CN114414050A - 一种自适应傅里叶计算关联成像方法及系统 - Google Patents

一种自适应傅里叶计算关联成像方法及系统 Download PDF

Info

Publication number
CN114414050A
CN114414050A CN202210051839.2A CN202210051839A CN114414050A CN 114414050 A CN114414050 A CN 114414050A CN 202210051839 A CN202210051839 A CN 202210051839A CN 114414050 A CN114414050 A CN 114414050A
Authority
CN
China
Prior art keywords
sampling
adaptive
fourier
dimensional
imaging
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
Application number
CN202210051839.2A
Other languages
English (en)
Other versions
CN114414050B (zh
Inventor
梁振宇
胡以华
杨星
徐世龙
董骁
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.)
National University of Defense Technology
Original Assignee
National University of Defense 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 National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202210051839.2A priority Critical patent/CN114414050B/zh
Publication of CN114414050A publication Critical patent/CN114414050A/zh
Application granted granted Critical
Publication of CN114414050B publication Critical patent/CN114414050B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
    • G01J3/28—Investigating the spectrum
    • G01J3/2823—Imaging spectrometer
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
    • G01J3/28—Investigating the spectrum
    • G01J2003/283—Investigating the spectrum computer-interfaced

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明提出一种自适应傅里叶计算关联成像方法及系统，所述方法包括：步骤S1、依据预采样模板生成第一傅里叶基图案以对成像目标进行照射，并根据采集的成像目标的光强信号计算得到目标图像粗略二维频谱能量分布图；步骤S2：利用采样概率密度函数计算目标图像粗略二维频谱能量分布图的采样概率，并根据计算的采样概率生成自适应采样路径；步骤S3、依据自适应采样路径生成第二傅里叶基图案以对成像目标进行照射并计算得到采样点对应的频谱系数，使用压缩感知算法对得到的频谱系数进行处理得到重建的目标图像，该方法解决了现有方法中采用相对固定的采样路径导致在相同采样数量下获得图像频谱的关键信息过少而使得成像质量降低的技术问题。

Description

一种自适应傅里叶计算关联成像方法及系统
技术领域
本发明属于光学成像技术领域，尤其涉及一种自适应傅里叶计算关联成像方法及系统。
背景技术
作为计算成像领域的研究前沿之一，计算关联成像是一种利用空间光调制技术对物体场景进行编码，再通过计算的方式将一个不具备空间分辨能力的单像素探测器得到的信号进行解码以恢复出物体场景的新型成像技术，相比利用CCD、CMOS等阵列式探测器的传统光学成像技术，计算关联成像有助于解决在非可见光波段成像、弱光成像、抗湍流成像等方面的成像难题，具有广泛的应用前景。
傅里叶计算关联成像是一种基于傅里叶基图案进行光场调制的计算关联成像技术，即利用一系列傅里叶基图案进行空间光调制，由单像素探测器收集经由目标透射、反射或散射的光强，再利用相关重建算法进行图像重建。相比其他空间光调制方法，傅里叶计算关联成像具有成像质量高、采样效率高、能量集中度好等优点，在三维成像、光谱成像、生物医学成像中更具优势。
任意一幅二维图像都可以看作一系列不同空间频率和不同初相位的傅里叶基图案加权叠加的结果，而对应各傅里叶基图案的权重，就是图像频谱系数。因此，傅里叶计算关联成像可被理解为对图像的频域采样以获取图像频谱系数。从目前频谱系数采样方法来看，主要有低频优先顺序采样方法和压缩随机采样方法两类。低频优先顺序采样是依据大部分图像频谱能量集中在低频段，且中心低频段主要包含图像主体结构这一特性，对频谱系数进行螺旋式顺序采样，利用IFFT算法重建图像，常用的螺旋式采样路径主要包括方型路径、菱型路径和圆型路径三种。采用低频优先顺序采样方法的优势在于重建算法简单，在欠采样条件下能够优先得到图像主体结构，但是缺失了较多中高频稀疏也导致图像的边缘细节信息缺失，振铃效应明显。另外一类压缩随机采样方法主要利用压缩感知理论中的随机投影矩阵理论构造不同结构的部分傅里叶随机矩阵，利用相关压缩感知算法重建图像，常见的压缩随机采样路径主要包括完全随机采样路径，射线采样路径和变密度采样路径三类。采用压缩随机采样方法的优势在于压缩感知算法恢复出了部分中高频信息，消除了图像的振铃效应和边缘伪影，但是这种采样方法对重建算法参数匹配度较高，背景噪声相对更高。现有这两类采样方法尽管原理不同，但都是依据一定图像频谱先验信息设计采样路径，然而，现有方法忽视了目标图像的频谱分布的多样性，采用相对固定的采样路径显然是不合理的，这就会导致在相同采样数量下获得图像频谱的关键信息过少而使得成像质量降低，严重影响傅里叶计算关联成像的实际应用。
发明内容
为解决上述技术问题，本发明提出一种自适应傅里叶计算关联成像的技术方案，以解决现有方法中忽视目标图像的频谱分布的多样性，采用相对固定的采样路径导致在相同采样数量下获得图像频谱的关键信息过少而使得成像质量降低的技术问题。
本发明第一方面公开了一种自适应傅里叶计算关联成像方法；所述方法包括：
步骤S1、依据预采样模板生成第一傅里叶基图案以对成像目标进行照射，并根据采集的所述成像目标的光强信号计算得到目标图像粗略二维频谱能量分布图；
步骤S2：利用采样概率密度函数计算所述目标图像粗略二维频谱能量分布图的采样概率，并根据计算的所述采样概率生成自适应采样路径；
步骤S3、依据所述自适应采样路径生成第二傅里叶基图案以对所述成像目标进行照射并计算得到采样点对应的频谱系数，使用压缩感知算法对得到的所述频谱系数进行处理得到重建的目标图像。
根据本发明第一方面的方法，在所述步骤S1中，依据预采样模板生成第一傅里叶基图案以对成像目标进行照射，并根据采集的所述成像目标的光强信号计算得到目标图像粗略二维频谱能量分布图，具体包括：
设计所述预采样模板；
根据所述预采样模板计算得到所述第一傅里叶基图案，并将所述第一傅里叶基图案加载到数字微镜器件上；
激光光源经扩束准直后产生的准直激光光斑照射到所述数字微镜器件上得到第一空间光调制图案，并利用所述第一空间光调制图案照射所述成像目标；
由单像素探测器采集所述成像目标的光强信号，并通过四步相移算法对采集的所述光强信号进行处理得到频域预采样点的频谱系数；
对所述频域预采样点的频谱系数进行双线性插值得到所述目标图像粗略二维频谱能量分布图。
根据本发明第一方面的方法，在所述步骤S2中，利用采样概率密度函数计算所述目标图像粗略二维频谱能量分布图的采样概率，并根据计算的所述采样概率生成自适应采样路径，具体包括：
将所述目标图像粗略二维频谱能量分布图按照频谱系数幅值进行降序处理得到一维列向量；
构建按照指数分布的所述采样概率密度函数；
利用所述采样概率密度函数计算所述一维列向量各坐标值的采样概率；
根据计算的所述采样概率通过蒙特卡洛法生成所述自适应采样路径。
根据本发明第一方面的方法，在所述步骤S3中，依据所述自适应采样路径生成第二傅里叶基图案以对所述成像目标进行照射并计算得到采样点对应的频谱系数，使用压缩感知算法对得到的所述频谱系数进行处理得到重建的目标图像，具体包括：
根据所述自适应采样路径计算得到所述第二傅里叶基图案，并将所述第二傅里叶基图案加载到所述数字微镜器件上；
所述激光光源经扩束准直后产生的所述准直激光光斑照射到所述数字微镜器件上得到第二空间光调制图案，并利用所述第二空间光调制图案照射所述成像目标；
由所述单像素探测器采集所述成像目标的光强信号，并通过所述四步相移算法对采集的所述光强信号进行处理得到所述采样点对应的频谱系数；
使用所述压缩感知算法对所述频谱系数进行处理得到重建的目标图像。
根据本发明第一方面的方法，在所述步骤S2中，根据计算的所述采样概率通过蒙特卡洛法生成所述自适应采样路径，具体包括：
计算所述一维列向量所有坐标的采样概率及所有采样概率总和的期望：
Figure DEST_PATH_IMAGE001
(1)
Figure 76809DEST_PATH_IMAGE002
(2)
其中,PDF表示采样概率密度函数，r表示列向量任一点的坐标，R表示列向量维数，p为控制参数，用于控制频谱系数幅值大位置的采样概率大小，p越大表示幅值大位置采样概率越大，val表示在列向量任意坐标处的最小采样概率，其取值上限max_val,初始值为1，取值下限为min_val,初始值为0，E表示采样概率密度函数的期望；
判断当前采样概率密度函数PDF中采样概率总和的期望E是否等于设定采样数m，并更新在列向量任意坐标处的最小采样概率val的上下限取值；
将采样概率密度函数PDF变换为二维概率密度矩阵PDF(i,j)，随机生成一个行列数与二维概率密度矩阵PDF(i,j)相同的矩阵Mask(i,j)，矩阵Mask(i,j)的值为均匀分布在[0,1]的实数，将二维概率密度矩阵PDF(i,j)与矩阵Mask(i,j)的相同位置数值进行比较，得到只由0和1组成的矩阵Mask(i,j)；
依据得到的只由0和1组成的矩阵Mask(i,j)，按序采样值为1的采样点生成所述自适应采样路径。
根据本发明第一方面的方法，设计所述预采样模板，具体包括：利用均匀间隔采样原理，在频域上等间隔k(k>1)点进行采样，其中，采样点包括频域所有行和所有列的边界点。
根据本发明第一方面的方法，所述压缩感知算法为基于局部傅里叶变换数据的重构算法。
本发明第二方面公开了一种自适应傅里叶计算关联成像系统；所述系统包括：
频谱获取模块，被配置为，依据预采样模板生成第一傅里叶基图案以对成像目标进行照射，并根据采集的所述成像目标的光强信号计算得到目标图像粗略二维频谱能量分布图；
采样路径生成模块，被配置为，利用采样概率密度函数计算所述目标图像粗略二维频谱能量分布图的采样概率，并根据计算的所述采样概率生成自适应采样路径；
以及，重建模块，被配置为，依据所述自适应采样路径生成第二傅里叶基图案以对所述成像目标进行照射并计算得到采样点对应的频谱系数，使用压缩感知算法对得到的所述频谱系数进行处理得到重建的目标图像。
本发明第三方面公开了一种电子设备。电子设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时，实现本公开第一方面中任一项的一种自适应傅里叶计算关联成像方法中的步骤。
本发明第四方面公开了一种计算机可读存储介质。计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时，实现本公开第一方面中任一项的一种自适应傅里叶计算关联成像方法中的步骤。
本发明的自适应傅里叶计算关联成像技术方案由于采用预采样获取了目标的部分频谱特性，通过设计适合不同目标关键频谱系数的采样路径，可以实现在目标频谱能量分布较大的部分进行高概率采样，在目标频谱能量分布较小的部分进行稀疏采样的自适应采样效果，有助于显著提高傅里叶单像素成像的采样效率，并且依据自适应采样数据的RecPF压缩感知算法得到了较好的目标重建质量，实现了高质量成像。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为根据本发明实施例的一种自适应傅里叶计算关联成像方法的流程图；
图2为根据本发明实施例的一种自适应傅里叶计算关联成像方法的具体实施过程图；
图3为根据本发明实施例的一种自适应傅里叶计算关联成像系统的结构图；
图4为根据本发明实施例的一种自适应傅里叶计算关联成像系统的具体实施布局图；
图5为根据本发明实施例的一种电子设备的结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例只是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明第一方面公开了一种自适应傅里叶计算关联成像方法。图1为根据本发明实施例的一种自适应傅里叶计算关联成像方法的流程图，如图1所示，所述方法包括：
步骤S1、依据预采样模板生成第一傅里叶基图案以对成像目标进行照射，并根据采集的成像目标的光强信号计算得到目标图像粗略二维频谱能量分布图；
步骤S2：利用采样概率密度函数计算目标图像粗略二维频谱能量分布图的采样概率，并根据计算的采样概率生成自适应采样路径；
步骤S3、依据自适应采样路径生成第二傅里叶基图案以对成像目标进行照射并计算得到采样点对应的频谱系数，使用压缩感知算法对得到的频谱系数进行处理得到重建的目标图像。
在步骤S1，依据预采样模板生成第一傅里叶基图案以对成像目标进行照射，并根据采集的成像目标的光强信号计算得到目标图像粗略二维频谱能量分布图。
在一些实施例中，在步骤S1中，设计预采样模板；
根据预采样模板计算得到第一傅里叶基图案，并将第一傅里叶基图案加载到数字微镜器件上；
激光光源经扩束准直后产生的准直激光光斑照射到数字微镜器件上得到第一空间光调制图案，并利用第一空间光调制图案照射成像目标；
由单像素探测器采集成像目标的光强信号，并通过四步相移算法对采集的光强信号进行处理得到频域预采样点的频谱系数；
对频域预采样点的频谱系数进行双线性插值得到目标图像粗略二维频谱能量分布图。
在步骤S2，利用采样概率密度函数计算目标图像粗略二维频谱能量分布图的采样概率，并根据计算的采样概率生成自适应采样路径。
在一些实施例中，在所述步骤S2中将目标图像粗略二维频谱能量分布图按照频谱系数幅值进行降序处理得到一维列向量；
构建按照指数分布的采样概率密度函数；
利用采样概率密度函数计算一维列向量各坐标值的采样概率；
根据计算的采样概率通过蒙特卡洛法生成所述自适应采样路径。
在步骤S3，依据自适应采样路径生成第二傅里叶基图案以对成像目标进行照射并计算得到采样点对应的频谱系数，使用压缩感知算法对得到的频谱系数进行处理得到重建的目标图像。
在一些实施例中，在所述步骤S3中根据自适应采样路径计算得到第二傅里叶基图案，并将第二傅里叶基图案加载到数字微镜器件上；
激光光源经扩束准直后产生的准直激光光斑照射到数字微镜器件上得到第二空间光调制图案，并利用第二空间光调制图案照射所述成像目标；
由单像素探测器采集成像目标的光强信号，并通过四步相移算法对采集的光强信号进行处理得到采样点对应的频谱系数；
使用压缩感知算法对频谱系数进行处理得到重建的目标图像。
在一些实施例中，在所述步骤S2中，根据计算的采样概率通过蒙特卡洛法生成所述自适应采样路径，具体包括：
计算一维列向量所有坐标的采样概率及所有采样概率总和的期望：
Figure 297706DEST_PATH_IMAGE001
(1)
Figure 759649DEST_PATH_IMAGE002
(2)
其中,PDF表示采样概率密度函数，r表示列向量任一点的坐标，R表示列向量维数，p为控制参数，用于控制频谱系数幅值大位置的采样概率大小，p越大表示幅值大位置采样概率越大，val表示在列向量任意坐标处的最小采样概率，其取值上限max_val,初始值为1，取值下限为min_val,初始值为0，E表示采样概率密度函数的期望；
判断当前采样概率密度函数PDF中采样概率总和的期望E是否等于设定采样数m，并更新在列向量任意坐标处的最小采样概率val的上下限取值；
将采样概率密度函数PDF变换为二维概率密度矩阵PDF(i,j)，随机生成一个行列数与二维概率密度矩阵PDF(i,j)相同的矩阵Mask(i,j)，矩阵Mask(i,j)的值为均匀分布在[0,1]的实数，将二维概率密度矩阵PDF(i,j)与矩阵Mask(i,j)的相同位置数值进行比较，得到只由0和1组成的矩阵Mask(i,j)；
依据得到的只由0和1组成的矩阵Mask(i,j)，按序采样值为1的采样点生成所述自适应采样路径。
具体的，判断当前采样概率密度函数PDF中采样概率总和的期望E是否等于设定采样数m，并更新在列向量任意坐标处的最小采样概率val的上下限取值包括：
判断当val取最小值min_val时，当PDF中采样概率总和的期望E是否等于设定采样数m；
若E>m，说明控制参数p的取值不合理，需要重新选择；
若E<m，val=max_val/2+min_val/2，并继续执行此步骤；
若E=m，则执行后续的步骤。
通过二分思想，判断当前PDF中采样概率总和的期望E是否等于设定采样数，并更新val的上下限取值；
若E>max val=val；
若E<m，min_val=val；
若E=m，执行后续的步骤。
具体的，将二维概率密度矩阵PDF(i,j)与矩阵Mask(i,j)的相同位置数值进行比较，得到只由0和1组成的矩阵Mask(i,j)，具体为：
若PDF(i,j)>Mask(i,j),令Mask(i,j)=0；
若PDF(i,j)<Mask(i,j),令Mask(i,j)=1;
此时Mask(i,j)为只由0和1组成的矩阵。
在一些实施例中，在所述步骤S1中，设计预采样模板，具体包括：利用均匀间隔采样原理，在频域上等间隔k(k>1)点进行采样，其中，采样点包括频域所有行和所有列的边界点。
在一些实施例中，采用的压缩感知算法为基于局部傅里叶变换数据的重构算法，即RecPF压缩感知算法。
图2为根据本发明实施例的一种自适应傅里叶计算关联成像方法的具体实施过程图，参见图2所示：
基于频谱系数预测的自适应傅里叶计算关联成像方法，利用预先设计的均匀采样模板进行目标频谱信息估计，并通过频谱能量分布信息设计频域自适应采样路径，最终利用压缩感知算法对目标进行重建。所述方法首先利用预先设计的均匀采样模板生成的傅里叶基图案照射成像目标区域，对所照射区域的桶探测器信号反演获得目标频谱能量分布的粗略估计；之后对目标频谱能量分布的粗略估计图信息分析，利用采样密度函数进行自适应采样路径设计。实现的具体步骤如下：
1）设计预采样模板，即按照均匀间隔采样原理，在频域上等间隔k(k>1)点进行采样，采样点包括频域所有行和列的边界点；
2）计算机生成预采样模板对应的傅里叶基图案，将该系列基图案加载数字微镜器件（DMD）上；
3）激光光源经扩束准直后产生准直激光光斑，照射到数字微镜器件（DMD）产生空间光调制图案；
4）空间光调制图案照射到成像目标，由单像素探测器采集光强信号，通过四步相移算法得到频域预采样点的频谱系数；
5）对通过预采样模板得到的频谱系数进行双线性插值，得到目标图像粗略二维频谱能量分布图；
6）将得到的粗略二维频谱能量分布图按照频谱系数幅值进行降序排序成一维列向量；
7）生成一个按照指数分布的采样概率密度函数；
8）根据采样概率密度函数计算频谱系数幅值一维列向量各坐标值的采样概率，通过蒙特卡洛法生成二维采样概率密度函数，得到自适应采样路径；
9）计算机生成自适应采样路径对应的傅里叶基图案，将该系列基图案加载DMD上，由扩束准直后的激光光源照射后对目标进行空间光调制，由单像素探测器采集光强信号；
10）基于单像素探测器的光强值计算采样点对应频谱系数，使用RecPF压缩感知算法对所得到的频谱系数进行处理，最终重建出目标图像。
本发明第二方面公开了一种自适应傅里叶计算关联成像系统。图3为根据本发明实施例的一种种自适应傅里叶计算关联成像系统的结构图；如图3所示，所述系统300包括：
频谱获取模块301，被配置为，依据预采样模板生成第一傅里叶基图案以对成像目标进行照射，并根据采集的所述成像目标的光强信号计算得到目标图像粗略二维频谱能量分布图；
采样路径生成模块302，被配置为，利用采样概率密度函数计算所述目标图像粗略二维频谱能量分布图的采样概率，并根据计算的所述采样概率生成自适应采样路径；
以及，重建模块303，被配置为，依据所述自适应采样路径生成第二傅里叶基图案以对所述成像目标进行照射并计算得到采样点对应的频谱系数，使用压缩感知算法对得到的所述频谱系数进行处理得到重建的目标图像。
图4为根据本发明实施例的一种自适应傅里叶计算关联成像系统的具体实施布局图，该系统包括532nm连续激光器1、空间滤波器2、扩束镜3、数字微镜器件4、目标5、收集透镜6、单像素探测器7。其中，计算机将生成的傅里叶基图案加载至数字微镜器件4板载内存中。
在本实施例中，选用连续激光器经过空间滤波和准直扩束，形成近似平行光照射到DMD上，经DMD空间调制后的照射在目标场景上，利用单像素探测器获取目标的反射光信号，最终利用RecPF算法对收集的光强信号进行解算以重建目标图像，本实施例的详细实现过程为：
1）设置所需目标成像分辨率为256×256，即所需获取的频谱系数为256×256个，将频域均匀间隔采样参数k设置为6进行预采样，此时预采样数量只需703次；
2）通过预采样模板得到的频谱系数进行双线性插值，得到目标图像的粗略二维频谱能量分布图；
3）将预采样获取的二维频谱能量分布图按照频谱系数幅值进行降序排序成一维列向量，其一维坐标范围为[1,65536]，设置采样概率密度函数控制参数p=10；
4）利用蒙特卡洛方法，依据设定采样数生成自适应采样路径；
5）计算机生成自适应采样路径对应的傅里叶基图案，将该系列基图案加载DMD上，由扩束准直后的激光光源照射后对目标进行空间光调制，由单像素探测器采集光强信号；
6）基于单像素探测器的光强值计算采样点对应频谱系数，使用RecPF压缩感知算法对所得到的频谱系数进行处理，最终重建出目标图像。
本发明第三方面公开了一种电子设备。电子设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时，实现本公开第一方面中任一项的一种自适应傅里叶计算关联成像方法中的步骤。
图5为根据本发明实施例的一种电子设备的结构图，如图5所示，电子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，该电子设备的处理器用于提供计算和控制能力。该电子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。该电子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、近场通信（NFC）或其他技术实现。该电子设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该电子设备的输入装置可以是显示屏上覆盖的触摸层，也可以是电子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5中示出的结构，仅仅是与本公开的技术方案相关的部分的结构图，并不构成对本申请方案所应用于其上的电子设备的限定，具体的电子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。
本发明第四方面公开了一种计算机可读存储介质。计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时，实现本公开第一方面中任一项的一种自适应傅里叶计算关联成像方法中的步骤。
本发明采用基于频谱系数预测的自适应傅里叶计算关联成像方法，总体思路为首先是利用频域均匀间隔采样对目标频谱系数进行预采样，得到目标图像重要频谱系数的分布；然后，利用粗略频谱能量分布图设计采样概率函数，实现在能量分布较大区域进行密集采样而能量分布较小区域稀疏采样；接着利用采样概率函数得到的自适应采样路径进行空间光调制，之后再利用压缩感知算法进行数据处理，最终重建出目标图像。由于自适应采样路径的设计是由预采样目标部分频谱信息得到，该方法可以有效提高目标重建图像质量，解决对于不同目标固定采样路径成像效果不是最优的问题。
综上，本发明提出的方案能够由于采用预采样获取了目标的部分频谱特性，通过设计适合不同目标关键频谱系数的采样路径，可以实现在目标频谱能量分布较大的部分进行高概率采样，在目标频谱能量分布较小的部分进行稀疏采样的自适应采样效果，显著提高了傅里叶计算关联成像的采样效率，并且依据自适应采样数据的RecPF压缩感知算法得到了较好的目标重建质量，实现了低采样数的高质量成像。
请注意，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)

1.一种自适应傅里叶计算关联成像方法，其特征在于，所述方法包括：
步骤S1、依据预采样模板生成第一傅里叶基图案以对成像目标进行照射，并根据采集的所述成像目标的光强信号计算得到目标图像粗略二维频谱能量分布图；
步骤S2：利用采样概率密度函数计算所述目标图像粗略二维频谱能量分布图的采样概率，并根据计算的所述采样概率生成自适应采样路径；
步骤S3、依据所述自适应采样路径生成第二傅里叶基图案以对所述成像目标进行照射并计算得到采样点对应的频谱系数，使用压缩感知算法对得到的所述频谱系数进行处理得到重建的目标图像。
2.根据权利要求1所述的一种自适应傅里叶计算关联成像方法，其特征在于，在所述步骤S1中，依据预采样模板生成第一傅里叶基图案以对成像目标进行照射，并根据采集的所述成像目标的光强信号计算得到目标图像粗略二维频谱能量分布图，具体包括：
设计所述预采样模板；
根据所述预采样模板计算得到所述第一傅里叶基图案，并将所述第一傅里叶基图案加载到数字微镜器件上；
激光光源经扩束准直后产生的准直激光光斑照射到所述数字微镜器件上得到第一空间光调制图案，并利用所述第一空间光调制图案照射所述成像目标；
由单像素探测器采集所述成像目标的光强信号，并通过四步相移算法对采集的所述光强信号进行处理得到频域预采样点的频谱系数；
对所述频域预采样点的频谱系数进行双线性插值得到所述目标图像粗略二维频谱能量分布图。
3.根据权利要求2所述的一种自适应傅里叶计算关联成像方法，其特征在于，在所述步骤S2中，利用采样概率密度函数计算所述目标图像粗略二维频谱能量分布图的采样概率，并根据计算的所述采样概率生成自适应采样路径，具体包括：
将所述目标图像粗略二维频谱能量分布图按照频谱系数幅值进行降序处理得到一维列向量；
构建按照指数分布的所述采样概率密度函数；
利用所述采样概率密度函数计算所述一维列向量各坐标值的采样概率；
根据计算的所述采样概率通过蒙特卡洛法生成所述自适应采样路径。
4.根据权利要求3所述的一种自适应傅里叶计算关联成像方法，其特征在于，在所述步骤S3中，依据所述自适应采样路径生成第二傅里叶基图案以对所述成像目标进行照射并计算得到采样点对应的频谱系数，使用压缩感知算法对得到的所述频谱系数进行处理得到重建的目标图像，具体包括：
根据所述自适应采样路径计算得到所述第二傅里叶基图案，并将所述第二傅里叶基图案加载到所述数字微镜器件上；
所述激光光源经扩束准直后产生的所述准直激光光斑照射到所述数字微镜器件上得到第二空间光调制图案，并利用所述第二空间光调制图案照射所述成像目标；
由所述单像素探测器采集所述成像目标的光强信号，并通过所述四步相移算法对采集的所述光强信号进行处理得到所述采样点对应的频谱系数；
使用所述压缩感知算法对所述频谱系数进行处理得到重建的目标图像。
5.根据权利要求4所述的一种自适应傅里叶计算关联成像方法，其特征在于，在所述步骤S2中，根据计算的所述采样概率通过蒙特卡洛法生成所述自适应采样路径，具体包括：
计算所述一维列向量所有坐标的采样概率及所有采样概率总和的期望：
Figure 882866DEST_PATH_IMAGE001
(1)
Figure 42363DEST_PATH_IMAGE002
(2)
其中,PDF表示采样概率密度函数，r表示列向量任一点的坐标，R表示列向量维数，p为控制参数，用于控制频谱系数幅值大位置的采样概率大小，p越大表示幅值大位置采样概率越大，val表示在列向量任意坐标处的最小采样概率，其取值上限max_val,初始值为1，取值下限为min_val,初始值为0，E表示采样概率密度函数的期望；
判断当前采样概率密度函数PDF中采样概率总和的期望E是否等于设定采样数m，并更新在列向量任意坐标处的最小采样概率val的上下限取值；
将采样概率密度函数PDF变换为二维概率密度矩阵PDF(i,j)，随机生成一个行列数与二维概率密度矩阵PDF(i,j)相同的矩阵Mask(i,j)，矩阵Mask(i,j)的值为均匀分布在[0,1]的实数，将二维概率密度矩阵PDF(i,j)与矩阵Mask(i,j)的相同位置数值进行比较，得到只由0和1组成的矩阵Mask(i,j)；
依据得到的只由0和1组成的矩阵Mask(i,j)，按序采样值为1的采样点生成所述自适应采样路径。
6.根据权利要求5所述的一种自适应傅里叶计算关联成像方法，其特征在于，设计所述预采样模板，具体包括：利用均匀间隔采样原理，在频域上等间隔k(k>1)点进行采样，其中，采样点包括频域所有行和所有列的边界点。
7.根据权利要求6所述的一种自适应傅里叶计算关联成像方法，其特征在于，所述压缩感知算法为基于局部傅里叶变换数据的重构算法。
8.一种自适应傅里叶计算关联成像系统，其特征在于，所述系统包括：
频谱获取模块，被配置为，依据预采样模板生成第一傅里叶基图案以对成像目标进行照射，并根据采集的所述成像目标的光强信号计算得到目标图像粗略二维频谱能量分布图；
采样路径生成模块，被配置为，利用采样概率密度函数计算所述目标图像粗略二维频谱能量分布图的采样概率，并根据计算的所述采样概率生成自适应采样路径；
以及，重建模块，被配置为，依据所述自适应采样路径生成第二傅里叶基图案以对所述成像目标进行照射并计算得到采样点对应的频谱系数，使用压缩感知算法对得到的所述频谱系数进行处理得到重建的目标图像。
9.一种电子设备，其特征在于，所述电子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，实现权利要求1至7中任一项所述的一种自适应傅里叶计算关联成像方法中的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，实现权利要求1至7中任一项所述的一种自适应傅里叶计算关联成像方法中的步骤。
CN202210051839.2A 2022-01-18 2022-01-18 一种自适应傅里叶计算关联成像方法及系统 Active CN114414050B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210051839.2A CN114414050B (zh) 2022-01-18 2022-01-18 一种自适应傅里叶计算关联成像方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210051839.2A CN114414050B (zh) 2022-01-18 2022-01-18 一种自适应傅里叶计算关联成像方法及系统

Publications (2)

Publication Number Publication Date
CN114414050A true CN114414050A (zh) 2022-04-29
CN114414050B CN114414050B (zh) 2022-09-20

Family

ID=81272883

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210051839.2A Active CN114414050B (zh) 2022-01-18 2022-01-18 一种自适应傅里叶计算关联成像方法及系统

Country Status (1)

Country Link
CN (1) CN114414050B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116664876A (zh) * 2023-05-12 2023-08-29 中国人民解放军国防科技大学 一种基于显著特征变异确定特征样本优先级的方法与系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6018600A (en) * 1998-04-15 2000-01-25 Arch Development Corp. Sampling and reconstruction of signals and images including MR images of multiple regions
CN104154878A (zh) * 2014-07-29 2014-11-19 暨南大学 一种使用单像素探测器的光学成像方法
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
CN111968032A (zh) * 2020-07-23 2020-11-20 太原理工大学 一种自适应采样的单像素成像方法
CN112923867A (zh) * 2021-01-21 2021-06-08 南京工程学院 一种基于频谱显著性的傅里叶单像素成像方法
CN113114882A (zh) * 2021-03-26 2021-07-13 暨南大学 一种高采样效率的傅里叶单像素成像方法
US20210336633A1 (en) * 2020-04-28 2021-10-28 National Central University Compressed Sensing Apparatus, System and Method for Processing Signals in Set Function

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6018600A (en) * 1998-04-15 2000-01-25 Arch Development Corp. Sampling and reconstruction of signals and images including MR images of multiple regions
CN104154878A (zh) * 2014-07-29 2014-11-19 暨南大学 一种使用单像素探测器的光学成像方法
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
US20210336633A1 (en) * 2020-04-28 2021-10-28 National Central University Compressed Sensing Apparatus, System and Method for Processing Signals in Set Function
CN111968032A (zh) * 2020-07-23 2020-11-20 太原理工大学 一种自适应采样的单像素成像方法
CN112923867A (zh) * 2021-01-21 2021-06-08 南京工程学院 一种基于频谱显著性的傅里叶单像素成像方法
CN113114882A (zh) * 2021-03-26 2021-07-13 暨南大学 一种高采样效率的傅里叶单像素成像方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
梁亚舟等: "基于压缩感知的光度立体视觉三维成像方法研究", 《遥感技术与应用》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116664876A (zh) * 2023-05-12 2023-08-29 中国人民解放军国防科技大学 一种基于显著特征变异确定特征样本优先级的方法与系统

Also Published As

Publication number Publication date
CN114414050B (zh) 2022-09-20

Similar Documents

Publication Publication Date Title
US11257191B2 (en) Systems and methods for deblurring medical images using deep neural network
JP6276901B1 (ja) 画像処理装置、画像処理方法、および画像処理プログラム
CN105913398B (zh) Ct重建图像处理的方法及装置
CN105469363B (zh) 基于模糊图像生成清晰图像的方法和装置
Seiler et al. Resampling images to a regular grid from a non-regular subset of pixel positions using frequency selective reconstruction
CN111311704A (zh) 图像重建方法、装置、计算机设备和存储介质
US10475215B2 (en) CBCT image processing method
CN114414050B (zh) 一种自适应傅里叶计算关联成像方法及系统
US8139891B2 (en) System and method for structure enhancement and noise reduction in medical images
KR20110095797A (ko) 화상 처리 장치 및 화상 처리 프로그램
Zhou et al. Nonlocal means filtering based speckle removal utilizing the maximum a posteriori estimation and the total variation image prior
WO2024193719A1 (zh) 一种深度学习和谱域空域联合子采样的ss-oct压缩成像方法
Yoo et al. Sinogram image completion for limited angle tomography with generative adversarial networks
Molina et al. Restoration of severely blurred high range images using stochastic and deterministic relaxation algorithms in compound Gauss–Markov random fields
Bader et al. Scalable data parallel algorithms for texture synthesis using Gibbs random fields
CN115861044B (zh) 基于生成对抗网络的复杂云层背景仿真方法、装置和设备
JP6202725B2 (ja) 画像差分量算出装置、画像符号化装置及びプログラム
Luo et al. Efficient InSAR phase noise reduction via compressive sensing in the complex domain
CN110163821B (zh) 一种基于非负约束的奇异值分解压缩鬼成像方法及系统
Albert et al. Dilated pocs: Minimax convex optimization
CN108876734B (zh) 图像去噪方法、装置、电子设备及存储介质
CN112017113A (zh) 图像处理方法及装置、模型训练方法及装置、设备及介质
CN111431574B (zh) 一种多重稳健自适应波束形成方法
Robini et al. Stochastic nonlinear image restoration using the wavelet transform
KR20230111885A (ko) 이미지 복원 방법 및 장치

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