CN114429429A - 一种鬼成像求逆方法、系统、电子设备及存储介质 - Google Patents

一种鬼成像求逆方法、系统、电子设备及存储介质 Download PDF

Info

Publication number
CN114429429A
CN114429429A CN202210087136.5A CN202210087136A CN114429429A CN 114429429 A CN114429429 A CN 114429429A CN 202210087136 A CN202210087136 A CN 202210087136A CN 114429429 A CN114429429 A CN 114429429A
Authority
CN
China
Prior art keywords
target
image
network model
transunet
ghost 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
CN202210087136.5A
Other languages
English (en)
Other versions
CN114429429B (zh
Inventor
贺雨晨
周越
陈辉
徐卓
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.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong 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 Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN202210087136.5A priority Critical patent/CN114429429B/zh
Publication of CN114429429A publication Critical patent/CN114429429A/zh
Application granted granted Critical
Publication of CN114429429B publication Critical patent/CN114429429B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—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

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

Abstract

一种鬼成像求逆方法、系统、电子设备及存储介质，方法包括：将一套随机散斑与训练集内各图像目标作用，使每个图像目标得到相应的桶探测信号；根据随机散斑和桶探测信号恢复每个目标的初步图像；将训练集内的真实目标作为TransUNet网络模型的输出，得到的初步图像作为TransUNet网络模型的输入，以此训练TransUNet网络模型；使用随机散斑对新目标进行探测，生成新的初步图像；将新的初步图像输入训练好的TransUNet网络模型中，输出最终目标图像。同时公开了一种鬼成像求逆系统、电子设备及存储介质。本发明利用TransUNet的架构模拟鬼成像求逆的过程，可以在较低采样率下快速重构出清晰的目标图像。

Description

一种鬼成像求逆方法、系统、电子设备及存储介质
技术领域
本发明属于鬼成像领域，具体涉及一种鬼成像求逆方法、系统、电子设备及存储介质。
背景技术
鬼成像又称关联成像，是利用符合探测恢复待测物体空间信息的一种新型成像技术。现有的成像技术主要利用光场的一阶关联信息(强度与位相)，而经典鬼成像利用的光场的二阶关联被认为是一种强度波动的统计相关。其成像过程为，利用多个散斑对目标进行照射收集桶探测信号，再用散斑和收集到的桶探测信号进行关联运算得到目标图像。此方法即为鬼成像领域中的基本相关法，该方法的优点是操作简单，缺点是需要进行多次探测才可以得到较清晰的图像，多次探测则会带来较大的时间消耗，这也限制了鬼成像方法的应用前景。
发明内容
本发明的目的在于针对上述现有技术中的问题，提供一种鬼成像求逆方法、系统、电子设备及存储介质，利用TransUNet的架构模拟鬼成像求逆的过程，可以在较低采样率下快速重构出清晰的目标图像。
为了实现上述目的，本发明有如下的技术方案：
第一方面，提供一种鬼成像求逆方法，包括以下步骤：
将一套随机散斑与训练集内各图像目标作用，使每个图像目标得到相应的桶探测信号；
根据随机散斑和桶探测信号恢复每个目标的初步图像；
将训练集内的真实目标作为TransUNet网络模型的输出，得到的初步图像作为TransUNet网络模型的输入，以此训练TransUNet网络模型；
使用随机散斑对新目标进行探测，生成新的初步图像；
将新的初步图像输入训练好的TransUNet网络模型中，输出最终目标图像。
作为本发明鬼成像求逆方法的一种优选方案，所述每个目标的初步图像以及新的初步图像均通过随机散斑和桶探测信号利用压缩感知类迭代求逆算法求解得到。
更进一步的，所述的压缩感知类迭代求逆算法迭代处理的过程根据真实探测值与计算探测值的误差的导数、迭代步长、迭代位置共同决定，迭代指定轮数或误差小于某一给定值时迭代停止，得到每个真实图像的初步图像。
作为本发明鬼成像求逆方法的一种优选方案，所述的TransUNet网络模型基于的TransUNet网络是一种在卷积或注意力的演进方向上进行计算的卷积神经网络。
作为本发明鬼成像求逆方法的一种优选方案，所述训练TransUNet网络模型的过程包括：
将得到的初步图像作为TransUNet网络模型的输入，得到预测目标图像；
将训练集内的真实目标作为TransUNet网络模型训练的目标，计算预测目标图像与真实目标之间的损失，通过优化损失更新网络模型参数，直到损失或迭代次数达到某一预设值。
更进一步的，所述的TransUNet网络模型根据预测的目标图像和待识别目标计算损失函数，损失函数的计算表达式为：
Lossrec＝F(yi,yp)
式中，yi为目标，yp为预测的目标图像，F用于计算yi与yp之间误差。
第二方面，提供一种鬼成像求逆系统，包括：
训练探测模块，用于将一套随机散斑与训练集内各图像目标作用，使每个图像目标得到相应的桶探测信号；
训练图像获取模块，用于根据随机散斑和桶探测信号恢复每个目标的初步图像；
网络模型训练模块，用于将训练集内的真实目标作为TransUNet网络模型的输出，得到的初步图像作为TransUNet网络模型的输入，以此训练TransUNet网络模型；
目标初步图像探测模块，用于使用随机散斑对新目标进行探测，生成新的初步图像；
网络模型输出模块，用于将新的初步图像输入训练好的TransUNet网络模型中，输出最终目标图像。
作为本发明鬼成像求逆系统的一种优选方案，所述的网络模型训练模块训练TransUNet网络模型的过程包括：
将得到的初步图像作为TransUNet网络模型的输入，得到预测目标图像；
将训练集内的真实目标作为TransUNet网络模型训练的目标，计算预测目标图像与真实目标之间的损失，通过优化损失更新网络模型参数，直到损失或迭代次数达到某一预设值。
第三方面，提供一种电子设备，包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现所述的鬼成像求逆方法。
第四方面，提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现所述的鬼成像求逆方法。
相较于现有技术，本发明至少具有如下有益效果：
训练中，将一套随机散斑与训练集内各图像目标作用，使每个目标得到相应的桶探测信号，根据随机散斑和桶探测信号恢复每个目标的初步图像，初步图像为低质量图像。通过将训练集内的真实目标作为TransUNet网络模型的训练输出，得到的低质量图像作为训练输入，利用TransUNet网络模型的架构模拟鬼成像求逆的过程，以此训练网络模型。测试中，使用随机散斑对新目标进行探测，再使用随机散斑对新目标进行探测，生成新的低质量图像，将此低质量图像输入训练好的TransUNet网络模型中，网络输出即为高质量的目标图像。TransUNet网络模型同时具有Transformers和U-Net的优点，其中Transformer架构使用自注意机制，能够关注全局信息。而UNet架构是一种特殊的卷积神经网络，其主要特性是对称的编码器-解码器架构和残差连接，主要用来解决图像分割与恢复问题。通过测试结果可以看出，本发明经过TransUNet网络模型处理，成像质量得以提高，较为接近原图。
附图说明
图1为本申请实施例提供的一种鬼成像求逆方法流程图；
图2为本申请实施例以手写数字为目标的过程原理图；
图3为本申请实施例以手写数字为目标的效果示意图：(a)手写数字8目标图像；(b)FISTA处理得到的结果图；(c)TransUNet网络模型输出的最终目标图像；
图4为本申请实施例提供的一种鬼成像求逆系统结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。
如图1所示，是本发明提供的一种鬼成像求逆方法较佳实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。
一种鬼成像求逆方法，包括以下步骤：
步骤一、将一套随机散斑与训练集内各图像目标作用，使每个图像目标得到相应的桶探测信号；
步骤二、根据随机散斑和桶探测信号恢复每个目标的初步图像；
在一种可能的实施方式当中，初步图像为低质量图像，对于每个目标来说，与一个散斑作用一次就会产生一个相应桶探测信号。本发明实施例使用压缩感知类迭代求逆算法(FISTA)根据散斑信号和桶探测信号恢复每个目标的较低质量图像。其中，迭代处理的过程是根据真实探测值与计算探测值的误差的导数、迭代步长、迭代位置三个方面共同决定，迭代指定轮数或误差小于某一给定值时迭代停止，得到每个真实图像的低质量图像。
步骤三、将训练集内的真实目标作为TransUNet网络模型的输出，得到的初步图像作为TransUNet网络模型的输入，以此训练TransUNet网络模型；
本实施例的TransUNet网络模型为一类以低质量图为输入，在卷积或注意力的演进方向上进行计算的卷积神经网络，卷积神经网络具有局部性，其优点是建模精细。TransUNet网络模型同时具有Transformers架构和U-Net架构的优点，其中，Transformer架构使用自注意机制，优点是能够关注全局信息。而UNet架构是一种特殊的卷积神经网络，其主要特性是对称的编码器-解码器架构和残差连接，主要用来解决图像分割与恢复问题。
本实施例训练TransUNet网络模型的过程包括：
将得到的初步图像作为TransUNet网络模型的输入，得到预测目标图像；
将训练集内的真实目标作为TransUNet网络模型训练的目标，计算预测目标图像与真实目标之间的损失，通过优化损失更新网络模型参数，直到损失或迭代次数达到某一预设值。
其中，TransUNet网络模型根据预测的目标图像和待识别目标计算损失函数，表达式为：
Lossrec＝F(yi,yp)
式中，yi为目标，yp为预测的目标图像，F用于计算yi与yp之间误差，可以是均方误差(MSE)或者结构相似性(SSIM)，在本发明中不作任何限定。
步骤四、使用随机散斑对新目标进行探测，生成新的初步图像；
在一种可能的实施方式当中，同样经过压缩感知类迭代求逆算法生成低质量图像。这里，在对目标区域进行探测时，使用的散斑序列和TransUNet网络模型训练阶段可以是不同的散斑序列，得到的桶探测信号利用压缩感知类迭代求逆算法处理后得到新的低质量图。
步骤五、将新的初步图像输入训练好的TransUNet网络模型中，输出最终目标图像。
如图2所示，是本发明提供的一种鬼成像求逆方法以手写数字为目标的过程原理图，直观可见，目标经过桶探测、压缩感知类迭代求逆算法处理得到低质量图，再将低质量图输入到训练好的TransUNet网络模型中，TransUNet网络模型则能快速输出高质量目标图像。
以下以手写数字为目标为例对本发明做进一步的详细说明。
实验条件：针对一张手写数字8进行基于遗传算法的鬼成像。具体过程为，先选取10000张训练图像，将10000张训练图像在采用率为30％下得到各桶探测信号；综合光斑信号与桶探测信号使用FISTA算法迭代200轮处理得到10000张低质量图像；将10000张低质量图像作为TransUNet网络模型的输入部分，将10000张原图作为TransUNet的输出部分，训练网络参数；训练完毕后，将测试集的一张图像使用FISTA算法生成低质量图像；最后使用训练好参数的TransUNet网络模型对此低质量图像进行重构，快速输出高质量目标图像。
实验结果如图所示，其中，图3中(a)图为手写数字8目标图像，按本发明进行FISTA处理与测试输入，图3中(b)图为FISTA处理得到的结果，图3中(c)图为经过TransUNet网络模型的图片输出。通过结果可以看出，FISTA处理得到的结果经过TransUNet网络模型后，实现成像质量得以明显提高，较为接近原图。
参见图4，本发明的另一实施例还给出一种鬼成像求逆系统，具体包括：
训练探测模块1，用于将一套随机散斑与训练集内各图像目标作用，使每个图像目标得到相应的桶探测信号；
训练图像获取模块2，用于根据随机散斑和桶探测信号恢复每个目标的初步图像；
网络模型训练模块3，用于将训练集内的真实目标作为TransUNet网络模型的输出，得到的初步图像作为TransUNet网络模型的输入，以此训练TransUNet网络模型；
目标初步图像探测模块4，用于使用随机散斑对新目标进行探测，生成新的初步图像；
网络模型输出模块5，用于将新的初步图像输入训练好的TransUNet网络模型中，输出最终目标图像。
更进一步的，网络模型训练模块训练TransUNet网络模型的过程包括：
将得到的初步图像作为TransUNet网络模型的输入，得到预测目标图像；
将训练集内的真实目标作为TransUNet网络模型训练的目标，计算预测目标图像与真实目标之间的损失，通过优化损失更新网络模型参数，直到损失或迭代次数达到某一预设值。
由于本申请实施例提供的一种鬼成像求逆系统结构的各个功能模块与上述基于TransUNet网络模型的鬼成像方法的示例实施例的步骤对应，因此，对于本公开系统实施例中未披露的细节，请参照本公开上述的基于TransUNet网络模型的鬼成像方法的实施例。
本发明的另一实施例还提出一种电子设备，包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现所述的鬼成像求逆方法。
另一实施例还提出一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现所述的鬼成像求逆方法。
示例性的，所述存储器中存储的指令可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在计算机可读存储介质中，并由所述处理器执行，以完成本发明所述基于循环神经网络的鬼成像方法。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该指令段用于描述所述计算机程序在服务器中的执行过程。
所述电子设备可以是智能手机、笔记本、掌上电脑及云端服务器等计算设备。所述电子设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述电子设备还可以包括更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述电子设备还可以包括输入输出设备、网络接入设备、总线等。
所述处理器可以是中央处理单元(CentraL Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(DigitaL SignaL Processor，DSP)、专用集成电路(AppLication Specific Integrated Circuit，ASIC)、现成可编程门阵列(FieLd-ProgrammabLe Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器可以是所述服务器的内部存储单元，例如服务器的硬盘或内存。所述存储器也可以是所述服务器的外部存储设备，例如所述服务器上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure DigitaL,SD)卡，闪存卡(FLash Card)等。进一步地，所述存储器还可以既包括所述服务器的内部存储单元也包括外部存储设备。所述存储器用于存储所述计算机可读指令以及所述服务器所需的其他程序和数据。所述存储器还可以用于暂时地存储已经输出或者将要输出的数据。
需要说明的是，上述模块单元之间的信息交互、执行过程等内容，由于与方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，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单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种鬼成像求逆方法，其特征在于，包括以下步骤：
将一套随机散斑与训练集内各图像目标作用，使每个图像目标得到相应的桶探测信号；
根据随机散斑和桶探测信号恢复每个目标的初步图像；
将训练集内的真实目标作为TransUNet网络模型的输出，得到的初步图像作为TransUNet网络模型的输入，以此训练TransUNet网络模型；
使用随机散斑对新目标进行探测，生成新的初步图像；
将新的初步图像输入训练好的TransUNet网络模型中，输出最终目标图像。
2.根据权利要求1所述的鬼成像求逆方法，其特征在于，所述每个目标的初步图像以及新的初步图像均通过随机散斑和桶探测信号利用压缩感知类迭代求逆算法求解得到。
3.根据权利要求2所述的鬼成像求逆方法，其特征在于，所述的压缩感知类迭代求逆算法迭代处理的过程根据真实探测值与计算探测值的误差的导数、迭代步长、迭代位置共同决定，迭代指定轮数或误差小于某一给定值时迭代停止，得到每个真实图像的初步图像。
4.根据权利要求1所述的鬼成像求逆方法，其特征在于，所述的TransUNet网络模型基于的TransUNet网络是一种在卷积或注意力的演进方向上进行计算的卷积神经网络。
5.根据权利要求4所述的鬼成像求逆方法，其特征在于，所述训练TransUNet网络模型的过程包括：
将得到的初步图像作为TransUNet网络模型的输入，得到预测目标图像；
将训练集内的真实目标作为TransUNet网络模型训练的目标，计算预测目标图像与真实目标之间的损失，通过优化损失更新网络模型参数，直到损失或迭代次数达到某一预设值。
6.根据权利要求5所述的鬼成像求逆方法，其特征在于，所述的TransUNet网络模型根据预测的目标图像和待识别目标计算损失函数，损失函数的计算表达式为：
Lossrec＝F(yi,yp)
式中，yi为目标，yp为预测的目标图像，F用于计算yi与yp之间误差。
7.一种鬼成像求逆系统，其特征在于，包括：
训练探测模块，用于将一套随机散斑与训练集内各图像目标作用，使每个图像目标得到相应的桶探测信号；
训练图像获取模块，用于根据随机散斑和桶探测信号恢复每个目标的初步图像；
网络模型训练模块，用于将训练集内的真实目标作为TransUNet网络模型的输出，得到的初步图像作为TransUNet网络模型的输入，以此训练TransUNet网络模型；
目标初步图像探测模块，用于使用随机散斑对新目标进行探测，生成新的初步图像；
网络模型输出模块，用于将新的初步图像输入训练好的TransUNet网络模型中，输出最终目标图像。
8.根据权利要求7所述的鬼成像求逆系统，其特征在于，所述的网络模型训练模块训练TransUNet网络模型的过程包括：
将得到的初步图像作为TransUNet网络模型的输入，得到预测目标图像；
将训练集内的真实目标作为TransUNet网络模型训练的目标，计算预测目标图像与真实目标之间的损失，通过优化损失更新网络模型参数，直到损失或迭代次数达到某一预设值。
9.一种电子设备，其特征在于，包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现如权利要求1至6中任意一项所述的鬼成像求逆方法。
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中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现如权利要求1至6中任意一项所述的鬼成像求逆方法。
CN202210087136.5A 2022-01-25 2022-01-25 一种鬼成像求逆方法、系统、电子设备及存储介质 Active CN114429429B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210087136.5A CN114429429B (zh) 2022-01-25 2022-01-25 一种鬼成像求逆方法、系统、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210087136.5A CN114429429B (zh) 2022-01-25 2022-01-25 一种鬼成像求逆方法、系统、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN114429429A true CN114429429A (zh) 2022-05-03
CN114429429B CN114429429B (zh) 2024-02-06

Family

ID=81313469

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210087136.5A Active CN114429429B (zh) 2022-01-25 2022-01-25 一种鬼成像求逆方法、系统、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN114429429B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140340524A1 (en) * 2013-05-17 2014-11-20 Leap Motion, Inc. Systems and methods for providing normalized parameters of motions of objects in three-dimensional space
CN110163274A (zh) * 2019-05-15 2019-08-23 南京邮电大学 一种基于鬼成像和线性判别分析的物体分类方法
CN110675326A (zh) * 2019-07-24 2020-01-10 西安理工大学 基于U-Net网络的计算鬼成像重建恢复的方法
CN111833248A (zh) * 2020-06-19 2020-10-27 西北大学 基于部分哈达玛矩阵的超分辨率鬼成像方法及系统
WO2021088849A1 (zh) * 2019-11-04 2021-05-14 深圳先进技术研究院 一种超声成像方法、装置、可读存储介质及终端设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140340524A1 (en) * 2013-05-17 2014-11-20 Leap Motion, Inc. Systems and methods for providing normalized parameters of motions of objects in three-dimensional space
CN110163274A (zh) * 2019-05-15 2019-08-23 南京邮电大学 一种基于鬼成像和线性判别分析的物体分类方法
CN110675326A (zh) * 2019-07-24 2020-01-10 西安理工大学 基于U-Net网络的计算鬼成像重建恢复的方法
WO2021088849A1 (zh) * 2019-11-04 2021-05-14 深圳先进技术研究院 一种超声成像方法、装置、可读存储介质及终端设备
CN111833248A (zh) * 2020-06-19 2020-10-27 西北大学 基于部分哈达玛矩阵的超分辨率鬼成像方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
蔡宏吉;姚治海;高超;任捷;刘籍元;王晓茜;: "基于叠加散斑图的反射鬼成像", 激光与光电子学进展, no. 07 *
赵群;桑爱军;栾晓利;赵岩;贾姗姗;: "基于二维DCT的鬼成像高效目标重构", 吉林大学学报(信息科学版), no. 02 *

Also Published As

Publication number Publication date
CN114429429B (zh) 2024-02-06

Similar Documents

Publication Publication Date Title
Wang et al. Objectformer for image manipulation detection and localization
CN106951484B (zh) 图片检索方法及装置、计算机设备及计算机可读介质
Li et al. Uni-perceiver v2: A generalist model for large-scale vision and vision-language tasks
Ebadi et al. Foreground segmentation with tree-structured sparse RPCA
CN108596267B (zh) 一种图像重建方法、终端设备及计算机可读存储介质
CN108765340B (zh) 模糊图像处理方法、装置及终端设备
CN109949219B (zh) 一种超分辨率图像的重构方法、装置及设备
CN111860398B (zh) 遥感图像目标检测方法、系统及终端设备
CN109214366A (zh) 局部目标重识别方法、装置及系统
CN112785507A (zh) 图像处理方法及装置、存储介质、终端
US11704543B2 (en) Neural network hardware acceleration with stochastic adaptive resource allocation
CN113989696B (zh) 目标跟踪方法、装置、电子设备及存储介质
CN107169982A (zh) 一种量子LoG边缘检测方法
WO2010080857A2 (en) Scalable media fingerprint extraction
CN111488810A (zh) 人脸识别方法、装置、终端设备及计算机可读介质
Liu et al. Visual tracking via nonnegative multiple coding
Weng et al. Boosting event stream super-resolution with a recurrent neural network
Pang et al. Progressive polarization based reflection removal via realistic training data generation
CN116912635B (zh) 目标追踪方法及装置
Li et al. Feature pre-inpainting enhanced transformer for video inpainting
CN113706408A (zh) 一种基于降噪卷积神经网络的鬼成像去噪方法及设备
Peng et al. Deep learning-based autonomous real-time digital meter reading recognition method for natural scenes
CN113554035A (zh) 基于光流的特征匹配方法、智能终端及计算机存储介质
Zhang et al. Image motion deblurring via attention generative adversarial network
CN114429429B (zh) 一种鬼成像求逆方法、系统、电子设备及存储介质

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