布图得到第一训练样本集；根据第一训练样本集进行模型训练，得到物体自相关恢复模型。
具体地，在模型训练阶段，终端按照以下训练步骤预先训练得到已训练好的物体自相关恢复模型：终端获取多个样本物体各自对应的样本散斑自相关分布图与样本物体自相关分布图，并根据该多个样本物体各自对应的样本散斑自相关分布图与样本物体自相关分布图，得到相应的第一训练样本集；终端将该第一训练样本集中的样本散斑自相关分布图作为输入特征，将相应的样本物体自相关分布图作为期望的输出特征进行迭代训练，并在迭代停止后得到已训练的物体自相关恢复模型。
在一个实施例中，终端可将基于第一训练样本集训练得到的物体自相关恢复模型，确定为已训练好的物体自相关恢复模型。终端也可将基于第一训练样本集训练得到的物体自相关恢复模型确定为候选物体自相关恢复模型，并基于测试样本集对该候选物体自相关恢复模型进行测试，当测试通过时，将该候选物体自相关恢复模型确定为已训练好的物体自相关恢复模型，当测试未通过时，继续对该候选物体自相关恢复模型进行训练，直至继续训练得到的物体自相关恢复模型测试通过，得到已训练好的物体自相关恢复模型。这样，在模型应用阶段，通过该已训练好的物体自相关恢复模型，根据目标物体对应的散斑自相关分布图，能够快速而准确地恢复得到相应的物体自相关分布图。
在一个实施例中，在物体自相关恢复模型的迭代训练过程中，基于样本物体对应的预测物体自相关分布图与样本物体自相关分布图，确定损失函数的函数值，并基于所确定的函数值反向调整当前训练的物体自相关恢复模型的参数值。损失函数包括但不限于是MAE(Mean Absolute Error，平均绝对误差)、MSE(Mean Square Error，均方误差)。
在一个实施例中，物体自相关恢复模型的迭代训练过程所涉及的机器学习算法包括但不限于是深度神经网络，深度神经网络比如U-net(一种全卷积神经网络图像分割网络)。
在一个实施例中，物体自相关恢复模型的迭代训练过程所涉及学习率与迭代循环次数，可以是根据大量实验预先确定的经验值，也可以是在物体自相关恢复模型的迭代训练过程中，基于损失函数的函数值的变化趋势动态调整的。这样，终端可在达到所确定的迭代循环次数后，停止迭代过程，得到已训练的物体自相关恢复模型。
上述实施例中，基于样本物体对应的样本散斑自相关分布图与样本物体自相关分布图，预先训练得到已训练的物体自相关恢复模型，以便于在透过散射介质成像过程中，基于该已训练的物体自相关恢复模型，能够基于目标物体对应的散斑自相关分布图，快速而准确的恢复得到相应的物体自相关分布图。
在一个实施例中，物体重建模型的训练步骤，包括：获取样本物体对应的样本物体图像；根据样本物体图像与样本物体自相关分布图得到第二训练样本集；根据第二训练样本集进行模型训练，得到物体重建模型。
具体地，在模型训练阶段，终端还按照以下训练步骤预先训练得到已训练好的物体重建模型：终端获取多个样本物体各自对应的样本物体图像与样本物体自相关分布图，并根据该多个样本物体各自对应的样本物体图像与样本物体自相关分布图，得到相应的第二训练样本集；终端将该第二训练样本集中的物体自相关分布图作为输入特征，将相应的样本物体图像作为期望的输出特征进行迭代训练，并在迭代停止后得到已训练的物体重建模型。
在一个实施例中，终端可将基于第二训练样本集训练得到的物体重建模型，确定为已训练好的物体重建模型。终端也可将基于第二训练样本集训练得到的物体重建模型确定为候选物体重建模型，并基于测试样本集对该候选物体重建模型进行测试，当测试通过时，将该候选物体重建模型确定为已训练好的物体重建模型，当测试未通过时，继续对该候选物体重建模型进行训练，直至继续训练得到的物体重建模型测试通过，得到已训练好的物体重建模型。这样，在模型应用阶段，通过该已训练好的物体重建模型，根据目标物体对应的物体自相关分布图，能够快速而准确地重建得到相应的物体图像。
在一个实施例中，在物体重建模型的迭代训练过程中，基于样本物体对应的预测物体图像与样本物体图像，确定损失函数的函数值，并基于所确定的函数值反向调整当前训练的物体重建模型的参数值。损失函数包括但不限于是MAE、MSE。
在一个实施例中，物体重建模型的迭代训练过程所涉及的机器学习算法包括但不限于是深度神经网络，深度神经网络比如U-net。
在一个实施例中，物体重建模型的迭代训练过程所涉及学习率与迭代循环次数，可以是根据大量实验预先确定的经验值，也可以是在物体重建模型的迭代训练过程中，基于损失函数的函数值的变化趋势动态调整的。这样，终端在达到所确定的迭代循环次数后，停止迭代过程，得到已训练好的物体重建模型。
上述实施例中，基于样本物体对应的样本物体图像与样本物体自相关分布图，预先训练得到已训练的物体重建模型，以便于在透过散射介质成像过程中，基于该已训练的物体重建模型，能够基于目标物体对应的物体自相关分布图，快速而准确的恢复得到相应的物体图像。
在一个实施例中，上述透过散射介质成像的方法还包括：对由第一训练样本集训练得到的物体自相关恢复模型，以及由第二训练样本集训练得到的物体重建模型，进行联合测试；当测试通过时，确定已训练好的物体自相关恢复模型与物体重建模型。
具体地，在模型训练阶段，终端按照上述一个或多个实施例中提供的模型训练方式，基于第一训练样本集训练得到物体自相关恢复模型，且基于第二训练样本集训练得到物体重建模型后，基于测试样本集对训练得到的物体自相关恢复模型与物体重建模型进行联合测试，得到测试结果。当测试结果为测试通过时，终端将基于第一训练样本集训练得到的物体自相关恢复模型，确定为已训练好的物体自相关恢复模型，并将基于第二训练样本集训练得到的物体重建模型，确定为已训练好的物体重建模型。
在一个实施例中，当测试结果为测试未通过时，终端继续对该测试未通过的物体自相关恢复模型与物体重建模型进行训练。终端可基于当前的第一训练样本集继续对该测试未通过的物体自相关恢复模型进行训练，并基于当前的第二训练样本集继续对该测试未通过的物体重建模型进行训练。终端也可重新获取第一训练样本集与第二训练样本集，并基于重新获取的第一训练样本集继续训练该测试未通过的物体自相关恢复模型进行训练，以及基于重新获取的第二训练样本集继续对该测试未通过的物体重建模型进行训练。可以理解，终端可将继续训练得到的物体自相关恢复模型确定为已训练好的物体自相关恢复模型，也可基于测试样本集对该继续训练得到的物体自相关恢复模型进行测试，并基于测试结果按照上述方式得到已训练好的物体自相关恢复模型。类似地，终端可得到已训练好的物体重建模型。
在一个实施例中，测试样本集的获取时机不作具体限定，比如，终端可在获取第一训练样本集与第二训练样本集的同时，获取测试样本集，也可在基于第一训练样本集训练得到物体自相关恢复模型，且基于第二训练样本集训练得到物体重建模型后，获取测试样本集。
上述实施例中，针对由第一训练样本集训练得到的物体自相关恢复模型，以及由第二训练样本集训练得到的物体重建模型，进行联合测试，并在测试通过时，将测试通过的物体自相关恢复模型确定为已训练好的物体自相关恢复模型，并将测试通过的物体重建模型确定为已训练好的物体重建模型，这样，能够进一步地保证物体自相关恢复模型与物体重建模型的预测准确性。
在一个实施例中，对由第一训练样本集训练得到的物体自相关恢复模型，以及由第二训练样本集训练得到的物体重建模型，进行联合测试，包括：获取测试样本集；测试样本集包括测试物体对应的测试散斑自相关分布图与测试物体图像；将测试散斑自相关分布图，作为由第一训练样本集训练得到的物体自相关恢复模型的输入特征，将相应的测试物体图像，作为由第二训练样本集训练得到的物体重建模型的期望的输出特征，进行联合测试。
具体地，终端获取多个测试物体各自对应的测试物体图像与测试散斑图，对每个测试散斑图进行自相关计算，得到相应测试物体所对应的测试散斑自相关分布图，并根据该多个测试物体各自对应的测试物体图像与测试散斑自相关分布图，得到测试样本集。终端可将由第一训练样本集训练得到的物体自相关恢复模型作为候选物体自相关恢复模型，将由第二训练样本集训练得到的物体重建模型作为候选物体重建模型。终端将测试样本集中的测试散斑自相关分布图作为输入特征，输入候选物体自相关恢复模型进行物体自相关恢复，得到相应的预测物体自相关分布图，将该预测物体自相关分布图作为输入特征，输入候选物体重建模型进行物体重建，得到相应测试物体所对应的预测物体图像。进一步地，终端分别计算每个测试物体对应的测试物体图像与预测物体图像之间的相关系数，并基于测试样本集中各测试物体各自对应的相关系数，确定该候选物体自相关恢复模型与候选物体重建模型的测试结果。
在一个实施例中，终端确定测试样本集中相关系数大于或等于相关系数阈值的测试物体的占比。当所确定的占比大于或等于预设占比阈值时，则判定测试结果为测试通过，否则，判定测试结果为测试未通过。
在一个实施例中，类似于上述一个或多个实施例中提供的、用于获取样本物体对应的样本物体图像与样本散斑图的方式，终端获取每个测试物体对应的测试物体图像与测试散斑图，在此不再赘述。
在一个实施例中，终端也可针对由第一训练样本集训练得到的物体自相关恢复模型，以及由第二训练样本集训练得到的物体重建模型分别进行测试，并基于各自的测试结果确定已训练好的物体自相关恢复模型与物体重建模型。
上述实施例中，基于包括测试物体对应的测试散斑自相关分布图与测试物体图像的测试样本集，对已训练得到的物体自相关恢复模型与物体重建模型进行联合测试，以便于基于该种测试方式确定的已训练好的物体自相关恢复模型与物体重建模型，具有更高的预测准确性。
在一个实施例中，获取样本物体对应的样本散斑自相关分布图与样本物体自相关分布图，包括：获取样本物体对应的样本物体图像；将样本物体图像进行自相关计算得到相应的样本物体自相关分布图；获取样本物体透过样本散射介质成像后所形成的样本散斑图；将样本散斑图进行自相关计算得到相应的样本散斑自相关分布图。
具体地，在模型训练阶段，终端获取多个样本物体各自对应的样本物体图像，将每个样本物体图像分别进行自相关计算得到相应样本物体所对应的样本物体自相关分布图。相应地，终端获取该多个样本物体中的每个样本物体分别透过样本散射介质成像后所形成的样本散斑图，并将每个样本散斑图分别进行自相关计算得到相应样本物体所对应的样本散斑自相关分布图。这样，终端基于该多个样本物体各自对应的样本散斑自相关分布图与样本物体自相关分布图，能够得到用于训练物体自相关恢复模型的第一训练样本集，基于该多个样本物体各自对应的样本物体图像与样本物体自相关分布图，能够得到用于训练物体重建模型的第二训练样本集。
在一个实施例中，终端可从现有的图像集中获取样本物体图像，还可通过其他途径获取样本物体图像。图像集比如mnist数据集。其他途径比如从在线网络下载，或者，通过网络从其他计算机设备获取，或者，从本地获取。其中，样本物体图像包括相应样本物体。以样本物体图像为手写数字图像为例，该样本物体图像对应的样本物体为该样本物体图像中的手写数字。
在一个实施例中，在光散射成像系统中，将多个样本物体依次置于物平面，也即是将该多个样本物体各自对应的样本物体图像依次置于物平面，平行空间非相干光依次经过物平面上当前所加载的样本物体，以及置于物平面与像平面之间的样本散射介质调制后，在像平面上形成该样本物体对应的样本散斑图。通过图像采集设备在像平面上依次采集每个样本物体对应的样本散斑图，得到该多个样本物体各自对应的样本散斑图。可以理解，将多个样本物体各自对应的样本物体图像依次置于物平面，具体可以是指将该多个样本物体各自对应的样本物体图像依次加载于置于物平面的图像加载器。
在一个实施例中，基于光散射成像系统采集该多个样本图像各自对应的样本散斑图时，可动态更新该光散射成像系统中的样本散射介质，这样，该多个样本散斑图是基于多个互不相同的样本散射介质获取到的。具体地，对样本物体进行分组得到多个样本物体组，相同样本物体组内的多个样本物体均透过相同的样本散射介质进行成像，不同样本物体组内的样本物体透过不同的样本散射介质进行成像。这样，在训练阶段，基于不同的散射介质采集样本散斑图，得到不同样本散射介质下的样本散斑自相关分布图，并基于包括该样本散斑自相关分布图的第一训练样本集训练得到物体自相关恢复模型，以便于该物体自相关恢复模型，针对目标物体在不同目标散射介质下所对应的散斑自相关分布图，均能够快速而准确的恢复得到相应的物体自相关分布图。
在一个实施例中，终端动态调整所获取到的每个样本物体图像的像素尺寸，以将每个样本物体图像的像素尺寸动态调整为目标像素尺寸，并基于调整后的样本物体图像，按照上述方式得到相应的第一训练样本集与第二训练样本集。目标像素尺寸比如100*100，在此不作具体限定。
上述实施例中，通过获取样本物体对应的样本物体图像与样本散射图，来进一步获取样本物体对应的样本散斑自相关分布图与样本物体自相关分布图，以便于基于该样本散斑自相关分布图与样本物体自相关分布图来训练物体自相关恢复模型，所训练的得到的物体自相关恢复模型，能够快速而准确的从散斑自相关分布图中剔除由目标散射介质产生的噪声项，得到能够用于重建目标物体的物体自相关分布图。
在一个实施例中，样本散射介质有多个；各样本散射介质的相位分布互不相同。
具体地，在模型训练阶段，基于多个相位分布互不相同的样本散射介质，获取多个样本物体各自对应的样本散射图。
在一个实施例中，在模型训练阶段，将多个样本物体依次加载于光散射成像系统的物平面时，可动态更换置于该光散射成像系统中物平面与像平面之间的样本散射介质。具体地，终端可对多个样本物体进行分组，将同一个样本物体组内的每个样本物体依次加载于物平面时，保持光散射成像系统中的样本散射介质不变。在一个样本物体组内的样本物体依次加载完毕后，且在依次加载另一个样本物体组内的每个样本物体之前，将该光散射成像系统中当前的样本散射介质更换为另一个相位分布不同的样本散射介质。
上述实施例中，基于多个样本散射介质采集多个样本物体各自对应的样本散斑图，也即得到与该多个样本散射介质相关的样本散斑图集，并基于该样本散斑图集得到相应的第一训练样本集，以便于基于该第一训练样本集训练得到的物体自相关恢复模型，能够更好的适用于不同散射介质下物体自相关分布图的恢复，也即针对目标物体在不同散射介质下所对应的散斑自相关分布图，均能够快速而准确的恢复得到该目标物体对应的物体自相关分布图，进而能够快速而准确的恢复得到该目标物体对应的物体图像。
在一个实施例中，针对水下成像与无创生物组织实时成像等成像场景，由于水与生物组织等散射介质是动态变化的，难以预先确定成像时刻的散射介质，由此，基于目前的基于端对端的成像方式，不能准确重建目标物体对应的物体图像，而采集本申请一个或多个实施例中提供的成像方式，无需预先确定成像时刻的散射介质，即可快速而准确的恢复得到目标物体对应的物体图像。由此可见，本申请提供的成像方式，能够适用于散射介质动态可变的成像场景，且能够在保证成像效率的情况下，提高成像的准确性。
图2为一个实施例中透过散射介质成像的原理示意图。如图2所示，标号(a)、(b)与(c)对应模型训练阶段，标号(d)对应模型应用阶段。在模型训练阶段，如标号(a)对应的图示，终端获取n个样本物体各自对应的样本物体图像，也即得到n个样本物体图像，将每个样本物体分别透过样本散射介质成像得到相应的样本散斑图，也即得到n个样本散斑图，对n个样本物体图像分别进行自相关计算，得到如标号(b)对应的右侧图示的n个样本物体自相关分布图，对n个样本散斑图分别进行自相关计算，得到如标号(b)对应的左侧图示的n个样本散斑自相关分布图，根据n个样本散斑自相关分布图与相应的n个样本物体自相关分布图进行模型训练，得到已训练的物体自相关恢复模型，根据n个样本物体图像与相应的n个样本物体自相关分布图进行模型训练，得到已训练的物体重建模型。
在模型应用阶段，如标号(d)对应的图示，获取目标物体对应的目标散斑图，对目标散斑图进行自相关计算得到散斑自相关分布图，将该散斑自相关分布图输入已训练的物体自相关恢复模型进行物体自相关恢复，得到相应的物体自相关分布图，将该物体自相关分布图输入已训练的物体重建模型进行物体重建，得到目标物体对应的物体图像。其中，标号(d)对应的图示中，从左至右依次为目标物体对应的目标散斑图、散斑自相关分布图、物体自相关分布图与物体图像。由此可见，基于本申请提供的成像方式，能够快速而准确的得到目标物体对应的物体图像，也即能够在保证成像效率的情况下，提高成像的准确性。值得说明的是，图2所示的样本物体图像为包括数字3的图像，以及针对目标物体恢复得到的包括数字9的物体图像，仅作为示例，并不用于具体限定，比如目标物体对应的物体图像也可以是其他数字，具体依据目标物体而定。
图3为一个实施例中物体自相关恢复模型与物体重建模型的训练步骤的流程示意图。如图3所示，该训练步骤具体包括以下步骤：
步骤302，获取样本物体对应的样本物体图像。
步骤304，将样本物体图像进行自相关计算得到相应的样本物体自相关分布图。
步骤306，获取样本物体透过样本散射介质成像后所形成的样本散斑图。
步骤308，将样本散斑图进行自相关计算得到相应的样本散斑自相关分布图。
步骤310，根据样本散斑自相关分布图与样本物体自相关分布图得到第一训练样本集。
步骤312，根据第一训练样本集进行模型训练，得到物体自相关恢复模型。
步骤314，根据样本物体图像与样本物体自相关分布图得到第二训练样本集。
步骤316，根据第二训练样本集进行模型训练，得到物体重建模型。
步骤318，获取测试样本集；测试样本集包括测试物体对应的测试散斑自相关分布图与测试物体图像。
步骤320，将测试散斑自相关分布图，作为由第一训练样本集训练得到的物体自相关恢复模型的输入特征，将相应的测试物体图像，作为由第二训练样本集训练得到的物体重建模型的期望的输出特征，进行联合测试。
步骤322，当测试通过时，确定已训练好的物体自相关恢复模型与物体重建模型。
可以理解，上述基于第一训练样本集训练物体自相关恢复模型的相关步骤，与基于第二训练样本集训练物体重建模型的相关步骤，可以并行的执行也可依次串行执行，在此不作具体限定。
图4为一个实施例中光散射成像系统的架构图。如图4所示，光散射成像系统依次包括光源、准直透镜、图像加载器、散射介质与图像采集设备。其中，准直透镜用于将光源发出的光调制成平行空间非相干光，图像加载器置于物平面，用于加载物体图像(目标物体图像或样本物体图像)，图像采集设备置于像平面，用于采集加载于图像加载器的物体透过散射介质成像后在像平面所形成的散斑图。若光源为激光器，则图4所示的光散射成像系统中在光源与准直透镜之间还设置有旋转毛玻璃，该旋转毛玻璃与准直透镜用于将激光器发出的光调制成平行空间非相干光。
在一个实施例中，以光源为激光器为例，光源可以是波长为532nm的激光器，图像加载器可以是透射式空间光调制器，图像加载器与散射介质之间的距离比如为50cm，图像采集设备与散射介质的距离比如为10cm。可以理解，光源的波长、各器件之间的距离仅作为示例，并不用于具体限定。
图5为一个实施例中透过散射介质成像的实验效果图。以物体自相关恢复模型与物体重建模型所基于的机器学习算法均为卷积神经网络，图像加载器为SLM为例，在模型训练阶段，从mnist数据集中选取4000幅(比如第1至4000幅)手写数字图像作为样本物体图像，将每个样本物体图像分别置于像素尺寸为1024*768零值图像中心，并将所得到的每个图像依次加载于图像加载器上，由图像采集设备采集该每个图像透过第一样本散射介质后在像平面所形成的样本散斑图，也即得到4000幅样本物体图像各自对应的样本散斑图，并基于该4000幅样本物体图像与4000幅样本散斑图，分别得到第一训练样本集与第二训练样本集，进而基于第一训练样本集训练得到物体自相关恢复模型，基于第二训练样本集训练得到物体重建模型。可以理解，可基于多个第一样本散射介质来获取该多个样本物体图像各自对应的样本散斑图。
在模型应用阶段，从mnist数据集中选取5幅(比如第4001至4005幅)手写数字图像作为目标物体图像，按照上述类似的方式将每个目标物体图像分别加载于图像加载器上，并由图像采集设备采集该每个目标样本图像透过第二样本散射介质后在像平面所形成的目标散斑图，并通过已训练得到的物体自相关恢复模型与物体重建模型，根据由目标散斑图得到的散斑自相关分布图，依次恢复得到物体自相关分布图与物体图像。模型应用阶段的实验效果图如图5所示，其中，标号(a)对应的是5个目标物体各自对应的目标散斑图，标号(b)对应的是对标号(a)对应的5个目标散斑图分别进行自相关计算，得到的相应散斑自相关分布图，标号(c)对应的是将标号(b)对应的5个散斑自相关分布图分别输入已训练的物体自相关恢复模型进行物体自相关恢复，得到的相应物体自相关分布图，标号(d)对应的是将标号(c)对应的5个物体自相关分布图分别输入已训练的物体重建模型进行物体重建，得到的相应物体图像。
由图5可知，虽然由于卷积神经网络中的卷积操作带来的平滑和展宽效应，使得物体自相关恢复模型与物体重建模型各自输出的图像均存在一定的模糊效果，但是，最终恢复得到的物体图像为完全可辨识的目标物体的图像。由此表明，本申请提供的成像方式应对可变的散射介质成像的有效性与可行性。
在一个实施例中，在获取到目标物体图像后，可将目标物体图像的像素尺寸动态调整至目标像素尺寸，并在根据每个目标物体对应的目标散斑图计算得到相应散斑自相关分布图后，可从每个散斑自相关分布图中截取图像中间有效自相关区域，作为相应的目标散斑自相关分布图，并基于该目标散斑自相关分布图进行物体自相关分布图的恢复，能够进一步提高物体自相关分布图的恢复准确性。其中，目标散斑自相关分布图的像素尺寸与调整后的目标物体图像的目标像素尺寸一致。目标物体图像的像素尺寸比如28*28，目标像素尺寸比如100*100。
应该理解的是，虽然图1与图3的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1与图3中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图6所示，提供了一种透过散射介质成像的装置600，包括：散斑图获取模块601、散斑自相关获取模块602、物体自相关恢复模块603和物体重建模块604，其中：
散斑图获取模块601，用于获取目标物体透过目标散射介质成像后所形成的目标散斑图；
散斑自相关获取模块602，用于根据目标散斑图得到散斑自相关分布图；
物体自相关恢复模块603，用于将散斑自相关分布图输入已训练的物体自相关恢复模型进行物体自相关恢复，得到相应的物体自相关分布图；
物体重建模块604，用于将物体自相关分布图输入已训练的物体重建模型进行物体重建，得到目标物体对应的物体图像。
在一个实施例中，上述透过散射介质成像的装置600，还包括：模型训练模块；
模型训练模块，用于获取样本物体对应的样本散斑自相关分布图与样本物体自相关分布图；据样本散斑自相关分布图与样本物体自相关分布图得到第一训练样本集；根据第一训练样本集进行模型训练，得到物体自相关恢复模型。
在一个实施例中，模型训练模块，还用于获取样本物体对应的样本物体图像；根据样本物体图像与样本物体自相关分布图得到第二训练样本集；根据第二训练样本集进行模型训练，得到物体重建模型。
在一个实施例中，模型训练模块，还用于对由第一训练样本集训练得到的物体自相关恢复模型，以及由第二训练样本集训练得到的物体重建模型，进行联合测试；当测试通过时，确定已训练好的物体自相关恢复模型与物体重建模型。
在一个实施例中，模型训练模块，还用于获取测试样本集；测试样本集包括测试物体对应的测试散斑自相关分布图与测试物体图像；将测试散斑自相关分布图，作为由第一训练样本集训练得到的物体自相关恢复模型的输入特征，将相应的测试物体图像，作为由第二训练样本集训练得到的物体重建模型的期望的输出特征，进行联合测试。
在一个实施例中，模型训练模块，还用于获取样本物体对应的样本物体图像；将样本物体图像进行自相关计算得到相应的样本物体自相关分布图；获取样本物体透过样本散射介质成像后所形成的样本散斑图；将样本散斑图进行自相关计算得到相应的样本散斑自相关分布图。
在一个实施例中，样本散射介质有多个；各样本散射介质的相位分布互不相同。
关于透过散射介质成像的装置的具体限定可以参见上文中对于透过散射介质成像的方法的限定，在此不再赘述。上述透过散射介质成像的装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种透过散射介质成像的方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：获取目标物体透过目标散射介质成像后所形成的目标散斑图；根据目标散斑图得到散斑自相关分布图；将散斑自相关分布图输入已训练的物体自相关恢复模型进行物体自相关恢复，得到相应的物体自相关分布图；将物体自相关分布图输入已训练的物体重建模型进行物体重建，得到目标物体对应的物体图像。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取样本物体对应的样本散斑自相关分布图与样本物体自相关分布图；根据样本散斑自相关分布图与样本物体自相关分布图得到第一训练样本集；根据第一训练样本集进行模型训练，得到物体自相关恢复模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取样本物体对应的样本物体图像；根据样本物体图像与样本物体自相关分布图得到第二训练样本集；根据第二训练样本集进行模型训练，得到物体重建模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：对由第一训练样本集训练得到的物体自相关恢复模型，以及由第二训练样本集训练得到的物体重建模型，进行联合测试；当测试通过时，确定已训练好的物体自相关恢复模型与物体重建模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取测试样本集；测试样本集包括测试物体对应的测试散斑自相关分布图与测试物体图像；将测试散斑自相关分布图，作为由第一训练样本集训练得到的物体自相关恢复模型的输入特征，将相应的测试物体图像，作为由第二训练样本集训练得到的物体重建模型的期望的输出特征，进行联合测试。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取样本物体对应的样本物体图像；将样本物体图像进行自相关计算得到相应的样本物体自相关分布图；获取样本物体透过样本散射介质成像后所形成的样本散斑图；将样本散斑图进行自相关计算得到相应的样本散斑自相关分布图。
在一个实施例中，样本散射介质有多个；各样本散射介质的相位分布互不相同。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取目标物体透过目标散射介质成像后所形成的目标散斑图；根据目标散斑图得到散斑自相关分布图；将散斑自相关分布图输入已训练的物体自相关恢复模型进行物体自相关恢复，得到相应的物体自相关分布图；将物体自相关分布图输入已训练的物体重建模型进行物体重建，得到目标物体对应的物体图像。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取样本物体对应的样本散斑自相关分布图与样本物体自相关分布图；根据样本散斑自相关分布图与样本物体自相关分布图得到第一训练样本集；根据第一训练样本集进行模型训练，得到物体自相关恢复模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取样本物体对应的样本物体图像；根据样本物体图像与样本物体自相关分布图得到第二训练样本集；根据第二训练样本集进行模型训练，得到物体重建模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：对由第一训练样本集训练得到的物体自相关恢复模型，以及由第二训练样本集训练得到的物体重建模型，进行联合测试；当测试通过时，确定已训练好的物体自相关恢复模型与物体重建模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取测试样本集；测试样本集包括测试物体对应的测试散斑自相关分布图与测试物体图像；将测试散斑自相关分布图，作为由第一训练样本集训练得到的物体自相关恢复模型的输入特征，将相应的测试物体图像，作为由第二训练样本集训练得到的物体重建模型的期望的输出特征，进行联合测试。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取样本物体对应的样本物体图像；将样本物体图像进行自相关计算得到相应的样本物体自相关分布图；获取样本物体透过样本散射介质成像后所形成的样本散斑图；将样本散斑图进行自相关计算得到相应的样本散斑自相关分布图。
在一个实施例中，样本散射介质有多个；各样本散射介质的相位分布互不相同。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种透过散射介质成像的方法，其特征在于，所述方法包括：
获取目标物体透过目标散射介质成像后所形成的目标散斑图；
根据所述目标散斑图得到散斑自相关分布图；
将所述散斑自相关分布图输入已训练的物体自相关恢复模型进行物体自相关恢复，得到相应的物体自相关分布图；
将所述物体自相关分布图输入已训练的物体重建模型进行物体重建，得到所述目标物体对应的物体图像。
2.根据权利要求1所述的方法，其特征在于，所述物体自相关恢复模型的训练步骤，包括：
获取样本物体对应的样本散斑自相关分布图与样本物体自相关分布图；
根据所述样本散斑自相关分布图与所述样本物体自相关分布图得到第一训练样本集；
根据所述第一训练样本集进行模型训练，得到物体自相关恢复模型。
3.根据权利要求2所述的方法，其特征在于，所述物体重建模型的训练步骤，包括：
获取所述样本物体对应的样本物体图像；
根据所述样本物体图像与所述样本物体自相关分布图得到第二训练样本集；
根据所述第二训练样本集进行模型训练，得到物体重建模型。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
对由所述第一训练样本集训练得到的物体自相关恢复模型，以及由所述第二训练样本集训练得到的物体重建模型，进行联合测试；
当测试通过时，确定已训练好的物体自相关恢复模型与物体重建模型。
5.根据权利要求4所述的方法，其特征在于，所述对由所述第一训练样本集训练得到的物体自相关恢复模型，以及由所述第二训练样本集训练得到的物体重建模型，进行联合测试，包括：
获取测试样本集；所述测试样本集包括测试物体对应的测试散斑自相关分布图与测试物体图像；
将所述测试散斑自相关分布图，作为由所述第一训练样本集训练得到的物体自相关恢复模型的输入特征，将相应的测试物体图像，作为由所述第二训练样本集训练得到的物体重建模型的期望的输出特征，进行联合测试。
6.根据权利要求1至5任意一项所述的方法，其特征在于，所述获取样本物体对应的样本散斑自相关分布图与样本物体自相关分布图，包括：
获取样本物体对应的样本物体图像；
将所述样本物体图像进行自相关计算得到相应的样本物体自相关分布图；
获取样本物体透过样本散射介质成像后所形成的样本散斑图；
将所述样本散斑图进行自相关计算得到相应的样本散斑自相关分布图。
7.根据权利要求6所述的方法，其特征在于，所述样本散射介质有多个；各样本散射介质的相位分布互不相同。
8.一种透过散射介质成像的装置，其特征在于，所述装置包括：
散斑图获取模块，用于获取目标物体透过目标散射介质成像后所形成的目标散斑图；
散斑自相关获取模块，用于根据所述目标散斑图得到散斑自相关分布图；
物体自相关恢复模块，用于将所述散斑自相关分布图输入已训练的物体自相关恢复模型进行物体自相关恢复，得到相应的物体自相关分布图；
物体重建模块，用于将所述物体自相关分布图输入已训练的物体重建模型进行物体重建，得到所述目标物体对应的物体图像。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202010572639.2A 2020-06-22 2020-06-22 透过散射介质成像的方法、装置、计算机设备和存储介质 Pending CN113902819A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010572639.2A CN113902819A (zh) 2020-06-22 2020-06-22 透过散射介质成像的方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010572639.2A CN113902819A (zh) 2020-06-22 2020-06-22 透过散射介质成像的方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN113902819A true CN113902819A (zh) 2022-01-07

Family

ID=79186121

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010572639.2A Pending CN113902819A (zh) 2020-06-22 2020-06-22 透过散射介质成像的方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN113902819A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115984405A (zh) * 2023-01-12 2023-04-18 中国科学院宁波材料技术与工程研究所 基于自相关性增强的散射成像方法、系统及模型训练方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115984405A (zh) * 2023-01-12 2023-04-18 中国科学院宁波材料技术与工程研究所 基于自相关性增强的散射成像方法、系统及模型训练方法
CN115984405B (zh) * 2023-01-12 2024-03-29 中国科学院宁波材料技术与工程研究所 基于自相关性增强的散射成像方法、系统及模型训练方法

Similar Documents

Publication Publication Date Title
Singh et al. Single image dehazing for a variety of haze scenarios using back projected pyramid network
Liu et al. Computational ghost imaging based on an untrained neural network
KR20180004208A (ko) 컨볼루션 신경망 기반의 완전 기준 이미지 품질 평가
US10740901B2 (en) Encoder regularization of a segmentation model
US11741579B2 (en) Methods and systems for deblurring blurry images
Quan et al. Neumann network with recursive kernels for single image defocus deblurring
CN110942097A (zh) 基于单像素探测器的免成像分类方法和系统
Chaabouni et al. Prediction of visual attention with deep CNN on artificially degraded videos for studies of attention of patients with Dementia
Jaisurya et al. AGLC-GAN: Attention-based global-local cycle-consistent generative adversarial networks for unpaired single image dehazing
Zhang et al. Fine-grained video deblurring with event camera
Mai et al. Deep unrolled low-rank tensor completion for high dynamic range imaging
CN115834996A (zh) 用于图像处理的方法和装置
Bergner et al. Iterative patch selection for high-resolution image recognition
Deledalle et al. Blind atmospheric turbulence deconvolution
CN113902819A (zh) 透过散射介质成像的方法、装置、计算机设备和存储介质
Conde et al. Real-time under-display cameras image restoration and hdr on mobile devices
Lee et al. Wide receptive field and channel attention network for jpeg compressed image deblurring
Yang et al. Endoscopic artefact detection and segmentation with deep convolutional neural network
Yu et al. MsDA: Multi-scale domain adaptation dehazing network
CN114384780B (zh) 透过散射介质成像的方法、装置、计算机设备和存储介质
Cai et al. Data-driven illumination patterns for coded diffraction imaging
Zhao et al. A fast alternating minimization algorithm for coded aperture snapshot spectral imaging based on sparsity and deep image priors
Pan et al. Metahdr: Model-agnostic meta-learning for HDR image reconstruction
KR102373483B1 (ko) 딥러닝을 이용한 고속 영상 블러 제거 방법 및 장치
Zhu et al. HDRfeat: A feature-rich network for high dynamic range image 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