CN106405546A - 基于压缩散斑的快速关联成像***及方法 - Google Patents
基于压缩散斑的快速关联成像***及方法 Download PDFInfo
- Publication number
- CN106405546A CN106405546A CN201610979352.5A CN201610979352A CN106405546A CN 106405546 A CN106405546 A CN 106405546A CN 201610979352 A CN201610979352 A CN 201610979352A CN 106405546 A CN106405546 A CN 106405546A
- Authority
- CN
- China
- Prior art keywords
- compression
- speckle
- scene
- information
- matrix
- 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
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Image Processing (AREA)
- Studio Devices (AREA)
Abstract
本发明公开了一种基于压缩散斑的快速关联成像***及方法,结合压缩采样技术、关联成像技术和稀疏信息复原技术,利用压缩散斑对场景信息进行压缩采样,利用压缩散斑和探测强度复原场景压缩信息。通过压缩散斑降低了数据量,提高了关联成像***的成像速度。最后利用场景压缩信息通过压缩感知实现了对完整准确场景信息的复原,该专利在关联成像领域具有广泛的应用价值。
Description
技术领域
本发明涉及关联成像技术领域,具体是一种基于压缩散斑的快速关联成像***及方法。
背景技术
近年来关联成像技术一直被人们研究,传统关联成像***利用散斑光对场景进行照射,采用单像素探测采集***获取场景回波信号,利用散斑光分布信息和探测强度信息进行相关运算获取场景图像信息。该类***正朝着工程实际应用发展,但***需要不同散斑光的很多次照射采集才能有效获取场景图像信息,因此***实时成像能力受到了很大约束。目前,提高关联成像***的成像速度和质量是该领域研究方向之一。利用绝大部分自然场景图像信息具有稀疏性的特点,本项发明利用压缩散斑对场景信息进行压缩采样,降低了关联成像***数据量,可以提高关联成像***运算速度,在关联成像领域具有广阔的应用前景。
发明内容
本发明的目的是提供一种基于压缩散斑的快速关联成像***及方法,以提高关联成像***的成像速度。
为了达到上述目的,本发明所采用的技术方案为:
基于压缩散斑的快速关联成像***及方法,其特征在于:包括光源、扩束器、光调制器DMD、投影透镜、汇聚透镜、单像素探测器和数据采集***,所述光源发出的光经扩束器后照射到光调制器DMD上,光调制器DMD对光进行调制,使得调制光场产生的散斑具有压缩稀疏形式,能够实现对场景的压缩采样,调制光场产生的压缩散斑经投影透镜照射场景,场景反射光经汇聚透镜汇聚到单像素探测器上,单像素探测器与数据采集***连接,由数据采集***通过单像素探测器获取场景总的反射光强信息。
所述的基于压缩散斑的快速关联成像***及方法,其特征在于:光调制器DMD可以实现对光场的调制,能够产生压缩散斑,且该散斑分布形式能够通过调制信息准确获知,单像素探测器可以对总反射光强信息进行探测。
所述的基于压缩散斑的快速关联成像***及方法,其特征在于:采用压缩散斑对物体信息进行压缩采样有效地降低了关联成像中的数据量,实现快速关联成像。
所述***的快速关联成像方法,其特征在于:包括以下步骤:
(1)、首先固定压缩矩阵,然后依次在压缩矩阵的基础上进行不同的稀疏采样并加载到光调制器DMD上来实现压缩散斑,利用压缩散斑对场景进行照射,单像素探测器对场景反射信号进行探测;采集***对很多个不同压缩散斑照射场景的反射信号进行采集并保存;设置压缩矩阵B,其为M×M大小的含0,1的矩阵,其中有效采样1的点数为N×N,满足条件M>N,数据压缩率γ=N2/M2;假设第j次利用稀疏采样矩阵Sj与压缩矩阵B进行作用后的压缩散斑对场景进行照射,采集***获取的光强信息为i,则该过程可以表示为如公式(1)所示:
i=∑M×MBSjR, (1),
这里,R表示场景反射率信息,∑M×M表示对M×M矩阵的元素进行求和;
(2)、利用压缩矩阵中的有效采样位置索引对照射场景的散斑进行矩阵调整,剔除数据中的未采样点即压缩矩阵中0值点,数据量大大降低,能够有效提高关联成像的运算速度,进行算法运算后可以获得压缩场景信息;采用压缩矩阵B对散斑进行了压缩,只选出采样点为1位置,按照矩阵N×N对上式(1)进行改写为如公式(2)所示:
i=∑N×NSj′R′, (2),
其中,Sj′为BSj经过重新排列形式,R′为R的采样点重新排列形式,大小为N×N,即为原信息的压缩形式;按照公式(2)形式对k1次散斑照明采集的过程用矩阵表示为如公式(3)所示:
其中,为k1次采集的光强信息形式,大小为k1×1,为R′的列向量表示形式,为k1次不同压缩散斑的矩阵表示形式,大小为k1×N2;通过对公式的分析可以看出,需要处理的数据矩阵大小为N2×k1,数据的压缩比为γ;与此同时由于需要求解R′未知数的个数相对于R的要少很多,因此可以减小散斑照射次数,实际***中数据量的压缩程度比γ还要小;
(3)、利用上述步骤获取的压缩场景信息,按照有效采样位置索引进行排列获取与原场景大小一致稀疏信息,采用稀疏信息复原技术可以获得完整准确的场景信息;根据压缩矩阵的有效索引信息把调整为大小为M×M的稀疏场景信息RB;利用压缩感知稀疏信息复原技术,由RB还原出完整准确的场景信息R,求解最优公式为:
argmin[||RB-BR||2+λΦTV(R)] (4),
公式(4)中,ΦTV代表总变分模型函数,λ表示平滑系数。
本发明中光调制器DMD按照压缩散斑形式对光进行调制,产生压缩散斑,能够实现对场景的压缩采样。与传统关联成像利用散斑实现场景信息的全采样不同,本发明实现了场景信息的压缩采样,数据量大幅减小,可以提高关联成像的成像速度。
本发明的优点是:本发明结合压缩采样技术、关联成像技术和稀疏信息复原技术,利用压缩散斑降低数据量,利用信息相关性实现场景压缩信息的快速获取,提高关联成像***的成像速度,最后通过压缩感知实现完整准确场景信息的复原,该方法在关联成像领域具有广泛的应用价值。
附图说明
图1为本发明的结构示意图。
图2***实验结果图,其中:
图2a为具体实施实验中要进行成像的物体图像,图2b为利用压缩矩阵信息获取的物体稀疏信息图,图2c为采用压缩感知对稀疏信息进行复原得到的信息图。
具体实施方式
如图1所示,基于压缩散斑的快速关联成像***,其装置包括光源1、扩束器2、光调制器DMD3、投影透镜4、汇聚透镜5、单像素探测器6和数据采集处理***7;
光源1发光,经扩束器2后具有较大的截面分布,然后光束照射到光调制器DMD3上产生压缩散斑经投影透镜4对场景进行照射,场景反射光经汇聚透镜5到达单像素探测器6上,然后经数据采集处理***7进行数据采集、保存和处理。
首先固定压缩矩阵,然后依次在压缩矩阵的基础上进行不同的稀疏采样来实现压缩稀疏散斑,利用压缩稀疏散斑对场景进行照射,单像素探测器对场景反射信号进行探测。采集***对很多次不同压缩稀疏散斑照射场景的反射信号进行采集并保存。设置压缩矩阵B,其为M×M大小的含0,1的矩阵,其中有效采样1的点数为N×N,满足条件(M>N),数据压缩率γ=N2/M2。假设第j次利用稀疏采样矩阵Sj与压缩矩阵B进行作用后的压缩散斑对场景进行照射,采集***获取的光强信息为i,则该过程可以表示为:
i=∑M×MBSjR, (1),
这里,R表示场景反射率信息,∑M×M表示对M×M矩阵的元素进行求和。
利用压缩矩阵中的有效采样位置索引对照射场景的相关压缩散斑进行矩阵调整,剔除数据中的未采样点即压缩矩阵中0值点,数据量大大降低,能够有效提高关联成像的运算速度,进行算法运算后可以获取压缩场景信息。采用压缩矩阵B对散斑进行了压缩,只选出采样点为1位置,按照矩阵N×N对上式(1)进行改写为:
i=∑N×NSj′R′, (2),
其中,Sj′为BSj经过重新排列形式,R′为R的采样点重新排列形式,大小为N×N,即为原信息的压缩形式。按照公式(2)形式对k1次散斑照明采集的过程用矩阵表示为:
其中,为k1次采集的光强信息形式,大小为k1×1,为R′的列向量表示形式,为k1次不同压缩稀疏散斑的矩阵表示形式,大小为k1×N2。通过对公式的分析可以看出,采用传统的方法进行算法求解时需要处理的数据矩阵大小为M2×k1,而利用本专利需要处理的数据矩阵大小为N2×k1,数据的压缩比为γ。与此同时由于需要求解R′未知数的个数相对于R的要少很多,因此可以减小散斑照射次数,实际***中数据量的压缩程度比γ还要小。
利用上述步骤获取的压缩场景信息,按照有效采样位置索引进行排列获取与原场景大小一致稀疏信息,采用稀疏信息复原技术可以获得完整准确的场景信息。根据压缩矩阵的有效索引信息把调整为大小为M×M的稀疏场景信息RB。利用压缩感知稀疏信息复原技术,由RB还原出完整准确的场景信息R,求解最优公式为:
argmin[||RB-BR||2+λΦTV(R)] (4),
这里,ΦTV代表总变分(TV)模型函数,λ表示平滑系数。
显然,本领域的技术人员可以通过对本发明所涉及的压缩散斑关联成像***进行改动和变型而不脱离本发明的精神和范围。这样,如果这些修改和变动属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些修改和变型在内。
实验结果
为了验证本发明的可行性,设计***并进行了一次实验,实验结果如图2所示。实验中要进行成像的物体如图2a所示,成像分辨率大小为80×80。使用压缩矩阵有效采样数为4096,即压缩比为0.64。利用压缩稀疏散斑对物体进行3400次照射,利用压缩矩阵信息获取的物体稀疏信息如图2b所示。最后采用压缩感知对稀疏信息进行复原得到的信息如图2c所示,通过结果可以看出该方法可以有效获取物体信息。
Claims (4)
1.基于压缩散斑的快速关联成像***及方法,其特征在于:包括光源、扩束器、光调制器DMD、投影透镜、汇聚透镜、单像素探测器和数据采集***,所述光源发出的光经扩束器后照射到光调制器DMD上,光调制器DMD对光进行调制,使得调制光场产生的散斑具有压缩稀疏形式,能够实现对场景的压缩采样,调制光场产生的压缩散斑经投影透镜照射场景,场景反射光经汇聚透镜汇聚到单像素探测器上,单像素探测器与数据采集***连接,由数据采集***通过单像素探测器获取场景总的反射光强信息。
2.根据权利要求1所述的基于压缩散斑的快速关联成像***及方法,其特征在于:光调制器DMD可以实现对光场的调制,能够产生压缩散斑,且该散斑分布形式能够通过调制信息准确获知,单像素探测器可以对总反射光强信息进行探测。
3.根据权利要求1所述的基于压缩散斑的快速关联成像***及方法,其特征在于:采用压缩散斑对物体信息进行压缩采样有效地降低了关联成像中的数据量,实现快速关联成像。
4.基于权利要求1所述***的快速关联成像方法,其特征在于:包括以下步骤:
(1)、首先固定压缩矩阵,然后依次在压缩矩阵的基础上进行不同的稀疏采样并加载到光调制器DMD上来实现压缩散斑,利用压缩散斑对场景进行照射,单像素探测器对场景反射信号进行探测;采集***对很多个不同压缩散斑照射场景的反射信号进行采集并保存;设置压缩矩阵B,其为M×M大小的含0,1的矩阵,其中有效采样1的点数为N×N,满足条件M>N,数据压缩率γ=N2/M2;假设第j次利用稀疏采样矩阵Sj与压缩矩阵B进行作用后的压缩散斑对场景进行照射,采集***获取的光强信息为i,则该过程可以表示为如公式(1)所示:
i=ΣM×MBSjR, (1),
这里,R表示场景反射率信息,∑M×M表示对M×M矩阵的元素进行求和;
(2)、利用压缩矩阵中的有效采样位置索引对照射场景的散斑进行矩阵调整,剔除数据中的未采样点即压缩矩阵中0值点,数据量大大降低,能够有效提高关联成像的运算速度,进行算法运算后可以获得压缩场景信息;采用压缩矩阵B对散斑进行了压缩,只选出采样点为1位置,按照矩阵N×N对上式(1)进行改写为如公式(2)所示:
i=0N×NS′jR′, (2),
其中,S′j为BSj经过重新排列形式,R′为R的采样点重新排列形式,大小为N×N,即为原信息的压缩形式;按照公式(2)形式对k1次散斑照明采集的过程用矩阵表示为如公式(3)所示:
其中,为k1次采集的光强信息形式,大小为k1×1,为R′的列向量表示形式,为k1次不同压缩散斑的矩阵表示形式,大小为k1×N2;通过对公式的分析可以看出,需要处理的数据矩阵大小为N2×k1,数据的压缩比为γ;与此同时由于需要求解R′未知数的个数相对于R的要少很多,因此可以减小散斑照射次数,实际***中数据量的压缩程度比γ还要小;
(3)、利用上述步骤获取的压缩场景信息,按照有效采样位置索引进行排列获取与原场景大小一致稀疏信息,采用稀疏信息复原技术可以获得完整准确的场景信息;根据压缩矩阵的有效索引信息把调整为大小为M×M的稀疏场景信息RB;利用压缩感知稀疏信息复原技术,由RB还原出完整准确的场景信息R,求解最优公式为:
argmin[||RB-BR||2+λΦTV(R)] (4),
公式(4)中,ΦTV代表总变分模型函数,λ表示平滑系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610979352.5A CN106405546B (zh) | 2016-11-08 | 2016-11-08 | 基于压缩散斑的快速关联成像***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610979352.5A CN106405546B (zh) | 2016-11-08 | 2016-11-08 | 基于压缩散斑的快速关联成像***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106405546A true CN106405546A (zh) | 2017-02-15 |
CN106405546B CN106405546B (zh) | 2021-01-15 |
Family
ID=58015383
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610979352.5A Active CN106405546B (zh) | 2016-11-08 | 2016-11-08 | 基于压缩散斑的快速关联成像***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106405546B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108895985A (zh) * | 2018-06-19 | 2018-11-27 | 中国科学院合肥物质科学研究院 | 一种基于单像素探测器的物体定位方法 |
CN108957448A (zh) * | 2018-06-06 | 2018-12-07 | 西安电子科技大学 | 一种基于广义全变差正则化的雷达关联成像方法 |
CN109814128A (zh) * | 2019-01-23 | 2019-05-28 | 北京理工大学 | 时间飞行与关联成像相结合的高分辨快速成像***及方法 |
CN110111271A (zh) * | 2019-04-24 | 2019-08-09 | 北京理工大学 | 一种基于侧抑制网络的单像素成像方法 |
CN110389440A (zh) * | 2019-07-22 | 2019-10-29 | 上海理工大学 | 基于关联成像和改进光纤束的内窥镜成像***及方法 |
CN110646810A (zh) * | 2019-09-27 | 2020-01-03 | 北京理工大学 | 一种散斑优化压缩感知鬼成像方法及*** |
WO2021228235A1 (zh) * | 2020-05-15 | 2021-11-18 | 中国科学院合肥物质科学研究院 | 光电探测采集***和基于单像素探测器的质心探测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103363924A (zh) * | 2013-07-15 | 2013-10-23 | 中国科学院空间科学与应用研究中心 | 一种压缩的三维计算鬼成像***及方法 |
CN105892061A (zh) * | 2016-06-24 | 2016-08-24 | 北京国承万通信息科技有限公司 | 显示装置及方法 |
-
2016
- 2016-11-08 CN CN201610979352.5A patent/CN106405546B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103363924A (zh) * | 2013-07-15 | 2013-10-23 | 中国科学院空间科学与应用研究中心 | 一种压缩的三维计算鬼成像***及方法 |
CN105892061A (zh) * | 2016-06-24 | 2016-08-24 | 北京国承万通信息科技有限公司 | 显示装置及方法 |
Non-Patent Citations (2)
Title |
---|
刘志文 等: "《L1范数的总变分正则化超分辨率图像重建》", 《微处理机》 * |
李龙珍: "《基于稀疏测量的超分辨率鬼成像研究》", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108957448A (zh) * | 2018-06-06 | 2018-12-07 | 西安电子科技大学 | 一种基于广义全变差正则化的雷达关联成像方法 |
CN108957448B (zh) * | 2018-06-06 | 2022-10-28 | 西安电子科技大学 | 一种基于广义全变差正则化的雷达关联成像方法 |
CN108895985A (zh) * | 2018-06-19 | 2018-11-27 | 中国科学院合肥物质科学研究院 | 一种基于单像素探测器的物体定位方法 |
CN109814128A (zh) * | 2019-01-23 | 2019-05-28 | 北京理工大学 | 时间飞行与关联成像相结合的高分辨快速成像***及方法 |
CN109814128B (zh) * | 2019-01-23 | 2020-08-11 | 北京理工大学 | 时间飞行与关联成像相结合的高分辨快速成像***及方法 |
CN110111271A (zh) * | 2019-04-24 | 2019-08-09 | 北京理工大学 | 一种基于侧抑制网络的单像素成像方法 |
CN110389440A (zh) * | 2019-07-22 | 2019-10-29 | 上海理工大学 | 基于关联成像和改进光纤束的内窥镜成像***及方法 |
CN110646810A (zh) * | 2019-09-27 | 2020-01-03 | 北京理工大学 | 一种散斑优化压缩感知鬼成像方法及*** |
WO2021228235A1 (zh) * | 2020-05-15 | 2021-11-18 | 中国科学院合肥物质科学研究院 | 光电探测采集***和基于单像素探测器的质心探测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106405546B (zh) | 2021-01-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106405546A (zh) | 基于压缩散斑的快速关联成像***及方法 | |
US7769243B2 (en) | Method and apparatus for image inspection | |
CN103822879B (zh) | 一种基于高光谱成像技术的猕猴桃膨大果无损检测方法 | |
CN106772310B (zh) | 一种基于计算鬼成像的目标鉴定装置及其方法 | |
US20140327944A1 (en) | Hologram processing method and system | |
FR3055421A1 (fr) | Detection coherente multivisee de changements | |
CN116893429B (zh) | 基于圆谐傅里叶光场的单像素成像方法和目标识别方法 | |
CN107203743B (zh) | 一种人脸深度跟踪装置及实现方法 | |
CN111222472A (zh) | 一种基于结构光频域特征的人脸识别方法 | |
CN103164850A (zh) | 一种基于压缩感知的多聚焦图像融合方法及装置 | |
Qian et al. | Infrared small target detection based on saliency and gradients difference measure | |
US11860034B2 (en) | Systems, devices, and methods for hyperspectral imaging | |
CN109151419B (zh) | 一种基于拉东变换的单像素成像方法 | |
Cannas et al. | Panchromatic imagery copy-paste localization through data-driven sensor attribution | |
CN106842195B (zh) | 基于计算关联成像的多物体同时成像及加密方法 | |
CN113298700A (zh) | 一种在散射场景中的高分辨图像重构方法 | |
Sun et al. | Double‐flow convolutional neural network for rapid large field of view Fourier ptychographic reconstruction | |
Wang et al. | Nonlinear joint fractional Fourier transform correlation for target detection in hyperspectral image | |
CN102156872B (zh) | 一种基于多光谱数据的物体识别方法和装置 | |
CN111123284A (zh) | 探测方法及探测设备 | |
CN114170145B (zh) | 基于多尺度自编码的异质遥感图像变化检测方法 | |
Bolten et al. | Evaluation of Deep Learning based 3D-Point-Cloud Processing Techniques for Semantic Segmentation of Neuromorphic Vision Sensor Event-streams. | |
CN110398477B (zh) | 材质分类及识别方法 | |
CN109257524B (zh) | 一种基于Wigner分布函数的全聚焦扫描成像方法 | |
Xiang et al. | Phase retrieval for Fourier THz imaging with physics-informed deep learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |