CN106911893A - 一种单像素计算成像方法 - Google Patents
一种单像素计算成像方法 Download PDFInfo
- Publication number
- CN106911893A CN106911893A CN201710100038.XA CN201710100038A CN106911893A CN 106911893 A CN106911893 A CN 106911893A CN 201710100038 A CN201710100038 A CN 201710100038A CN 106911893 A CN106911893 A CN 106911893A
- Authority
- CN
- China
- Prior art keywords
- matrix
- data stream
- pixel
- phi
- frequency domain
- 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
- 238000003384 imaging method Methods 0.000 title claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 238000010606 normalization Methods 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 4
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 abstract description 6
- 238000005265 energy consumption Methods 0.000 abstract description 5
- 238000004088 simulation Methods 0.000 abstract description 4
- 230000015572 biosynthetic process Effects 0.000 abstract 1
- 238000013144 data compression Methods 0.000 abstract 1
- 238000011084 recovery Methods 0.000 abstract 1
- 230000009466 transformation Effects 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 5
- 238000013500 data storage Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 2
- 241000607479 Yersinia pestis Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/80—Camera processing pipelines; Components thereof
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Hardware Design (AREA)
- Remote Sensing (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Signal Processing (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种单像素计算成像方法,首先生成一组随机二值方阵Φ1,Φ2,Φ3,…,ΦR,依次与归一化影像G(i,j)数据进行内积运算,生成单像素数据流Y1,Y2,Y3,…,YR;对Y1,Y2,Y3,…,YR进行傅里叶变换,利用其在频率域数据稀疏性和中心对称性对该频率域数据流进行数据压缩和数据恢复;利用随机二值矩阵Φ(L×m)与恢复后并进行傅里叶逆变换的Y1,Y2,Y3,…,YR或Y(L×n)矩阵,进行约束L1范数优化计算,重建原始影像,实现单像素计算成像的目的。上述方法能够提供单像素相机物理实现的数字仿真过程,解决了航空航天传感器大数据存储、传输以及大能耗的难题。
Description
技术领域
本发明涉及数字影像技术领域,尤其涉及一种单像素计算成像方法。
背景技术
遥感技术是从人造卫星、飞机或其他飞行器上获取地球的电磁辐射信息,识别和认知地球环境和资源的技术。航空和航天遥感能从不同高度、大范围、快速和多谱段地进行感测,周期性地获得实时地物信息。遥感技术广泛用于地球资源普查、植被分类、土地利用规划、农作物病虫害和作物产量调查、环境污染监测、地震监测等方面;同时广泛应用于军事侦察、导弹预警、军事测绘、海洋监视、气象观测和互剂侦检等。遥感传感器(数字相机)是遥感分析与识别的关键技术,迫切需要研制先进遥感器、信息传输和处理技术方法,以提高遥感器的分辨率和综合利用信息的能力。
卫星阵列推扫式成像仪利用一个平面反射镜,将来自地面的电磁波反射到反射镜组,然后聚焦在CCD阵列元件上,CCD的输出端以一路时序视频信号输出。由于使用线阵列的CCD元件作为探测器,在瞬间得到垂直航线的条带影像,不需要用摆动的扫描镜,按照缝隙式摄影机的推扫方式获取沿轨道的连续影像条带。由于现代航空和航天传感器具有的高空间分辨率、高光谱分辨率特性,需要进行大容量数据存储、大容量的数据传输以及大的能耗,而单像素成像技术正是为了解决上述问题提出的新技术方法,也为将来的深空探测奠定技术基础,但现有技术中缺乏行之有效的单像素计算成像方案。
发明内容
本发明的目的是提供一种单像素计算成像方法,该方法能够提供单像素相机物理实现的数字仿真过程,解决了航空航天传感器大数据存储、传输以及大能耗的难题,为遥感遥测提供了新型传感器解决方案。
一种单像素计算成像方法,所述方法包括:
步骤1、对m行n列原始影像g(i,j)(m×n,m<n)进行归一化处理,得到归一化后的影像G(i,j)数据;
步骤2、生成一组N维随机二值方阵组Φ1,Φ2,Φ3,…,ΦR;其中,方阵元素为0,1值;R=L×n,L<m;
步骤3、在所述N维随机二值方阵组Φ1,Φ2,Φ3,…,ΦR,任选一随机二值(0,1)方阵Φr,取其m行n列得矩阵;
步骤4、将矩阵与步骤1得到的归一化影像G(i,j)进行内积运算,得到单像素数据流Y1,Y2,Y3,…,YR;
步骤5、对所生成的单像素数据流Y1,Y2,Y3,…,YR进行傅里叶变换,利用频率域空间数据稀疏性和中心对称性对该单像素数据流进行编码存储,实现单像素数据流的压缩。
在所述步骤2中:
具体利用计算数学随机生成函数,生成一组N维随机二值方阵组Φ1,Φ2,Φ3,…,ΦR。
在所述步骤4中具体按下式进行内积运算
其中,为内积计算符号,为取Φr的m行n列所得矩阵。
所述方法进一步包括:
步骤6、利用数据在频率域空间稀疏性和中心对称性,恢复频率域数据流;
步骤7、对恢复的频率域数据进行傅里叶逆变换,得到恢复的单像素数据流Y1,Y2,Y3,…,YR;
步骤8、选取随机二值矩阵Φ(L×m)与该恢复的单像素数据流Y1,Y2,Y3,…,YR或Y(L×n)矩阵,进行约束L1范数优化计算,以重建所述原始影像。
在所述步骤8中具体按照下述公式
进行约束L1范数优化计算,进而重建所述原始影像。
由上述本发明提供的技术方案可以看出,上述方法能够提供单像素相机物理实现的数字仿真过程,解决了航空航天传感器大数据存储、传输以及大能耗的难题,为遥感遥测提供了新型传感器解决方案。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,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附图。
图1为本发明实施例所提供单像素计算成像方法流程示意图。
具体实施方式
下面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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明的实施例,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,都属于本发明的保护范围。
下面将结合附图对本发明实施例作进一步地详细描述,如图1所示为本发明实施例所提供单像素计算成像方法流程示意图,所述方法包括:
步骤1、对m行n列影像g(i,j)(m×n,m<n)进行归一化处理,得到归一化后的影像G(i,j)数据;
在该步骤1中具体按下式计算归一化影像G(i,j)数据
G(i,j)=g(i,j)/255,
其中i,j为对应影像的行、列。
步骤2、随机生成一组N维二值方阵组Φ1,Φ2,Φ3,…,ΦR;其中,方阵元素为0,1值;R=L×n,L<m;
在该步骤2中,具体利用计算数学随机生成函数,生成一组N维随机二值方阵组Φ1,Φ2,Φ3,…,ΦR。
举例来说,具体按[0,1]区间均匀分布,混合同余法计算
(1)计算[0,1]区间随机数
Xn+1=(λ·Xn+μ)%M
RAn+1=Xn+1/M
参数λ=216+1,M=232,
(2)取整计算
当RAn+1≥0.5,
否则
N维方阵
步骤3、在所述N维随机二值方阵组Φ1,Φ2,Φ3,…,ΦR,任选一随机二值(0,1)方阵Φr,取其m行n列得矩阵;
步骤4、将矩阵与步骤1得到的归一化影像G(i,j)进行内积运算,得到单像素数据流Y1,Y2,Y3,…,YR;
在该步骤4中具体按下式进行内积计算
其中,i,j分别表示矩阵的行列号,为内积计算符号。G(i,j)为步骤2得到的归一化影像数据,为n维二值方阵φr(i,j)中任取m行得到的m×n矩阵,将该两矩阵进行内积运算,得到单像素数据Yr。
内积计算方法如下:
步骤5、对所生成的单像素数据流Y1,Y2,Y3,…,YR进行傅里叶变换,利用频率域空间的中心对称性对该单像素数据流进行编码存储,实现单像素数据流的压缩。
在该步骤5对该单像素数据流进行编码存储处理过程如下:
(1)将所生成的单像素数据流Y1,Y2,Y3,…,YR转化为Y(L×n)矩阵
(2)对矩阵进行离散傅里叶变换
式中,u=0,1,2...,L-1 v=1,2,...n-1
(3)依据傅里叶变换在频率域稀疏特性,对F(u,v)值进行稀疏化处理,得到f(u,v),即
遍历u=0,1,2...,L-1 v=1,2,...n-1,
取f(u,v)=0,当F(u,v)<选定阈值;
否则f(u,v)=F(u,v)
(4)依据傅里叶变换值在频率域空间对称性,对稀疏数据编码f(u,v)。当n为偶数时,保存数据f(u,v),u=0,1,2,...L,v=0,1,...,n/2,
否则f(u,v),u=0,1,2...,L,v=0,1,2...,(n-1)/2。
另外,具体实现中,在实现单像素数据流的压缩之后,还可以包括:
步骤6、利用数据在频率域空间稀疏性和中心对称性,恢复频率域数据流;
具体来说,可以利用上述数据
f(u,v),u=1,2,...L v=0,1,...n/2,或v=0,1,...n/2
在频率域空间的对称性,恢复频率域数据;
F(u,v),u=0,1,2,...L,v=0,1,...,n
步骤7、对恢复的频率域数据进行傅里叶逆变换,得到恢复单像素数据流Y1,Y2,Y3,…,YR或Y(L×n)矩阵;
步骤8、选取随机二值矩阵Φ(L×m)与该恢复的单像素数据流Y1,Y2,Y3,…,YR;或Y(L×n)矩阵,进行约束L1范数优化计算,以重建所述原始影像。
在所述步骤8中具体可以按照下述公式
其按梯度投影优化计算过程如下
(1)约束L1范数优化转化为约束L2范数优化问题
等价于
式中
τ,l2n为非零参数。
(2)梯度投影算法过程如下
S1:输入已知数据Y,Φ,Z(0),参数k=0和
迭代控制阈值T;
S2:计算
δ(k)=(Z(k)-α(k)·▽F(Z(k)))+-Z(k)
S3:计算
Z(k+1)=Z(k)+λ(k)·δ(k)
S4:计算
γ(k)=(δ(k))TBδ(k),
若γ(k)=0,α(k+1)=αmax,
否则
S5:若
|F(k+1)-F(k)|>T,返回S2,否则结束。
从而实现重建所述原始影像G。
综上所述,本发明实施例所提供的方法能够提供单像素相机物理实现的数字仿真过程,解决了航空航天传感器大数据存储、传输以及大能耗的难题,为遥感遥测提供了新型传感器解决方案。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明披露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求书的保护范围为准。
Claims (5)
1.一种单像素计算成像方法,其特征在于,所述方法包括:
步骤1、对m行n列原始影像g(i,j)(m×n,m<n)进行归一化处理,得到归一化后的影像G(i,j)数据;
步骤2、生成一组N维随机二值方阵组Φ1,Φ2,Φ3,…,ΦR;其中,方阵元素为0,1值;R=L×n,L<m;
步骤3、在所述N维随机二值方阵组Φ1,Φ2,Φ3,…,ΦR,任选一随机二值(0,1)方阵Φr,取其m行n列得矩阵;
步骤4、将矩阵与步骤1得到的归一化影像G(i,j)进行内积运算,得到单像素数据流Y1,Y2,Y3,…,YR;
步骤5、对所生成的单像素数据流Y1,Y2,Y3,…,YR进行傅里叶变换,利用频率域空间数据稀疏性和中心对称性对该单像素数据流进行编码存储,实现单像素数据流的压缩。
2.根据权利要求1所述单像素计算成像方法,其特征在于,在所述步骤2中:
具体利用计算数学随机生成函数,生成一组N维随机二值方阵组Φ1,Φ2,Φ3,…,ΦR。
3.根据权利要求1所述单像素计算成像方法,其特征在于,在所述步骤4中具体按下式进行内积运算
其中,为内积计算符号,为取Φr的m行n列所得矩阵。
4.根据权利要求1所述单像素计算成像方法,其特征在于,所述方法进一步包括:
步骤6、利用数据在频率域空间稀疏性和中心对称性,恢复频率域数据流;
步骤7、对恢复的频率域数据进行傅里叶逆变换,得到恢复的单像素数据流Y1,Y2,Y3,…,YR;
步骤8、选取随机二值矩阵Φ(L×m)与该恢复的单像素数据流Y1,Y2,Y3,…,YR或Y(L×n)矩阵,进行约束L1范数优化计算,以重建所述原始影像。
5.根据权利要求4所述单像素计算成像方法,其特征在于,在所述步骤8中具体按照下述公式
进行约束L1范数优化计算,进而重建所述原始影像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710100038.XA CN106911893B (zh) | 2017-02-23 | 2017-02-23 | 一种单像素计算成像方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710100038.XA CN106911893B (zh) | 2017-02-23 | 2017-02-23 | 一种单像素计算成像方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106911893A true CN106911893A (zh) | 2017-06-30 |
CN106911893B CN106911893B (zh) | 2020-04-03 |
Family
ID=59208695
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710100038.XA Expired - Fee Related CN106911893B (zh) | 2017-02-23 | 2017-02-23 | 一种单像素计算成像方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106911893B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112468791A (zh) * | 2020-11-25 | 2021-03-09 | 北京理工大学 | 基于单像素探测的光强测量迭代成像方法 |
CN113395501A (zh) * | 2021-06-15 | 2021-09-14 | 北京理工大学 | 一种基于互补性质的傅里叶单像素成像方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003009227A3 (en) * | 2001-07-19 | 2003-04-24 | Koninkl Philips Electronics Nv | Method of reducing noise in volume imaging |
US20070242867A1 (en) * | 2006-04-18 | 2007-10-18 | Institute Of Nuclear Energy Research Atomic Energy Council, Executive Yuan | Image Reconstruction Method for Structuring Two-Dimensional Planar Imaging into Three-Dimension Imaging |
CN102075749A (zh) * | 2011-01-06 | 2011-05-25 | 西安电子科技大学 | 压缩感知框架下基于非凸模型的图像压缩重构方法 |
CN102759408A (zh) * | 2011-04-25 | 2012-10-31 | 中国科学院空间科学与应用研究中心 | 一种单光子计数成像***及其方法 |
CN102879782A (zh) * | 2012-09-25 | 2013-01-16 | 北京理工大学 | 基于分数阶傅里叶变换的压缩感知sar成像方法 |
CN105467806A (zh) * | 2015-01-06 | 2016-04-06 | 四川大学 | 单像素全息相机 |
CN106408516A (zh) * | 2016-09-19 | 2017-02-15 | 程涛 | 一种定向遥感的数据采集和重构方法 |
-
2017
- 2017-02-23 CN CN201710100038.XA patent/CN106911893B/zh not_active Expired - Fee Related
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003009227A3 (en) * | 2001-07-19 | 2003-04-24 | Koninkl Philips Electronics Nv | Method of reducing noise in volume imaging |
US20070242867A1 (en) * | 2006-04-18 | 2007-10-18 | Institute Of Nuclear Energy Research Atomic Energy Council, Executive Yuan | Image Reconstruction Method for Structuring Two-Dimensional Planar Imaging into Three-Dimension Imaging |
CN102075749A (zh) * | 2011-01-06 | 2011-05-25 | 西安电子科技大学 | 压缩感知框架下基于非凸模型的图像压缩重构方法 |
CN102759408A (zh) * | 2011-04-25 | 2012-10-31 | 中国科学院空间科学与应用研究中心 | 一种单光子计数成像***及其方法 |
CN102879782A (zh) * | 2012-09-25 | 2013-01-16 | 北京理工大学 | 基于分数阶傅里叶变换的压缩感知sar成像方法 |
CN105467806A (zh) * | 2015-01-06 | 2016-04-06 | 四川大学 | 单像素全息相机 |
CN106408516A (zh) * | 2016-09-19 | 2017-02-15 | 程涛 | 一种定向遥感的数据采集和重构方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112468791A (zh) * | 2020-11-25 | 2021-03-09 | 北京理工大学 | 基于单像素探测的光强测量迭代成像方法 |
CN113395501A (zh) * | 2021-06-15 | 2021-09-14 | 北京理工大学 | 一种基于互补性质的傅里叶单像素成像方法 |
CN113395501B (zh) * | 2021-06-15 | 2022-03-08 | 北京理工大学 | 一种基于互补性质的傅里叶单像素成像方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106911893B (zh) | 2020-04-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Das et al. | Deep-STEP: A deep learning approach for spatiotemporal prediction of remote sensing data | |
Sadeghi et al. | Improving near real-time precipitation estimation using a U-Net convolutional neural network and geographical information | |
Rambour et al. | Flood detection in time series of optical and sar images | |
Tao et al. | Precipitation identification with bispectral satellite information using deep learning approaches | |
Chen | Signal and image processing for remote sensing | |
Schmitt et al. | Fusion of SAR and optical remote sensing data—Challenges and recent trends | |
CN104063897B (zh) | 基于图稀疏正则化的卫星高光谱图像压缩感知重建方法 | |
CN104154998B (zh) | 一种基于压缩感知的计算多光谱成像图谱的重构方法 | |
Chen et al. | Low-rank decomposition-based anomaly detection | |
Starck et al. | Astronomical data analysis and sparsity: From wavelets to compressed sensing | |
CN102254054A (zh) | 一种稀疏微波成像处理的模型构建方法 | |
CN204788661U (zh) | 基于压缩感知的计算多光谱成像*** | |
CN104978573A (zh) | 一种应用于高光谱图像处理的非负矩阵分解方法 | |
Wang et al. | PrecipGAN: Merging microwave and infrared data for satellite precipitation estimation using generative adversarial network | |
Arguello et al. | Spatial super-resolution in code aperture spectral imaging | |
Moser et al. | Mathematical models and methods for remote sensing image analysis: an introduction | |
CN106911893B (zh) | 一种单像素计算成像方法 | |
Zhang et al. | Microwave SAIR imaging approach based on deep convolutional neural network | |
Bakirman et al. | Assessment of machine learning methods for seagrass classification in the Mediterranean | |
Wang et al. | Reconstruction of hyperspectral images from spectral compressed sensing based on a multitype mixing model | |
Fasano et al. | SAR data fusion using nonlinear principal component analysis | |
Moon et al. | Super resolution based on deep learning technique for constructing digital elevation model | |
Kawami et al. | 2-Dimensional high-quality reconstruction of compressive measurements of phased array weather radar | |
Shinde et al. | Compressive sensing based reconstruction and pixel-level classification of very high-resolution disaster satellite imagery using deep learning | |
Dao et al. | Temporal rate up-conversion of synthetic aperture radar via low-rank matrix recovery |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200403 Termination date: 20210223 |