CN115082364A - 基于散斑图叠加和平均的超记忆效应范围成像方法和装置 - Google Patents
基于散斑图叠加和平均的超记忆效应范围成像方法和装置 Download PDFInfo
- Publication number
- CN115082364A CN115082364A CN202110259703.6A CN202110259703A CN115082364A CN 115082364 A CN115082364 A CN 115082364A CN 202110259703 A CN202110259703 A CN 202110259703A CN 115082364 A CN115082364 A CN 115082364A
- Authority
- CN
- China
- Prior art keywords
- speckle
- information
- pattern
- moving object
- component
- 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
Links
- 230000003446 memory effect Effects 0.000 title claims abstract description 63
- 238000003384 imaging method Methods 0.000 title claims abstract description 47
- 238000012935 Averaging Methods 0.000 title claims abstract description 46
- 230000003068 static effect Effects 0.000 claims abstract description 121
- 238000012545 processing Methods 0.000 claims abstract description 67
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 39
- 238000011084 recovery Methods 0.000 claims abstract description 37
- 238000010586 diagram Methods 0.000 claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 31
- 230000000694 effects Effects 0.000 claims abstract description 28
- 238000004590 computer program Methods 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 17
- 238000005516 engineering process Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 239000005337 ground glass Substances 0.000 description 2
- 238000012634 optical imaging Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000005338 frosted glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20216—Image averaging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Algebra (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请涉及一种基于散斑图叠加和平均的超记忆效应范围成像方法、装置、计算机设备和存储介质。所述方法包括:获取n个不同时刻采集的待成像样本的散斑图,待成像样本包括不同记忆效应范围的静止物体和运动物体;对各散斑图进行叠加平均处理,得到静止物体的第一散斑分量图;对获取的候选散斑图和第一散斑分量图进行差分操作,得到运动物体的第二散斑分量图;根据第一散斑分量图和第二散斑分量图的自相关信息分别确定静止物体和运动物体的目标傅里叶幅值信息;通过相位恢复算法对各目标傅里叶幅值信息进行迭代处理,完成静止物体和运动物体的重建。采用本方法能够提高超记忆效应范围成像数据处理效率。
Description
技术领域
本申请涉及计算机成像技术领域,特别是涉及一种基于散斑图叠加和平均的超记忆效应范围成像方法、装置、计算机设备和存储介质。
背景技术
可见光成像是人们在日常生活中获取事物信息的重要方式,利用传统的光学成像系统,可以清晰获得物体的信息。但是由于环境的折射率分布不均匀,散射现象在自然界非常常见。携带物体信息的光波,通过散射介质后会被严重干扰,给成像带来巨大的困难。随着散射成像技术在生物医学、水下探测和大气遥感等领域的应用,如何通过散射介质实现高分辨成像成为光学成像领域一个需要解决的重要问题。
散斑相关技术的基础是“光学记忆效应”,“光学记忆效应”是指在一定角度内,当改变光源入射到散射介质上角度时,在像平面形成的散斑图保持不变,但整体散斑图发生平移。散斑相关技术对“记忆效应”范围内的单个物体有效;当散射介质后存在超出记忆效应范围的两个物体,两物体自相关信息混叠在一起无法重建,恢复物体的形状。
然而,目前在实现超越记忆效应范围成像通过散斑图和多个位置点扩散函数解卷积技术实现超出记忆效应范围重建等方式实现超出记忆效应范围重建,存在超记忆效应范围成像数据处理效率低的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高超记忆效应范围成像数据处理效率的基于散斑图叠加和平均的超记忆效应范围成像方法、装置、计算机设备和存储介质。
一种基于散斑图叠加的超记忆效应范围成像方法,所述方法包括:
获取n个不同时刻采集的待成像样本的散斑图,所述待成像样本包括不同记忆效应范围的静止物体和运动物体;
对各所述散斑图进行叠加平均处理,得到所述静止物体的第一散斑分量图;
获取所述待成像样本的候选散斑图;
对所述候选散斑图和所述第一散斑分量图进行差分操作,得到所述运动物体在不同位置的第二散斑分量图;
计算所述第一散斑分量图和所述第二散斑分量图的自相关信息;
根据所述第一散斑分量图和所述第二散斑分量图的自相关信息分别确定所述静止物体和运动物体的目标傅里叶幅值信息;
通过相位恢复算法对各所述目标傅里叶幅值信息进行迭代处理,完成所述静止物体和所述运动物体的重建。
在其中一个实施例中,所述获取n个不同时刻采集的待成像样本的散斑图,包括:
获取n个不同时刻采集到的所述静止物体的散斑分量和所述运动物体在不同位置的散斑分量;
对所述静止物体的散斑分量和所述运动物体在不同位置的散斑分量进行叠加,得到n个包含所述静止物体和所述运动物体的散斑图。
在其中一个实施例中,所述对各所述散斑图进行叠加平均处理,得到所述静止物体的第一散斑分量图,包括:
对n个包含所述静止物体和所述运动物体的散斑图进行线性叠加,得到叠加散斑图;
基于所述叠加散斑图的散斑强度,对所述叠加散斑图进行平均处理,得到所述静止物体的第一散斑分量图。
在其中一个实施例中,所述获取所述待成像样本的候选散斑图,包括:
从所述获取n个时刻中任意时刻采集的待成像样本的散斑图中选取任意时刻的散斑图作为候选散斑图;
所述对所述候选散斑图和所述第一散斑分量图进行差分操作,得到所述运动物体在不同位置的第二散斑分量图,包括:
获取所述候选散斑图的散斑信息和所述第一散斑分量图的散斑信息;
通过对所述候选散斑图的散斑信息和所述第一散斑分量图的散斑信息进行差分操作,得到所述运动物体在对应位置的第二散斑分量图。
在其中一个实施例中,所述基于相位恢复算法对各所述目标傅里叶幅值信息进行迭代处理,完成所述静止物体和所述运动物体的重建,包括:
基于所述相位恢复算法对各所述目标傅里叶幅值信息进行迭代处理,直到满足所述相位恢复算法的振幅约束,得到所述静止物体的傅里叶相位信息和所述运动物体的傅里叶相位信息;
根据所述静止物体的傅里叶相位信息和所述运动物体的傅里叶相位信息,完成所述静止物体和所述运动物体的重建。
在其中一个实施例中,所述根据所述第一散斑分量图和所述第二散斑分量图的自相关信息分别确定所述静止物体和运动物体的目标傅里叶幅值信息,包括:
根据所述第一散斑分量图的自相关信息确定所述静止物体的自相关信息;
根据所述第二散斑分量图的自相关信息确定所述运动物体的自相关信息;
通过对所述静止物体的自相关信息和所述运动物体的自相关信息进行傅里叶变换,分别得到所述静止物体和运动物体的目标傅里叶幅值信息。
在其中一个实施例中,所述不同记忆效应范围包括不同轴向记忆效应范围或不同横向记忆效应范围。
一种基于散斑图叠加的超记忆效应范围成像装置,所述装置包括:
第一获取模块,用于获取n个不同时刻采集的待成像样本的散斑图,所述待成像样本包括不同记忆效应范围的静止物体和运动物体;
叠加平均处理模块,用于对各所述散斑图进行叠加平均处理,得到所述静止物体的第一散斑分量图;
第二获取模块,用于获取所述待成像样本的候选散斑图;
差分操作模块,用于对所述候选散斑图和所述第一散斑分量图进行差分操作,得到所述运动物体在不同位置的第二散斑分量图;
计算模块,用于计算所述第一散斑分量图和所述第二散斑分量图的自相关信息;
确定模块,用于根据所述第一散斑分量图和所述第二散斑分量图的自相关信息分别确定所述静止物体和运动物体的目标傅里叶幅值信息;
重建模块,用于通过相位恢复算法对各所述目标傅里叶幅值信息进行迭代处理,完成所述静止物体和所述运动物体的重建。
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以下步骤:
采集n个不同时刻的待成像样本的散斑图,所述待成像样本包括不同记忆效应范围的静止物体和运动物体;
对各所述散斑图进行叠加平均处理,得到所述静止物体的第一散斑分量图;
获取所述待成像样本的候选散斑图;
对所述候选散斑图和所述第一散斑分量图进行差分操作,得到所述运动物体在不同位置的第二散斑分量图;
计算所述第一散斑分量图和所述第二散斑分量图的自相关信息;
根据所述第一散斑分量图和所述第二散斑分量图的自相关信息分别确定所述静止物体和运动物体的目标傅里叶幅值信息;
通过相位恢复算法对各所述目标傅里叶幅值信息进行迭代处理,完成所述静止物体和所述运动物体的重建。
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以下步骤:
采集n个不同时刻的待成像样本的散斑图,所述待成像样本包括不同记忆效应范围的静止物体和运动物体;
对各所述散斑图进行叠加平均处理,得到所述静止物体的第一散斑分量图;
获取所述待成像样本的候选散斑图;
对所述候选散斑图和所述第一散斑分量图进行差分操作,得到所述运动物体在不同位置的第二散斑分量图;
计算所述第一散斑分量图和所述第二散斑分量图的自相关信息;
根据所述第一散斑分量图和所述第二散斑分量图的自相关信息分别确定所述静止物体和运动物体的目标傅里叶幅值信息;
通过相位恢复算法对各所述目标傅里叶幅值信息进行迭代处理,完成所述静止物体和所述运动物体的重建。
上述基于散斑图叠加的超记忆效应范围成像方法、装置、计算机设备和存储介质,通过采集不同时刻包含静止物体和运动物体的待成像样本的散斑图;对不同时刻的散斑图进行叠加平均处理,得到静止物体的第一散斑分量图;以及将任意时刻获取的待成像样本的候选散斑图与第一散斑分量图进行差分操作,得到运动物体在任意时刻的第二散斑分量图;即通过对不同时刻的散斑图进行叠加平均以及差分处理,分别得到静止物体和运动物体的散斑分量图,根据静止物体和运动物体的散斑分量图的自相关信息得到目标物体的自相关信息,相位恢复算法,完成目标物体的重建,不需要预先获取先验信息,减少数据处理量,缩短重建物体的耗时以及提高超记忆效应范围成像数据处理效率。
附图说明
图1为一个实施例中基于散斑图叠加和平均的超记忆效应范围成像方法的应用环境图;
图2为一个实施例中基于散斑图叠加和平均的超记忆效应范围成像方法的流程示意图;
图3为一个实施例中多帧散斑图叠加平均示意图;
图4为另一个实施例中基于散斑图叠加和平均的超记忆效应范围成像方法的流程示意图;
图5为一个实施例中基于散斑图叠加和平均的超记忆效应范围成像的应用场景图;
图6为一个实施例中基于散斑图叠加和平均的超记忆效应范围成像的效果示意图;
图7为一个实施例中基于散斑图叠加和平均的超记忆效应范围成像装置的结构框图;
图8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。
本申请提供的基于散斑图叠加和平均的超记忆效应范围成像方法,可以应用于如图1所示的应用环境中。其中,第一终端102通过网络与第二终端104进行通信。第一终端102获取第二终端104在n个不同时刻采集的待成像样本的散斑图,待成像样本包括不同记忆效应范围的静止物体和运动物体;第一终端102对各散斑图进行叠加平均处理,得到静止物体的第一散斑分量图;获取待成像样本的候选散斑图;对候选散斑图和第一散斑分量图进行差分操作,得到运动物体在不同位置的第二散斑分量图;计算第一散斑分量图和第二散斑分量图的自相关信息;根据第一散斑分量图和第二散斑分量图的自相关信息分别确定静止物体和运动物体的目标傅里叶幅值信息;通过相位恢复算法对各目标傅里叶幅值信息进行迭代处理,完成静止物体和运动物体的重建。其中,第一终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,第二终端104可以但不仅限于是各自图像采集设备。可选地,第二终端104可以是集成在第一终端102上。
在一个实施例中,如图2所示,提供了一种基于散斑图叠加和平均的超记忆效应范围成像方法,以该方法应用于图1中的第一终端为例进行说明,包括以下步骤:
步骤202,采集n个不同时刻的待成像样本的散斑图,待成像样本包括不同记忆效应范围的静止物体和运动物体。
其中,不同记忆效应范围即不同光学记忆效应范围,包括不同景深(不同轴向记忆效应范围)或不同视场(不同横向记忆效应范围),不同轴向记忆效应范围包括超出轴向记忆效应范围和未超出轴向记忆效应范围;不同横向记忆效应范围包括超出横向记忆效应范围和未超出横向记忆效应范围;待成像样本是指携带物体信息的光束经过散射介质后存在静止物体和运动物体,且待成像样本中的物体的大小不超过散射介质记忆效应范围,但距离超出轴向记忆效应范围或横向记忆效应范围;待成像样本散射介质后存在静止物体和运动物体的数量可以但不仅限于是1。本实施例中以待成像样本散射介质后存在一个静止物体和一个运动物体为例进行说明。
具体地,光束携带至少两个物体的信息被散射介质散射,散斑图被像面的相机接收,两物体在空间中坐标不同,从物面传递到像面对应不同的点扩散函数,即当待成像样本散射介质后存在隐藏在介质后静止物体和运动物体时,通过图像采集设备(例如,相机)采集n个待成像样本在不同时刻的散斑图,每个时刻采集的散斑图是静止物体和运动物体散斑图的线性叠加。例如,待成像样本散射介质后,在物平面存在隐藏在介质后两个物体,即静止物体O1和运动物体O2,通过相机采集n个不同时刻待成像样本的散斑图I是静止物体O1和运动物体O2形成的散斑图I1和I2的线性叠加,散斑图I可以表示为:
I=IO1+IO2=S1(x1,y1)*O1(x1,y1)+S2(x2,y2)*O2(x2,y2)
其中,坐标Q1(x1,y1)和Q2(x2,y2)为物体O1和物体O2的坐标,*表示卷积操作,S为散射系统的点扩散函数(PSF),S1(x1,y1)为静止物体O1在坐标(x1,y1)的点扩散函数,S2(x2,y2)分别为运动物体O2在坐标(x2,y2)的点扩散函数,IO1静止物体O1在某一时刻的散斑图,IO2为运动物体O2在某一时刻的散斑图。
步骤204,对各散斑图进行叠加平均处理,得到静止物体的第一散斑分量图。
具体地,相机在不同时刻采集n帧待成像样本的散斑图,在散斑采集时,坐标改变的运动物体O2可以认为是和上个位置的物体O2不是同一个物体。相机采集的n帧散斑图中静止物体形成的散斑图分布相同,运动物体散斑分布不相同,即可以认为是不同物体形成散斑图,叠加n帧散斑图得到散斑图Isum,叠加形成的散斑图Isum,包含n个静止物体O1的散斑图和n个不同位置运动物体O2形成的散斑图,对多帧散斑图叠加Isum施加平均操作,得到静止物体的第一散斑分量。
其中,叠加相机采集的散斑图得到散斑图Isum可以表示为:
其中,S1和S2为对应的点扩散函数,O1为静止物体,O2为运动物体。
对多帧散斑图叠加Isum施加平均操作,得到静止物体的子第一散斑分量Iave可以表示为:
C为噪声,即得到的第一散斑分量图Iave近似等于散射介质后只存在物体O1形成的散斑图I1,在平均操作中运动物体O2的散斑图可以近似为噪声。
如图3所示为一个实施例中n帧散斑图叠加平均示意图,图(a)不同时刻运动物体位置示意图,O(tn)表示在tn时刻物体分布,字母S为静止物体,字母Z表示运动物体,图(b)在不同时刻采集n帧散斑图,在散斑采集过程中,相机采集的n帧散斑图中静止物体形成的散斑图分布相同,运动物体形成的散斑图分布不相同,图(c)n帧散斑图叠加,图(d)平均叠加产生的散斑图,得到近似静止物体S产生的散斑图。
步骤206,获取待成像样本的候选散斑图。
其中,候选散斑图是相机所采集的任意时刻的待成像样本的散斑图,例如,获取相机采集的第c帧散斑图,即候选散斑图,c为任意时刻。
步骤208,对候选散斑图和第一散斑分量图进行差分操作,得到运动物体在不同位置的第二散斑分量图。
具体地,获取相机采集的第c帧散斑图Ic,第c帧散斑图包含静止物体O1和运动物体O2散斑图,对第c帧散斑图和第一散斑分量图进行差分操作,得到c时刻的运动物体O2的散斑分量图可以表示为 为c时刻的点扩散函数;其中,不同时刻运动物体O2的位置不同。
步骤210,计算第一散斑分量图和第二散斑分量图的自相关信息。
具体地,分别计算计算第一散斑分量图的自相关信息和第二散斑分量图的自相关信息;第一散斑分量图的自相关信息可以表示为:即通过计算第一散斑分量图的自相关信息可以确定静止物体O1的自相关信息;第二散斑分量图的自相关信息可以表示为:示,即通过计算第二散斑分量图的自相关信息可以确定运动物体O2的自相关信息。
步骤212,根据第一散斑分量图和第二散斑分量图的自相关信息分别确定静止物体和运动物体的目标傅里叶幅值信息。
具体地,基于散斑相关技术,根据第一散斑分量图和第二散斑分量图的自相关信息分别确定静止物体和运动物体的目标傅里叶幅值信息,即静止物体O1的目标傅里叶幅值信息可以表示为:运动物体O2的目标傅里叶幅值信息可以表示为:
步骤214,通过相位恢复算法对各目标傅里叶幅值信息进行迭代处理,完成静止物体和运动物体的重建。
具体地,基于相位恢复算法对各目标傅里叶幅值信息进行迭代处理,直到满足相位恢复算法的振幅约束,即实数空间的动态约束,得到静止物体的傅里叶相位信息和运动物体的傅里叶相位信息;根据静止物体的傅里叶相位信息和运动物体的傅里叶相位信息,完成静止物体和运动物体的重建。
上述基于散斑图叠加和平均的超记忆效应范围成像方法中,通过采集不同时刻包含静止物体和运动物体的待成像样本的散斑图;对不同时刻的散斑图进行叠加平均处理,得到静止物体的第一散斑分量图;以及将任意时刻获取的待成像样本的候选散斑图与第一散斑分量图进行差分操作,得到运动物体在任意时刻的第二散斑分量图;即通过对不同时刻的散斑图叠加平均以及差分处理,将隐藏在散射介质的两个物体的散斑图从相机在不同时刻采集的散斑图中分离出来,根据两个物体的散斑分量图的自相关信息得到目标物体的自相关信息,相位恢复算法,重建出隐藏物体,提高了成像效果,且不需要预先获取先验信息,减少数据处理量,缩短重建物体的耗时进而提高超记忆效应范围成像数据处理效率。
在另一个实施例中,如图4所示,提供了一种基于散斑图叠加和平均的超记忆效应范围成像方法,待成像样本中包括一个静止物体和一个运动物体,待成像样本中的静止物体和运动物体超出轴向记忆效应范围或超出横向记忆效应范围,以该方法应用于图1中的第一终端为例进行说明,包括以下步骤:
步骤402,获取n个不同时刻采集到的静止物体的散斑分量和运动物体在不同位置的散斑分量。
其中,运动物体在不同时刻的散斑分量不同,即不同时刻的位置坐标不同位置坐标对应的点扩散函数也不同。
步骤404,对静止物体的散斑分量和运动物体在不同位置的散斑分量进行叠加,得到n个包含静止物体和运动物体的散斑图。
具体地,根据n个不同时刻采集到的静止物体的散斑分量和运动物体在不同位置的散斑分量进行叠加,即运动物体在轴向或横向不同的记忆效应范围通过散射介质形成不同的散斑分量,在不同时刻多次曝光,得到n个包含静止物体和运动物体的散斑图。其中,运动物体O2的位置坐标随着时间改变,运动物体经过散射介质形成的散斑图I2也不相同,可以表示为:IO2=O2*S(t,r),S()为点扩散函数,t表示时间,r代表物体的坐标;静止物体O1的位置坐标不随着时间改变,静止物体经过散射介质形成的散斑图I1也相同,为IO1。相机采集的散斑图也根据物体O2散斑图改变而变化,不同时刻包含静止物体和运动物体的散斑图可以表示为:
In=IO1+IO2=O1*S1+O2(tn,rn)*S2(tn,rn)
步骤406,对各散斑图进行叠加平均处理,得到静止物体的第一散斑分量图。
具体地,对n个不同时刻包含静止物体和运动物体的散斑图进行线性叠加,得到叠加散斑图;基于叠加散斑图的散斑强度,对叠加散斑图进行平均处理,得到静止物体的第一散斑分量图;也就是说,运动物体O2遍历空间中位置越多,叠加平均的散斑图中运动物体O2散斑图信息越少,静止物体O1形成的散斑图信息越多,散斑图叠加后静止物体的散斑强度将远超过运动物体的散斑强度,基于叠加散斑图的散斑强度,对叠加散斑图进行平均处理,得到静止物体的第一散斑分量图,可以表示为:
步骤408,从获取n个时刻中任意时刻采集的待成像样本的散斑图中选取任意时刻的散斑图作为候选散斑图。
步骤410,对候选散斑图和第一散斑分量图进行差分操作,得到运动物体在不同位置的第二散斑分量图。
具体地,获取候选散斑图的散斑信息和第一散斑分量图的散斑信息;通过对候选散斑图的散斑信息和第一散斑分量图的散斑信息进行差分操作,得到运动物体在对应时刻的第二散斑分量图。
步骤412,计算第一散斑分量图和第二散斑分量图的自相关信息。
步骤414,根据第一散斑分量图和第二散斑分量图的自相关信息分别确定静止物体和运动物体的目标傅里叶幅值信息。
具体地,根据第一散斑分量图的自相关信息确定静止物体的自相关信息;根据第二散斑分量图的自相关信息确定运动物体的自相关信息;通过对静止物体的自相关信息和运动物体的自相关信息进行傅里叶变换,分别得到静止物体和运动物体的目标傅里叶幅值信息。
也就数说,基于散斑相关技术,根据第一散斑分量图和第二散斑分量图的自相关信息分别确定静止物体和运动物体的目标傅里叶幅值信息,即静止物体O1的目标傅里叶幅值信息可以表示为:运动物体O2的目标傅里叶幅值信息可以表示为:
步骤416,通过相位恢复算法对各目标傅里叶幅值信息进行迭代处理,完成静止物体和运动物体的重建。
具体地,基于相位恢复算法对各目标傅里叶幅值信息进行迭代处理,直到满足相位恢复算法的振幅约束,即实数空间的动态约束,得到静止物体的傅里叶相位信息和运动物体的傅里叶相位信息;根据静止物体的傅里叶相位信息和运动物体的傅里叶相位信息,完成静止物体和运动物体的重建。即根据相位恢复算法,通过先对给定的物面振幅附加一个随机相位作为初始复振幅g0(x,y)。初始复振幅通过进行二维傅里叶变换得到频谱面函数Gn(u,v)。保留频谱面函数Gn(u,v)的相位部分,频谱面函数的振幅被替换为散斑得到的目标傅里叶幅值信息,得到新的频谱面函数G'n(u,v)。对频谱函数G'n(u,v)进行二维傅里叶逆变换,得到实数空间的g'n(x,y),通过对g'n(x,y)实施动态约束进行迭代处理,直到满足动态约束,得到静止物体和运动物体的傅里叶相位信息,完成静止物体和运动物体的重建。其中,动态约束可以表示为:
其中,Γ表示动态约束的集合,β表示控制算法收敛的参数。
以下为一个实施例中,基于散斑图叠加的超记忆效应范围成像的应用场景,如图5所示,(a)表示光学散射模组,模组中包括激光器、毛玻璃、透射镜、空间光调制器、散射介质和相机,(b)表示空间光调制器上加载的两物体信息,(c)表示在采集不同时刻采集散斑图时S和Z字母的位置。
光源为波长532nm的激光器,同时利用一个快速旋转的毛玻璃和一个准直透射镜对激光器初始的光进行调制保证光以平行空间非相干光垂直入射输入面。两个偏振片位于空间光调制器(Spatial Light Modulator,SLM))前后实现振幅调制,在SLM上加载多帧图像,来模仿不同时刻运动的物体。光束通过SLM携带物体信息被散射介质散射。一个相机放置在磨砂玻璃后的像平面以记录相应的散斑图像。利用相机在十个时刻采集散斑图,对10帧散斑图叠加得到Isum。静止物体S在每帧采集的散斑中分布相同,散斑图叠加后静止物体S的散斑强度将远远超过各个位置运动物体Z形成的散斑强度。
对多帧叠加后的散斑图进行平均操作得到的散斑图等于静止物体S产生的散斑图。相机在任意时刻采集的散斑图是由物体S和物体Z散斑图的叠加。利用任意一帧散斑图和多帧叠加后平均的散斑图差值处理,可以得到运动物体Z产生的散斑图。
利用散斑图叠加平均和差分可以分别得到静止物体和运动物体的散斑图,利用散斑相关技术计算得到物体的自相关。通过计算散斑图的自相关,最终能够的到未知运动物体Z和静止物体S的傅里叶幅值信息,利用相位恢复算法成功重建了运动物体和静止物体,如图6所示,(a)为静止物体真值图,(b)为运动物体真值图,(c)为静止物体重建图,(d)为运动物体重建图。即在无先验信息情况下完成不同记忆效应范围重建,且该算法降低了重建耗时;利用相位恢复算法重建出运动物体和静止物体,且重建物体和真实物体的相似度高,提高成像效果。
上述基于散斑图叠加和平均的超记忆效应范围成像,通过利用多帧散斑图叠加和平均获得静止物体的散斑分量,然后通过叠加和平均的结果和任意时刻采集的散斑图进行差分处理得到运动物体在不同位置的散斑分量,根据两个物体的散斑分量图的自相关信息得到目标物体的自相关信息,相位恢复算法,重建出隐藏物体,提高了成像效果;不需要提前侵入到散射介质内部进行点扩散函数测量,也不需要获取部分物体的信息,减少数据处理量,缩短重建物体的耗时进而提高超记忆效应范围成像数据处理效率。
应该理解的是,虽然图2、图4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,图图2、图4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7所示,提供了一种基于散斑图叠加和平均的超记忆效应范围成像装置,包括:第一获取模块702、叠加平均处理模块704、第二获取模块706、差分操作模块708、计算模块710、确定模块712和重建模块714,其中:
第一获取模块702,用于获取n个不同时刻采集的待成像样本的散斑图,待成像样本包括不同记忆效应范围的静止物体和运动物体。不同记忆效应范围包括不同轴向记忆效应范围或不同横向记忆效应范围。
叠加平均处理模块704,用于对各散斑图进行叠加平均处理,得到静止物体的第一散斑分量图。
第二获取模块706,用于获取待成像样本的候选散斑图。
差分操作模块708,用于对候选散斑图和第一散斑分量图进行差分操作,得到运动物体在不同位置的第二散斑分量图。
计算模块710,用于计算第一散斑分量图和第二散斑分量图的自相关信息。
确定模块712,用于根据第一散斑分量图和第二散斑分量图的自相关信息分别确定静止物体和运动物体的目标傅里叶幅值信息。
重建模块714,用于通过相位恢复算法对各目标傅里叶幅值信息进行迭代处理,完成静止物体和运动物体的重建。
上述基于散斑图叠加和平均的超记忆效应范围成像装置中,通过采集不同时刻包含静止物体和运动物体的待成像样本的散斑图;对不同时刻的散斑图进行叠加平均处理,得到静止物体的第一散斑分量图;以及将任意时刻获取的待成像样本的候选散斑图与第一散斑分量图进行差分操作,得到运动物体在任意时刻的第二散斑分量图;即通过对不同时刻的散斑图叠加平均以及差分处理,将隐藏在散射介质的两个物体的散斑图从相机在不同时刻采集的散斑图中分离出来,根据两个物体的散斑分量图的自相关信息得到目标物体的自相关信息,相位恢复算法,重建出隐藏物体,提高了成像效果,且不需要预先获取先验信息,减少数据处理量,缩短重建物体的耗时进而提高超记忆效应范围成像数据处理效率。
在另一个实施例中,提供了一种基于散斑图叠加和平均的超记忆效应范围成像装置,除第一获取模块702、叠加平均处理模块704、第二获取模块706、差分操作模块708、计算模块710、确定模块712和重建模块714之外,还包括:叠加模块、平均模块和
第一获取模块702还用于获取n个不同时刻采集到的静止物体的散斑分量和运动物体在不同位置的散斑分量。。
卷积处理模块,用于根据各位置坐标和点扩散函数进行卷积处理,得到n个不同时刻包含静止物体和运动物体的散斑图。
叠加平均处理模块704中包括叠加模块和平均模块,叠加模块对n个包含静止物体和运动物体的散斑图进行线性叠加,得到叠加散斑图;
还用于对静止物体的散斑分量和运动物体在不同位置的散斑分量进行叠加,得到n个包含静止物体和运动物体的散斑图。
平均模块,用于基于叠加散斑图的散斑强度,对叠加散斑图进行平均处理,得到静止物体的第一散斑分量图。
第二获取模块706还用于从获取n个时刻中任意时刻采集的待成像样本的散斑图中选取任意时刻的散斑图作为候选散斑图。
差分操作模块708还用于获取候选散斑图的散斑信息和第一散斑分量图的散斑信息;通过对候选散斑图的散斑信息和第一散斑分量图的散斑信息进行差分操作,得到运动物体在对应位置的第二散斑分量图。
确定模块712还用于根据第一散斑分量图的自相关信息确定静止物体的自相关信息;根据第二散斑分量图的自相关信息确定运动物体的自相关信息。
傅里叶变换处理模块,用于通过对静止物体的自相关信息和运动物体的自相关信息进行傅里叶变换,分别得到静止物体和运动物体的目标傅里叶幅值信息。
重建模块714还用于基于相位恢复算法对各目标傅里叶幅值信息进行迭代处理,直到满足相位恢复算法的振幅约束,得到静止物体的傅里叶相位信息和运动物体的傅里叶相位信息;根据静止物体的傅里叶相位信息和运动物体的傅里叶相位信息,完成静止物体和运动物体的重建。
在一个实施例中,通过利用多帧散斑图叠加和平均获得静止物体的散斑分量,然后通过叠加和平均的结果和任意时刻采集的散斑图进行差分处理得到运动物体在不同时刻的散斑分量,根据两个物体的散斑分量图的自相关信息得到目标物体的自相关信息,相位恢复算法,重建出隐藏物体,提高了成像效果;不需要提前侵入到散射介质内部进行点扩散函数测量,也不需要获取部分物体的信息,减少数据处理量,缩短重建物体的耗时进而提高超记忆效应范围成像数据处理效率。
关于基于散斑图叠加和平均的超记忆效应范围成像装置的具体限定可以参见上文中对于基于散斑图叠加和平均的超记忆效应范围成像方法的限定,在此不再赘述。上述基于散斑图叠加和平均的超记忆效应范围成像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8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基于散斑图叠加和平均的超记忆效应范围成像方法。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8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n个不同时刻采集的待成像样本的散斑图,待成像样本包括不同记忆效应范围的静止物体和运动物体;
对各散斑图进行叠加平均处理,得到静止物体的第一散斑分量图;
获取待成像样本的候选散斑图;
对候选散斑图和第一散斑分量图进行差分操作,得到运动物体在不同位置的第二散斑分量图;
计算第一散斑分量图和第二散斑分量图的自相关信息;
根据第一散斑分量图和第二散斑分量图的自相关信息分别确定静止物体和运动物体的目标傅里叶幅值信息;
通过相位恢复算法对各目标傅里叶幅值信息进行迭代处理,完成静止物体和运动物体的重建。
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n个不同时刻采集到的静止物体的散斑分量和运动物体在不同位置的散斑分量;
对静止物体的散斑分量和运动物体在不同位置的散斑分量进行叠加,得到n个包含静止物体和运动物体的散斑图。
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n个包含静止物体和运动物体的散斑图进行线性叠加,得到叠加散斑图;
基于叠加散斑图的散斑强度,对叠加散斑图进行平均处理,得到静止物体的第一散斑分量图。
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:
从获取n个时刻中任意时刻采集的待成像样本的散斑图中选取任意时刻的散斑图作为候选散斑图;
对候选散斑图和第一散斑分量图进行差分操作,得到运动物体在不同时刻的第二散斑分量图,包括:
获取候选散斑图的散斑信息和第一散斑分量图的散斑信息;
通过对候选散斑图的散斑信息和第一散斑分量图的散斑信息进行差分操作,得到运动物体在对应时刻的第二散斑分量图。
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:
基于相位恢复算法对各目标傅里叶幅值信息进行迭代处理,直到满足相位恢复算法的振幅约束,得到静止物体的傅里叶相位信息和运动物体的傅里叶相位信息;
根据静止物体的傅里叶相位信息和运动物体的傅里叶相位信息,完成静止物体和运动物体的重建。
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:
根据第一散斑分量图的自相关信息确定静止物体的自相关信息;
根据第二散斑分量图的自相关信息确定运动物体的自相关信息;
通过对静止物体的自相关信息和运动物体的自相关信息进行傅里叶变换,分别得到静止物体和运动物体的目标傅里叶幅值信息。
在一个实施例中,处理器执行计算机程序时还实现以下:
不同记忆效应范围包括不同轴向记忆效应范围或不同横向记忆效应范围。
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n个不同时刻采集的待成像样本的散斑图,待成像样本包括不同记忆效应范围的静止物体和运动物体;
对各散斑图进行叠加平均处理,得到静止物体的第一散斑分量图;
获取待成像样本的候选散斑图;
对候选散斑图和第一散斑分量图进行差分操作,得到运动物体在不同位置的第二散斑分量图;
计算第一散斑分量图和第二散斑分量图的自相关信息;
根据第一散斑分量图和第二散斑分量图的自相关信息分别确定静止物体和运动物体的目标傅里叶幅值信息;
通过相位恢复算法对各目标傅里叶幅值信息进行迭代处理,完成静止物体和运动物体的重建。
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n个不同时刻采集到的静止物体的散斑分量和运动物体在不同位置的散斑分量;
对静止物体的散斑分量和运动物体在不同位置的散斑分量进行叠加,得到n个包含静止物体和运动物体的散斑图。
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n个包含静止物体和运动物体的散斑图进行线性叠加,得到叠加散斑图;
基于叠加散斑图的散斑强度,对叠加散斑图进行平均处理,得到静止物体的第一散斑分量图。
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:
从获取n个时刻中任意时刻采集的待成像样本的散斑图中选取任意时刻的散斑图作为候选散斑图;
对候选散斑图和第一散斑分量图进行差分操作,得到运动物体在不同位置的第二散斑分量图,包括:
获取候选散斑图的散斑信息和第一散斑分量图的散斑信息;
通过对候选散斑图的散斑信息和第一散斑分量图的散斑信息进行差分操作,得到运动物体在对应时刻的第二散斑分量图。
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:
基于相位恢复算法对各目标傅里叶幅值信息进行迭代处理,直到满足相位恢复算法的振幅约束,得到静止物体的傅里叶相位信息和运动物体的傅里叶相位信息;
根据静止物体的傅里叶相位信息和运动物体的傅里叶相位信息,完成静止物体和运动物体的重建。
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:
根据第一散斑分量图的自相关信息确定静止物体的自相关信息;
根据第二散斑分量图的自相关信息确定运动物体的自相关信息;
通过对静止物体的自相关信息和运动物体的自相关信息进行傅里叶变换,分别得到静止物体和运动物体的目标傅里叶幅值信息。
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:
不同记忆效应范围包括不同轴向记忆效应范围或不同横向记忆效应范围。
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,所述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-Only Memory,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。
以上所述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)
1.一种基于散斑图叠加和平均的超记忆效应范围成像方法,其特征在于,所述方法包括:
获取n个不同时刻采集的待成像样本的散斑图,所述待成像样本包括不同记忆效应范围的静止物体和运动物体;
对各所述散斑图进行叠加平均处理,得到所述静止物体的第一散斑分量图;
获取所述待成像样本的候选散斑图;
对所述候选散斑图和所述第一散斑分量图进行差分操作,得到所述运动物体在不同位置的第二散斑分量图;
计算所述第一散斑分量图和所述第二散斑分量图的自相关信息;
根据所述第一散斑分量图和所述第二散斑分量图的自相关信息分别确定所述静止物体和运动物体的目标傅里叶幅值信息;
通过相位恢复算法对各所述目标傅里叶幅值信息进行迭代处理,完成所述静止物体和所述运动物体的重建。
2.根据权利要求1所述的方法,其特征在于,所述获取n个不同时刻采集的待成像样本的散斑图,包括:
获取n个不同时刻采集到的所述静止物体的散斑分量和所述运动物体在不同位置的散斑分量;
对所述静止物体的散斑分量和所述运动物体在不同位置的散斑分量进行叠加,得到n个包含所述静止物体和所述运动物体的散斑图。
3.根据权利要求2所述的方法,其特征在于,所述对各所述散斑图进行叠加平均处理,得到所述静止物体的第一散斑分量图,包括:
对n个包含所述静止物体和所述运动物体的散斑图进行线性叠加,得到叠加散斑图;
基于所述叠加散斑图的散斑强度,对所述叠加散斑图进行平均处理,得到所述静止物体的第一散斑分量图。
4.根据权利要求1所述的方法,其特征在于,所述获取所述待成像样本的候选散斑图,包括:
从所述获取n个时刻中任意时刻采集的待成像样本的散斑图中选取任意时刻的散斑图作为候选散斑图;
所述对所述候选散斑图和所述第一散斑分量图进行差分操作,得到所述运动物体在不同位置的第二散斑分量图,包括:
获取所述候选散斑图的散斑信息和所述第一散斑分量图的散斑信息;
通过对所述候选散斑图的散斑信息和所述第一散斑分量图的散斑信息进行差分操作,得到所述运动物体在对应位置的第二散斑分量图。
5.根据权利要求1所述的方法,其特征在于,所述基于相位恢复算法对各所述目标傅里叶幅值信息进行迭代处理,完成所述静止物体和所述运动物体的重建,包括:
基于所述相位恢复算法对各所述目标傅里叶幅值信息进行迭代处理,直到满足所述相位恢复算法的振幅约束,得到所述静止物体的傅里叶相位信息和所述运动物体的傅里叶相位信息;
根据所述静止物体的傅里叶相位信息和所述运动物体的傅里叶相位信息,完成所述静止物体和所述运动物体的重建。
6.根据权利要求1所述的方法,其特征在于,所述根据所述第一散斑分量图和所述第二散斑分量图的自相关信息分别确定所述静止物体和运动物体的目标傅里叶幅值信息,包括:
根据所述第一散斑分量图的自相关信息确定所述静止物体的自相关信息;
根据所述第二散斑分量图的自相关信息确定所述运动物体的自相关信息;
通过对所述静止物体的自相关信息和所述运动物体的自相关信息进行傅里叶变换,分别得到所述静止物体和运动物体的目标傅里叶幅值信息。
7.根据权利要求1所述的方法,其特征在于,所述不同记忆效应范围包括不同轴向记忆效应范围或不同横向记忆效应范围。
8.一种基于散斑图叠加和平均的超记忆效应范围成像装置,其特征在于,所述装置包括:
第一获取模块,用于获取n个不同时刻采集的待成像样本的散斑图,所述待成像样本包括不同记忆效应范围的静止物体和运动物体;
叠加平均处理模块,用于对各所述散斑图进行叠加平均处理,得到所述静止物体的第一散斑分量图;
第二获取模块,用于获取所述待成像样本的候选散斑图;
差分操作模块,用于对所述候选散斑图和所述第一散斑分量图进行差分操作,得到所述运动物体在不同位置的第二散斑分量图;
计算模块,用于计算所述第一散斑分量图和所述第二散斑分量图的自相关信息;
确定模块,用于根据所述第一散斑分量图和所述第二散斑分量图的自相关信息分别确定所述静止物体和运动物体的目标傅里叶幅值信息;
重建模块,用于通过相位恢复算法对各所述目标傅里叶幅值信息进行迭代处理,完成所述静止物体和所述运动物体的重建。
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110259703.6A CN115082364A (zh) | 2021-03-10 | 2021-03-10 | 基于散斑图叠加和平均的超记忆效应范围成像方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110259703.6A CN115082364A (zh) | 2021-03-10 | 2021-03-10 | 基于散斑图叠加和平均的超记忆效应范围成像方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115082364A true CN115082364A (zh) | 2022-09-20 |
Family
ID=83240785
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110259703.6A Pending CN115082364A (zh) | 2021-03-10 | 2021-03-10 | 基于散斑图叠加和平均的超记忆效应范围成像方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115082364A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117517261A (zh) * | 2024-01-03 | 2024-02-06 | 中国科学院长春光学精密机械与物理研究所 | 用于光学探测的多帧透过散射介质成像装置及其成像方法 |
-
2021
- 2021-03-10 CN CN202110259703.6A patent/CN115082364A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117517261A (zh) * | 2024-01-03 | 2024-02-06 | 中国科学院长春光学精密机械与物理研究所 | 用于光学探测的多帧透过散射介质成像装置及其成像方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111429391B (zh) | 一种红外和可见光图像融合方法、融合系统及应用 | |
Wilson et al. | A correlation-based approach to calculate rotation and translation of moving cells | |
CN108139711B (zh) | 数字全息显微术重构中的自动参考 | |
Casaca et al. | Combining anisotropic diffusion, transport equation and texture synthesis for inpainting textured images | |
Hong et al. | Fast restoration approach for rotational motion blurred image based on deconvolution along the blurring paths | |
Kubo et al. | Programmable non-epipolar indirect light transport: Capture and analysis | |
Zhang et al. | Accurate and robust synchronous extraction algorithm for star centroid and nearby celestial body edge | |
CN115082364A (zh) | 基于散斑图叠加和平均的超记忆效应范围成像方法和装置 | |
Zhang et al. | A combined stripe noise removal and deblurring recovering method for thermal infrared remote sensing images | |
CN116485834A (zh) | 红外弱小目标检测方法、装置、设备和介质 | |
Schmidt et al. | Deep learning-based imaging in radio interferometry | |
US20160131767A1 (en) | Nonlinear processing for off-axis frequency reduction in demodulation of two dimensional fringe patterns | |
Gopi et al. | MR image reconstruction based on iterative split Bregman algorithm and nonlocal total variation | |
He et al. | Remote sensing image dehazing using heterogeneous atmospheric light prior | |
Miao et al. | A novel marker for robust and accurate phase-based 2D motion estimation from noisy image data | |
Li et al. | Effective data-driven technology for efficient vision-based outdoor industrial systems | |
CN116560080B (zh) | 一种透过厚散射介质单光子单像素成像装置及方法 | |
CN111583329B (zh) | 增强现实眼镜显示方法、装置、电子设备和存储介质 | |
Quan et al. | An improved windowed Fourier transform for fringe demodulation | |
Qiao et al. | Mosaic gradient histogram for object tracking in DoFP infrared polarization imaging | |
Hou et al. | Relative gradients for image lighting correction | |
CN114913287B (zh) | 一种三维人体模型重建方法及系统 | |
Yagnik et al. | 3D shape extraction of human face in presence of facial hair: A profilometric approach | |
Deng et al. | Texture edge-guided depth recovery for structured light-based depth sensor | |
El Hakoume et al. | An Optimal Fluid Optical Flow Registration for Super-resolution with Lamé Parameters Learning |
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 |