CN104021522A - 基于强度关联成像的目标图像分离装置及分离方法 - Google Patents

Abstract

一种基于强度关联成像的目标图像分离装置及分离方法，分离装置包括：激光滤波***、赝热光***、参考臂***、物臂***以及算法模块。激光器、物光路桶探测器和参考光路面探测器由计算机中发出的一个同步脉冲信号来触发控制同时工作，经过多次测量之后，计算机采集多次测量的结果作为探测矩阵以及信号，通过压缩感知中的求解算法结合稀疏联合变换可以恢复出目标在这些变换中的系数，再利用这些系数通过分离算法得到关于目标的不同的形态特征。通过本发明装置分离得到视场中目标图像的不同部分。

Description

基于强度关联成像的目标图像分离装置及分离方法

技术领域

本发明属于光学成像领域，具体的说是一种基于强度关联成像的目标图像分离装置及分离方法。

背景技术

关联成像，也称为鬼成像，近年来吸引了越来越多的研究人员的注意力，属于量子光学的前沿和热门领域。关联成像通过将参考臂上面阵CCD探测得到的光场强度分布与物臂上面的桶探测器得到的光强进行关联计算得到物体的图像。关联成像在包含物体的光路上不需要具有空间分辨的面阵探测器就可以生成物体的图像，目前作为一种新型的成像技术受到大家的广泛关注。但是关联成像要得到完美的重构图像在理论上需要无穷多的采样数目，而且它也无法突破其口径的衍射极限，因此科学家们做了非常多的努力来克服这些问题，比如将关联成像与压缩感知结合起来，利用压缩感知里面的一些算法来对图像进行恢复，这样在相同的采样次数下可以得到更好的图像，也就是提高图像的采样效率，有的研究人员使用差分探测等有效手段来提高采样效率。将关联成像与图像的稀疏性结合也可以达到超分辨的效果。而且鬼成像不仅可以对目标成实像，而且还可以得到物体的衍射像，因此，关联成像技术的发展和应用前景越来越加的广阔。

目标图像分离在关联成像的后期应用中扮演着非常重要的角色，利用图像的分离可以做到目标识别、目标特征的加强等；目标图像分离得到的特征在其它很多的领域中还有着应用，比如关联成像也同样可以用于遥感中，这样的话利用图像分离可以得到需要的图像特征来减少存储所需要的空间以及传输的信息量的大小。本装置中通过图像中不同的特征在不同的变换下可以稀疏表示来实现对目标图像特征的分离。因此，将此种图像分离技术应用于关联成像装置之后可以推动该装置在应用领域中的发展。

发明内容

本发明的目的是提供一种基于强度关联成像的目标图像分离装置及分离方法，利用关联成像与目标图像分离技术实现对于视场内目标特定特征的分离，从而可以实现关联成像中目标的识别、图像特征的加强以及减少存储有用信息所需的空间等，推动关联成像应用的发展。

为了实现上述目的，本发明的技术解决方案如下：

一种基于强度关联成像的目标图像分离装置，特点在于该装置包括激光器，沿该激光器出射的激光方向依次是聚焦透镜、第一光阑、准直透镜、第二光阑、毛玻璃、分束镜、待探测物体、透镜和桶探测器，在所述的分束镜的反射光方向设置面阵探测器，所述的面阵探测器和桶探测器的输出端接计算机的输入端，该计算机的输出端与所述的激光器、面阵探测器和桶探测器的输入端相连，第一光阑位于所述的聚焦透镜的焦点，所述的桶探测器位于所述的透镜的焦点，所述的面阵探测器到毛玻璃中心的距离z与待探测物体表面到毛玻璃中心的距离z₁满足如下所示关系

$\left|\frac{{\mathrm{zz}}_1}{z-z_1}\right|>\frac{{2D}^2}{\mathrm{\λ}}$

其中，D为毛玻璃上光斑的横向尺寸大小，λ为激光器的波长。

所述的基于强度关联成像的目标图像分离装置的分离方法，该方法包括下列步骤：

①在计算机发出一个脉冲信号给激光器、物光路桶探测器以及参考光路面探测器之后，激光器发出一个能量脉冲，桶探测器测量得到一个光强，记为y₁，面探测器测得一个光场强度分布记为I₁，将该矩阵I₁中的第二行到最后一行都移动到第一行之后拉伸成为一个行向量(a₁₁…a_1n)作为测量矩阵A的第一行A₁=(a₁₁…a_1n)，重复该过程m次，毛玻璃在该过程中保持匀速旋转状态，得到一个m×1的向量(y₁,y₂,...,y_m)^T作为信号Y和一个m×n的矩阵(A₁,A₂,...,A_m)^T作为测量矩阵A，对二维目标图像同样将图像中的第二行到最后一行移动到第一行之后再进行转置操作变为一维向量，将该向量表示为x=(x₁…x_n)^T，关联成像的数据采集过程归结为

②目标图像变换：根据要分离目标图像的平滑、边缘、纹理三个不同的部分，可以分别使用小波变换曲线波变换离散余弦变换来表示目标，即其中，θ₁、θ₂和θ₃为目标在变换和下的表示系数，结合公式（2）中的数据采集过程模型可以得到：

③将上式转化为求解凸优化的问题，即求解优化函数为：

的问题，其中τ根据目标中含有的信息多少取值，其范围为(0,1)，该问题可以利用最优梯度下降算法（王书宁，许鋆，黄晓霖，凸优化[M].清华大学出版社：2013,：443-446.）进行求解，得到目标x在变换和下的表示系数θ₁、θ₂和θ₃。

④在得到在级联的变换和下的系数θ₁、θ₂和θ₃后，利用迭代阈值算法（Bobin J,Starck J L,Fadili J M,et al.Morphological component analysis:An adaptive thresholding strategy[J].Image Processing,IEEE Transactions on,2007,16(11):2675-2681.）对该系数进行重复阈值化的迭代过程可以得到目标的三种不同的特征，迭代中的初始阈值可以设置为θ₁、θ₂以及θ₃中最大的一个系数，迭代终止的阈值通过计算目标图像的中值得到。

本发明装置的工作过程如下：

所述的激光器、物光路桶探测器以及参考光路面探测器同时由计算机中发出的一个同步脉冲信号来触发控制同时工作。

（1）、由激光器发出的光经过一套滤波***，得到比较好的激光模式，之后再经过一个光阑以及一个旋转的毛玻璃得到一个散斑场，该散斑场经过一个分束镜分为反射光束以及透射光束，反射光束经过一段自由传播到达远场的具有高空间分辨能力的面探测器；

（2）、由面探测器接收并且记录来自毛玻璃的光场的空间强度分布信息；

（3）、透射光束经过一段相同距离的自由传播之后再通过透射式（或反射式）目标，经过透镜聚焦于桶探测器处，由桶探测器接收并记录透射光（或发射光）经过目标之后的光强的信息；

（4）、将参考臂上面探测器探测到的光强分布信息与物臂上面桶探测器探测到的光强信号输入到计算机中；

（5）、利用桶探测器中采集到的信号与面阵探测器中采集到的光强分布和计算机中的算法模块计算得到所需要分离的分量。

所述的算法模块中的算法过程为：

面阵探测器采集到的光场强度分布矩阵被拉伸成一个行向量A_i作为探测矩阵A的一行，同时桶探测器测量到的光强为y_i，经过多次测量得到所需要的测量矩阵A以及信号Y，数据采集模型表示为Y=Ax，我们可以使用三种联合变换对目标进行稀疏表示，那么计算的结果即为目标的变换系数θ₁,θ₂,θ₃，然后对此系数利用阈值迭代算法一步步的分离得到目标的几种基于不同变换的形态特征从而实现分离工作。

本发明的优点在于：

（1）、在关联成像中，我们可以利用不同的返回时间信号通过一个桶探测器得到目标的纵向信息，因此，利用该装置可以观察三维目标的分量随距离的变换规律。

（2）、在关联成像中，我们可以得到目标的一些外形特征尺寸以及反射率等信息，那么就可以利用我们的装置得到一些特定的图像特征实现对目标的识别或者对特定特征的加强。

（3）、可以通过此装置得到我们感兴趣的图像中的一些特征，可以节约我们存储所需要的空间以及减少传输过程中的信息量。

（4）、由于关联成像的恢复的结果结合了图像的稀疏性，因此此装置得到的特征具有比较高的分辨率。

（5）、无辐射、无损伤的光学成像装置。

附图说明

图1是本发明基于关联成像的透射式目标图像分离装置的结构示意图。

图2是本发明基于关联成像的反射式目标图像分离装置的结构示意图。

图中1是激光器；2是聚焦透镜；3是光阑；4是准直透镜；5是光阑；6是毛玻璃；7是分光棱镜；8是透射（反射）目标；9是聚焦透镜；10是物臂桶探测器；11是参考臂面阵探测器；12是计算机采集和运算模块。

图3是实验中作为目标的图像(64×64像素)。

图4是得到的各个分量。图4(a)和图4(b)为利用该装置分离出来的点特征和线特征。

具体实施方式

下面结合附图和实施例对本发明做进一步的说明。

图1是基于关联成像的目标图像分离装置的结构示意图。由图可见，该装置包括激光器1，沿激光器出射的激光方向依次是聚焦透镜2、第一光阑3、准直透镜4、第二光阑5、毛玻璃6、分束镜7、待探测物体8、透镜9和桶探测器10，在所述的分束镜7的反射光方向设置面阵探测器11，所述的面阵探测器11和桶探测器10的输出端接计算机12的输入端，该计算机12的输出端与所述的激光器1、面阵探测器11和桶探测器10的输入端相连，第一光阑3位于所述的聚焦透镜2的焦点，所述的桶探测器10位于所述的透镜9的焦点，所述的面阵探测器11到毛玻璃6中心的距离z与待探测物体8表面到毛玻璃6中心的距离z₁满足如下所示关系

$\left|\frac{{\mathrm{zz}}_1}{z-z_1}\right|>\frac{{2D}^2}{\mathrm{\λ}}$

其中，D为毛玻璃上光斑的横向尺寸大小，λ为激光器的波长。

所述的激光器1、物光路桶探测器10以及参考光路面探测器11同时由计算机中发出的一个同步脉冲信号来触发控制同时工作，并将所采集的数据输入计算模块12。

在计算机12发出一个脉冲信号给激光器1、物光路桶探测器10以及参考光路面探测器11之后，激光器1发出一个能量脉冲，桶探测器10测量得到一个光强，记为y₁，面探测器11测得一个光场强度分布记为I₁，将该矩阵I₁中的第二行到最后一行都移动到第一行之后拉伸成为一个行向量(a₁₁…a_1n)作为测量矩阵A的第一行A₁=(a₁₁…a_1n)，重复该过程m次，毛玻璃6在该过程中保持匀速旋转状态，得到一个m×1的向量(y₁,y₂,...,y_m)^T作为信号Y和一个m×n的矩阵(A₁,A₂,...,A_m)^T作为测量矩阵A，对二维目标图像同样将图像中的第二行到最后一行移动到第一行之后再进行转置操作变为一维向量，将该向量表示为x=(x₁…x_n)^T，关联成像的数据采集过程归结为

目标图像变换：根据要分离目标图像的平滑、边缘、纹理三个不同的部分，可以分别使用小波变换曲线波变换离散余弦变换来表示目标，即其中，θ₁、θ₂和θ₃为目标在变换和下的表示系数，结合公式（2）中的数据采集过程模型可以得到：

将上式转化为求解凸优化的问题，即求解优化函数为：

的问题，其中τ根据目标中含有的信息多少取值，其范围为(0,1)，该问题可以利用最优梯度下降算法（王书宁，许鋆，黄晓霖，凸优化[M].清华大学出版社：2013,：443-446.）进行求解，得到目标x在变换和下的表示系数θ₁、θ₂和θ₃。

在得到在级联的变换和下的系数θ₁、θ₂和θ₃后，利用迭代阈值算法（Bobin J,Starck J L,Fadili J M,et al.Morphological component analysis:Anadaptive thresholding strategy[J].Image Processing,IEEE Transactions on,2007,16(11):2675-2681.）对该系数进行重复阈值化的迭代过程可以得到目标的三种不同的特征，迭代中的初始阈值可以设置为θ₁、θ₂以及θ₃中最大的一个系数，迭代终止的阈值通过计算目标图像的中值得到。

本发明装置的工作过程如下：

所述的激光器1、物光路桶探测器10以及参考光路面探测器11由计算机12中发出的一个同步脉冲信号来触发控制同时工作。

（1）、由激光器1发出的光经过一套滤波***2-4，得到比较好的激光模式，之后再经过一个光阑5以及一个旋转的毛玻璃6得到一个散斑场，该散斑场经过一个分束镜7分为反射光束以及透射光束，反射光束经过一段自由传播到达远场的具有高空间分辨能力的面探测器11；

（2）、由面探测器11接收并且记录来自毛玻璃6的光场的光强的空间分布信息；

（3）、透射光束经过一段相同距离的自由传播之后再由目标8透射或反射，再由透镜9聚焦于桶探测器10处，桶探测器10接收并记录透射光经过目标之后的光强的信息；

（4）、将参考臂上面探测器11探测到的光强分布信息与物臂上面桶探测器10探测到的光强信号输入到计算机12中；

（5）、对桶探测器10中采集到的信号与面探测器11中采集到的光强分布利用计算机12中的算法模块计算得到所需要分离的分量。（见图3）。

所述的计算机12中算法模块的计算过程如下：

假定在一次测量过程中，物臂桶探测器10探测到的光强记为y_i，参考臂面探测器11探测到的光场强度分布为二维矩阵I_ij，将该矩阵I₁中的第二行到最后一行都移动到第一行之后拉伸成为一个行向量(a₁₁…a_1n)作为测量矩阵A的第一行A₁=(a₁₁…a_1n)，在经过多次的测量之后，不同的y_i构成一个探测得到的向量Y，不同的A_i可以构成一个探测矩阵A，假定目标为x，对二维目标图像同样将图像中的第二行到最后一行移动到第一行之后再进行转置操作变为一维向量，将该向量表示为x=(x₁…x_n)^T，考虑到实际试验中的噪音，因此我们的采样模型可以调整为Y=Ax+ε，其中ε表示采样过程中的噪音，在计算过程中，我们可以为目标x选择最优的稀疏变换此时，由于信号的稀疏性，我们可以将此类问题等价为一个凸优化的问题进行求解，即：

又由于自然界中图像比较复杂，包含比较多的不同成分，在组合变换下拥有更加稀疏的表示方式，因此在求解过程中使用级联的变换通常可以得到更好的结果，不失一般性，我们在取得如图3所示的结果中，使用了两种不同的变换，即小波变换与尺度波变换在这种情况下，所求解的凸优化问题可以转化为如下形式：

其中，θ₁为目标x在变换下的表示系数，θ₂为目标x在变换下的表示系数，||v||₂表示向量v的欧式l₂范数，||v||₁表示向量v的欧式l₁范数，τ根据目标中含有的信息多少取值，其范围为(0,1)。

对于凸优化问题的求解有许多方法，比如贪婪迭代算法，迭代阈值算法等等。该装置在求解凸优化问题的过程中是参考梯度投影优化算法（见王书宁，许鋆，黄晓霖，凸优化[M].清华大学出版社：2013,：443-446.）的思路修改优化的目标函数而得到，该方法也是一种解决凸优化问题能到达到线性收敛的最佳速度的算法，是一种最优的梯度下降算法。

在优化问题的求解过程中，我们可以得到目标x在两种变换下的表示系数θ₁和θ₂，利用这些表示系数我们可以通过迭代阈值的方法得到不同的分量，具体的过程如下所示：

①利用这些表示系数θ₁与θ₂做逆变换恢复出目标用于估算目标图像中的噪音，该噪音可以用来估算出阈值的最小值λ_min，低于该阈值的表示系数可以省去用来降低噪音。选择这些表示系数的最大值作为初始的阈值λ₁，设置迭代的次数m，将如图2所示的目标中拥有的点和线两类特征记为{x_j}_j=1,2。

②在已经计算出的情况下，通过如下公式可以计算出第k迭代过程中的残余项

$r_j^k=x-{\tilde{x}}_{i\≠j}^{(k-1)},---\left(7\right)$

其中x为初始目标，也就是①中利用系数θ₁,θ₂恢复出来的目标图像。

③计算与当前分量相对应的表示系数然后对此系数做阈值化处理，其数学形式表示为：

其中，表示对系数做阈值化处理，其阈值为第一次迭代过程中其系数可以直接使用①中的θ₁,θ₂代替。

④利用③中得到的系数做逆变换恢复出第k次迭代过程中的

⑤求解下步迭代过程中需要使用的阈值

${\mathrm{\λ}}_j^{(k+1)}={\mathrm{\λ}}_k^{\left(k\right)}-\frac{{\mathrm{\λ}}_0-{\mathrm{\λ}}_{\min }}{m},---\left(10\right)$

循环求解第②-⑤过程直到k=m为止，最后所得到的即为我们所需要的分离出来的变量。

在图3中，所显示的图片为实验之中作为目标所使用的物体，该目标仅仅由两类特征组合而成，一类为点，这些点的尺寸均为232.5μm×232.5μm；另一类特征为线，这些线的宽度为93μm。图像像素大小为64×64，因为目标中平滑的特征点在小波变换情况下拥有非常稀疏的系数，而边缘特征线在曲线波变换之后有着稀疏的系数，因此当目标为一些平滑的部分以及边缘组合而成的情况下，通常小波变换与曲线波变换的组合能够分离出这些特征；当目标还含有一些复杂的周期性纹理特征的时候，我们还可以使用离散余弦变换来分离出这些特征。图4(a)和图4(b)为该装置在采样次数为1200次，并且小波变换和曲线波变换及作为级联的情况下所分离出来的点特征分量以及线特征分量。

最后所应说明的是，以上实施例仅以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (2)

1.一种基于强度关联成像的目标图像分离装置，特征在于该装置包括激光器（1），沿该激光器出射的激光方向依次是聚焦透镜（2）、第一光阑（3）、准直透镜（4）、第二光阑（5）、毛玻璃（6）、分束镜（7）、待探测物体（8）、透镜（9）和桶探测器（10），在所述的分束镜（7）的反射光方向设置面阵探测器（11），所述的面阵探测器（11）和桶探测器（10）的输出端接计算机（12）的输入端，该计算机（12）的输出端与所述的激光器（1）、面阵探测器（11）和桶探测器（10）的输入端相连，第一光阑（3）位于所述的聚焦透镜（2）的焦点，所述的桶探测器（10）位于所述的透镜（9）的焦点，所述的面阵探测器（11）到毛玻璃（6）中心的距离z与待探测物体（8）表面到毛玻璃（6）中心的距离z₁满足如下所示关系

$\left|\frac{{\mathrm{zz}}_1}{z-z_1}\right|>\frac{{2D}^2}{\mathrm{\λ}}---\left(1\right)$

其中，D为毛玻璃上光斑的横向尺寸大小，λ为激光器的波长。

2.权利要求1所述的基于强度关联成像的目标图像分离装置的分离方法，其特征在于该方法包括下列步骤：

①、在计算机发出一个脉冲信号给激光器（1）、桶探测器（10）和面探测器（11）之后，激光器（1）发出一个能量脉冲，所述的桶探测器（10）测量得到一个光强，记为y₁，所述的面探测器（11）测得一个光场强度分布记为矩阵I₁，将该矩阵I₁中的第二行到最后一行都移动到第一行之后拉伸成为一个行向量(a₁₁…a_1n)作为测量矩阵A的第一行A₁=(a₁₁…a_1n)，重复该过程m次，毛玻璃在该过程中保持匀速旋转状态，得到一个m×1的向量(y₁,y₂,...,y_m)^T作为信号Y和一个m×n的矩阵(A₁,A₂,...,A_m)^T作为测量矩阵A，对二维目标图像同样将图像中的第二行到最后一行移动到第一行之后再进行转置操作变为一维向量，将该向量表示为x=(x₁…x_n)^T，其中，矩阵右上角的符号T表示矩阵的转置，关联成像的数据采集过程归结为：

②、目标图像变换：根据要分离目标图像的平滑、边缘、纹理三个不同的部分，可以分别使用小波变换曲线波变换离散余弦变换来表示目标，即其中，θ₁、θ₂和θ₃为目标在变换和下的系数，结合公式（2）中的数据采集过程模型得到：

③、将公式（3）转化为求解凸优化的问题，即求解优化函数为：

其中，τ根据目标中含有的信息多少取值，其范围为(0,1)，利用最优梯度下降算法进行求解，得到目标x在变换和下的系数θ₁、θ₂和θ₃；

④、在得到在级联的变换和下的系数θ₁、θ₂和θ₃后，利用迭代阈值算法对该系数进行重复阈值化的迭代过程得到目标的三种不同的特征，迭代过程中的初始阈值设置为θ₁、θ₂以及θ₃中最大的一个系数，迭代终止的阈值通过计算由目标图像的中值得到。