CN110111271A - 一种基于侧抑制网络的单像素成像方法 - Google Patents
一种基于侧抑制网络的单像素成像方法 Download PDFInfo
- Publication number
- CN110111271A CN110111271A CN201910331648.XA CN201910331648A CN110111271A CN 110111271 A CN110111271 A CN 110111271A CN 201910331648 A CN201910331648 A CN 201910331648A CN 110111271 A CN110111271 A CN 110111271A
- Authority
- CN
- China
- Prior art keywords
- lateral inhibition
- single pixel
- network
- inhibition network
- lateral
- 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
- 230000023886 lateral inhibition Effects 0.000 title claims abstract description 99
- 238000003384 imaging method Methods 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000011156 evaluation Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 24
- 230000005764 inhibitory process Effects 0.000 claims description 10
- 230000004048 modification Effects 0.000 claims description 10
- 238000012986 modification Methods 0.000 claims description 10
- 238000013135 deep learning Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 9
- 230000000977 initiatory effect Effects 0.000 claims description 5
- 238000002310 reflectometry Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 2
- 230000009191 jumping Effects 0.000 claims description 2
- 230000001629 suppression Effects 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 6
- 230000008569 process Effects 0.000 abstract description 6
- 230000003287 optical effect Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000009466 transformation Effects 0.000 description 4
- 241000208340 Araliaceae Species 0.000 description 3
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 3
- 235000003140 Panax quinquefolius Nutrition 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 235000008434 ginseng Nutrition 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000000701 chemical imaging Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 239000000945 filler Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/50—Transmitters
- H04B10/516—Details of coding or modulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Image Processing (AREA)
Abstract
本发明公开的一种基于侧抑制网络的单像素成像方法,属于光电成像技术领域。本发明实现方法为:初始化侧抑制网络参数,并将传统单像素成像方法所用的预置散斑图集与侧抑制网络进行卷积,生成经侧抑制网络优化的散斑图集;控制空间光调制器产生经优化后的散斑图集,并依次记录对应探测结果;通过单像素图像重建,利用探测结果进行图像重建;利用预设评价指标对重建图像评价,若不满足要求则修改侧抑制网络参数,循环上述过程,直至满足要求后,保存最后一次循环的侧抑制网络参数并输出对应的高质量、低噪声重建图像。本发明能够将侧抑制网络与单像素成像结合,有效降低单像素成像图像噪声并提高成像质量。
Description
技术领域
本发明涉及一种单像素成像方法,尤其涉及一种基于侧抑制网络的单像素成像方法,属于光电成像技术领域。
背景技术
单像素成像技术,是近几年来新兴的一种间接光电成像技术。相比于传统直接光电成像技术,经典单像素成像技术仅利用无空间分辨率的单点探测器即可实现二维甚至多维图像信息重建。该技术具有结构简单、价格低廉、探测灵敏度高等特点,其典型成像方式是利用空间光调制装置以及单点探测器完成多组测量,利用压缩感知技术或在空间光调制装置上加载特定离散变换(如:傅里叶变换/哈达玛变换/小波变换)的图案获取相应变换系数的方式重建出高质量的图像。该技术在二维和三维成像、多光谱成像、高光谱成像、太赫兹成像、遥感等领域具有广泛的应用潜力。
目前,学者对单像素成像技术的研究主要集中在如何提高成像分辨率和成像速率上,缺乏对于实际应用时由于自然条件或者人为干扰的恶劣成像环境下,如何降低单像素成像结果噪声、提高成像质量方法的探讨。
发明内容
为了解决现有单像素成像方法在恶劣成像环境下成像质量低的问题,本发明的目的是提供一种基于侧抑制网络的单像素成像方法,该方法能够有效降低成像噪声,提高恶劣成像环境下的成像质量。
所述恶劣成像环境指由于自然条件或者人为干扰导致的恶劣成像环境。
本发明的目的是通过下述技术方案实现的。
本发明公开的一种基于侧抑制网络的单像素成像方法,初始化侧抑制网络参数,并将传统单像素成像方法所用的预置散斑图集与侧抑制网络进行卷积,生成经侧抑制网络优化的散斑图集。控制空间光调制器产生经优化后的散斑图集,并依次记录对应探测结果。通过单像素图像重建,利用探测结果进行图像重建。利用预设评价指标对重建图像评价,若不满足要求则修改侧抑制网络参数,循环上述过程,直至满足要求后,保存最后一次循环的侧抑制网络参数并输出对应的高质量、低噪声重建图像。本发明能够将侧抑制网络与单像素成像结合,有效降低单像素成像图像噪声并提高成像质量。
本发明公开的一种基于侧抑制网络的单像素成像方法,包括如下步骤:
步骤一、配置侧抑制网络初始化参数,即设置侧抑制网络的抑制野F,以及抑制系数K,权重矩阵E,得到侧抑制网络R。
侧抑制网络模型R为:
其中,rij为侧抑制网络R(i,j)中位置的参数值,eij为权重矩阵E中(i,j)位置的参数值,Kmn是抑制系数矩阵K中(m,n)位置的参数值,ei+m,j+n是权重矩阵E中(i+m,j+n)位置的参数值。
作为优选,步骤一中抑制系数K的维数根据图像维数而定。
步骤二、将预置散斑图集与侧抑制网络R进行卷积运算,生成经侧抑制网络优化的散斑图集。
步骤二所述的预置散斑图集为传统单像素成像方法所用的散斑图集。
步骤三、控制空间光调制器产生步骤二侧抑制网络优化的散斑场,在探测臂的单点探测器上获取经目标表面反射或透射调制过的总光强信息,进行M次数据信息记录。
步骤四、通过单像素图像重建,利用步骤三采集到的M次总光强信息和侧抑制网络优化的散斑场信息重建出含有目标表面反射率分布或透射率分布信息的图像。
步骤五、利用预设的图像评价指标对步骤四重建出的图像进行评价,判断评价结果是否满足用户需求,若满足跳转到步骤七,若不满足则跳转到步骤六。
步骤六、修改侧抑制网络的抑制野F、抑制系数K以及权重矩阵E后,得到修改后的侧抑制网络R,跳转到步骤二。
步骤六修改侧抑制网络的抑制野F、抑制系数K以及权重矩阵E的方法包括:根据经验手动修改、基于深度学习的自学习网络修改或者其他参数生成方法修改。
步骤七、保存当前侧抑制网络的抑制野F,抑制系数矩阵K以及权重矩阵E,输出步骤五满足用户需求的低噪声、高质量重建图像。
有益效果:
1、本发明公开的一种基于侧抑制网络的单像素成像方法,初始化侧抑制网络参数,并将传统单像素成像方法所用的预置散斑图集与侧抑制网络进行卷积,生成经侧抑制网络优化的散斑图集;控制空间光调制器产生经优化后的散斑图集,并依次记录对应探测结果;通过单像素图像重建,利用探测结果进行图像重建;利用预设评价指标对重建图像评价,若不满足要求则修改侧抑制网络参数,循环上述过程,直至满足要求后,保存最后一次循环的侧抑制网络参数并输出对应的高质量、低噪声重建图像。本发明能够将侧抑制网络与单像素成像结合,有效降低单像素成像图像噪声并提高成像质量。
2、本发明公开的一种基于侧抑制网络的单像素成像方法,通过侧抑制网络优化传统单像素成像方法所用的预置散斑图集方式,提高恶劣环境下单像素成像质量。
3、本发明公开的一种基于侧抑制网络的单像素成像方法,在修改侧抑制网络参数时,采用基于深度学习的自学习网络,能够提高所述方法在不同恶劣环境下的适应性和鲁棒性。
4、本发明公开的一种基于侧抑制网络的单像素成像方法,在实际应用时,仅在传统单像素成像方法的基础上,通过在空间光调制器上产生经侧抑制网络优化的散斑图集的方式即能够实现,无需增加额外机构,适用于目前的单像素成像***,具有较强的通用性。
附图说明
图1基于侧抑制网络的单像素成像方法流程图;
图2基于侧抑制网络的单像素成像***原理结构图;
图3传统单像素成像方法与基于侧抑制网络的单像素成像方法仿真重建结果对比图;(a)目标真值图(b)传统单像素成像方法重建结果,(c)基于侧抑制网络的单像素成像方法重建结果。
其中,1-上位机,2-激光器,3-空间光调制器,4-发射光学***,5-目标,6-接收光学***,7-点探测器,8-采集卡。
具体实施方式
以下结合附图对本发明的具体实施方式进行说明。
实施实例1
本实施例公开的一种基于侧抑制网络的单像素成像方法,方法流程图如图1所示,所应用***结构如图2所示,具体实现步骤如下:
步骤一、配置侧抑制网络R的初始化参数,即设置侧抑制网络的抑制野F为3×3,权重矩阵E为512×512全1矩阵,二维抑制系数K由双曲线分布和欧氏距离计算得到,其计算方式为:
其中,Kmn为二维抑制系数(m,n)位置的参数值,a为双曲线参数,此处人工设定为0.01,(i,j)表示抑制野F中心参数的位置,此处为(2,2),(m,n)分别表示侧抑制网络R中一个参数的位置,dij,mn表示这两个参数的欧几里得距离。
所配置的侧抑制网络模型为:
其中,rij为侧抑制网络R中(i,j)位置的参数值,eij为权重矩阵E中(i,j)位置的参数值,Kmn是二维抑制系数矩阵K中(m,n)位置的参数值,ei+m,j+n是权重矩阵E中(i+m,j+n)位置的参数值。
步骤二、将512×512像素的傅里叶单像素成像预置灰度散斑投影图集与侧抑制网络R进行卷积运算,卷积采用相同补白(Same Padding)模式,滑动步长为1,生成经侧抑制网络优化后的傅里叶单像素成像预置灰度散斑投影图集。
步骤三、上位机1控制激光器2出射激光,空间光调制器3上显示步骤二生成的经侧抑制网络优化后的傅里叶单像素成像预置灰度散斑投影图集中的一幅图像。激光经由空间光调制器3的调制后,经过发射光学***4照射至目标5上,经目标5的散射光和反射光经接收光学***6后会聚在点探测器7上,点探测器7将光信号转换为电信号,经过采集卡8的采集后,采集结果输回上位机1中。循环上述过程50000次,上位机1记录在空间光调制器3上每次显示的图像以及对应采集卡8采集的采集结果。
步骤四、将步骤三上位机1采集到的数据输入至傅里叶单像素成像算法,重建出含有目标反射率分布的图像信息。
步骤五、利用峰值信噪比(PSNR,Peak Signal to Noise Ratio)对图像质量进行评价,所得到的PSNR为11.520dB,小于所需的14dB的用户需求,跳转到步骤六。
峰值信噪比的计算方式为:
其中,MAXI表示图像中灰度的最大值,此处采用8位灰度计算,即此处为255,(m,n)表示图像中像素的位置。
步骤六、根据经验,修改侧抑制野F为5×5,双曲线参数a修改为0.1,权重矩阵E和二维抑制系数K的计算方式与步骤一中设置相同,得到修改后的侧抑制网络R。
步骤七、重复步骤二到步骤五的操作,在对图像质量进行评价时,此时所得到PSNR为14.636dB,大于所需的14dB的用户需求,跳转到步骤八。
步骤八、保存当前侧抑制网络的抑制野F 3×3,二维抑制系数矩阵K以及权重矩阵E,输出最终的低噪声、高质量重建结果。
其中,图3(a)为目标的真值图,图3(b)为传统单像素成像方法重建结果,图3(c)为基于侧抑制网络的单像素成像方法重建结果。通过对比可以发现,图3中传统单像素成像方法重建结果图像噪点较多且图像质量低,而基于侧抑制网络的单像素成像方法重建结果图像噪点较少且图像质量高,明显优于传统单像素成像方法重建结果。并且,从图像评价指标峰值信噪比指标来看,基于侧抑制网络的单像素成像方法重建结果也优于传统单像素成像方法重建结果。综上可见,基于侧抑制网络的单像素成像方法能够有效降低成像噪声,提高成像质量
实施实例2
实施实例2,除步骤六外,其余步骤与实施实例1完全相同。其步骤六利用基于深度学习的自学习网络生成新的侧抑制网络,故以下仅详细描述步骤六:
步骤六:根据当前的侧抑制网络的侧抑制野F、双曲线参数a以及重建图像,利用基于深度学习的自学习网络生成新的侧抑制网络的侧抑制野F,双曲线参数a参数,权重矩阵E和二维抑制系数K的计算方式与步骤一中设置相同,得到修改后的侧抑制网络R。
其中,基于深度学习的自学习网络生成新的侧抑制网络的侧抑制野F,双曲线参数a参数的过程,依次包括训练和使用两个环节。
在训练环节中,首先,通过随机配置20000组侧抑制网络中的侧抑制野F和双曲线参数a参数,作为侧抑制网络的初始化参数,随后每组均完成步骤一到步骤五的所有过程,得到对应的20000组侧抑制网络参数以及重建图像。之后,搭建基于深度学习的参数优化网络结构,该网络结构采用全连接方式构建,使用ReLU函数作为网络的激活函数,使用均值为0,方差为1的均值分布作为网络的初始化参数。然后,以侧抑制野F和双曲线参数a作为训练对象,最小化20000组重建图像与真值图像之间的损失。对所述参数优化网络进行循环训练,直至网络输出损失低于设定阈值0.1时停止训练,得到训练后的基于深度学习的自学习网络。
在使用环节中,将当前的侧抑制网络的侧抑制野F、双曲线参数a以及重建图像,输入至训练后的基于深度学习的自学习网络,生成更新的侧抑制野F和双曲线参数a。
其中,基于深度学习的自学习网络生成新的侧抑制网络的侧抑制野F,双曲线参数a参数时,需依序完成训练环节和使用环节。而在成像场景不变的情况下,后续循环到该步骤时无需再次训练,直接进入使用环节即可。
以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于侧抑制网络的单像素成像方法,其特征在于:包括如下步骤,
步骤一、配置侧抑制网络初始化参数,即设置侧抑制网络的抑制野F,以及抑制系数K,权重矩阵E,得到侧抑制网络R;
步骤二、将预置散斑图集与侧抑制网络R进行卷积运算,生成经侧抑制网络优化的散斑图集;
步骤三、控制空间光调制器产生步骤二侧抑制网络优化的散斑场,在探测臂的单点探测器上获取经目标表面反射或透射调制过的总光强信息,进行M次数据信息记录;
步骤四、通过单像素图像重建,利用步骤三采集到的M次总光强信息和侧抑制网络优化的散斑场信息重建出含有目标表面反射率分布或透射率分布信息的图像;
步骤五、利用预设的图像评价指标对步骤四重建出的图像进行评价,判断评价结果是否满足用户需求,若满足跳转到步骤七,若不满足则跳转到步骤六;
步骤六、修改侧抑制网络的抑制野F、抑制系数K以及权重矩阵E后,得到修改后的侧抑制网络R,跳转到步骤二;
步骤七、保存当前侧抑制网络的抑制野F,抑制系数矩阵K以及权重矩阵E,输出步骤五满足用户需求的低噪声、高质量重建图像。
2.如权利要求1所述的一种基于侧抑制网络的单像素成像方法,其特征在于:步骤一实现方法为,
侧抑制网络模型R为:
其中,rij为侧抑制网络R中(i,j)位置的参数值,eij为权重矩阵E中(i,j)位置的参数值,Kmn是抑制系数矩阵K中(m,n)位置的参数值,ei+m,j+n是权重矩阵E中(i+m,j+n)位置的参数值。
3.如权利要求2所述的一种基于侧抑制网络的单像素成像方法,其特征在于:步骤一中抑制系数K的维数根据图像维数而定。
4.如权利要求3所述的一种基于侧抑制网络的单像素成像方法,其特征在于:步骤二所述的预置散斑图集为传统单像素成像方法所用的散斑图集。
5.如权利要求4所述的一种基于侧抑制网络的单像素成像方法,其特征在于:步骤六修改侧抑制网络的抑制野F、抑制系数K以及权重矩阵E的方法包括:根据经验手动修改、基于深度学习的自学习网络修改或者其他参数生成方法修改。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910331648.XA CN110111271B (zh) | 2019-04-24 | 2019-04-24 | 一种基于侧抑制网络的单像素成像方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910331648.XA CN110111271B (zh) | 2019-04-24 | 2019-04-24 | 一种基于侧抑制网络的单像素成像方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110111271A true CN110111271A (zh) | 2019-08-09 |
CN110111271B CN110111271B (zh) | 2021-06-22 |
Family
ID=67486395
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910331648.XA Active CN110111271B (zh) | 2019-04-24 | 2019-04-24 | 一种基于侧抑制网络的单像素成像方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110111271B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111445440A (zh) * | 2020-02-20 | 2020-07-24 | 上海联影智能医疗科技有限公司 | 一种医学图像分析方法、设备和存储介质 |
CN112200264A (zh) * | 2020-10-26 | 2021-01-08 | 北京理工大学 | 基于散射复用的高通量免成像分类方法与装置 |
CN112839143A (zh) * | 2020-12-30 | 2021-05-25 | 南京工程学院 | 一种单像素成像过程中采集信号的校验方法和装置 |
CN112950507A (zh) * | 2021-03-08 | 2021-06-11 | 四川大学 | 基于深度学习提高散射环境下单像素彩色成像性能的方法 |
WO2022057556A1 (zh) * | 2020-09-18 | 2022-03-24 | 南京理工大学 | 一种基于深度学习的端到端散斑投影三维测量方法 |
CN115861359A (zh) * | 2022-12-16 | 2023-03-28 | 兰州交通大学 | 一种水面漂浮垃圾图像自适应分割提取方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1273516A (zh) * | 1997-08-28 | 2000-11-15 | 特性计算公司 | 从数字***x射线照片中自动检测成簇的微钙化的方法和*** |
US6938824B2 (en) * | 2001-09-26 | 2005-09-06 | Symbol Technologies, Inc. | Decoding algorithm for laser scanning bar code readers |
CN102881004A (zh) * | 2012-08-31 | 2013-01-16 | 电子科技大学 | 一种基于视觉神经网络的数字图像增强方法 |
US20130093805A1 (en) * | 2010-06-21 | 2013-04-18 | Imax Corporation | Double stacked projection |
CN103473742A (zh) * | 2013-09-11 | 2013-12-25 | 天津工业大学 | 反射式离轴数字全息再现像中的噪声抑制新方法 |
CN103759676A (zh) * | 2014-01-06 | 2014-04-30 | 南京信息工程大学 | 一种工件表面粗糙度非接触式的检测方法 |
CN103777206A (zh) * | 2014-01-26 | 2014-05-07 | 上海交通大学 | 一种基于偏振关联成像的单像素成像*** |
CN104778696A (zh) * | 2015-04-13 | 2015-07-15 | 杭州电子科技大学 | 一种基于视通路方位敏感的图像边缘分级检测方法 |
CN106405546A (zh) * | 2016-11-08 | 2017-02-15 | 中国科学院合肥物质科学研究院 | 基于压缩散斑的快速关联成像***及方法 |
CN106650697A (zh) * | 2016-12-30 | 2017-05-10 | 亿嘉和科技股份有限公司 | 一种仪表刻度识别方法 |
CN107247332A (zh) * | 2017-08-04 | 2017-10-13 | 清华大学深圳研究生院 | 一种基于散斑估计和反卷积的非侵入式散射成像方法 |
CN107817641A (zh) * | 2017-07-17 | 2018-03-20 | 哈尔滨工业大学深圳研究生院 | 基于多模光纤的单像素相机*** |
CN109272004A (zh) * | 2017-07-17 | 2019-01-25 | 爱科维申科技(天津)有限公司 | 卷积神经网络模型及其用于流感毒株蛋胚成活性检测方法 |
-
2019
- 2019-04-24 CN CN201910331648.XA patent/CN110111271B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1273516A (zh) * | 1997-08-28 | 2000-11-15 | 特性计算公司 | 从数字***x射线照片中自动检测成簇的微钙化的方法和*** |
US6938824B2 (en) * | 2001-09-26 | 2005-09-06 | Symbol Technologies, Inc. | Decoding algorithm for laser scanning bar code readers |
US20130093805A1 (en) * | 2010-06-21 | 2013-04-18 | Imax Corporation | Double stacked projection |
CN102881004A (zh) * | 2012-08-31 | 2013-01-16 | 电子科技大学 | 一种基于视觉神经网络的数字图像增强方法 |
CN103473742A (zh) * | 2013-09-11 | 2013-12-25 | 天津工业大学 | 反射式离轴数字全息再现像中的噪声抑制新方法 |
CN103759676A (zh) * | 2014-01-06 | 2014-04-30 | 南京信息工程大学 | 一种工件表面粗糙度非接触式的检测方法 |
CN103777206A (zh) * | 2014-01-26 | 2014-05-07 | 上海交通大学 | 一种基于偏振关联成像的单像素成像*** |
CN104778696A (zh) * | 2015-04-13 | 2015-07-15 | 杭州电子科技大学 | 一种基于视通路方位敏感的图像边缘分级检测方法 |
CN106405546A (zh) * | 2016-11-08 | 2017-02-15 | 中国科学院合肥物质科学研究院 | 基于压缩散斑的快速关联成像***及方法 |
CN106650697A (zh) * | 2016-12-30 | 2017-05-10 | 亿嘉和科技股份有限公司 | 一种仪表刻度识别方法 |
CN107817641A (zh) * | 2017-07-17 | 2018-03-20 | 哈尔滨工业大学深圳研究生院 | 基于多模光纤的单像素相机*** |
CN109272004A (zh) * | 2017-07-17 | 2019-01-25 | 爱科维申科技(天津)有限公司 | 卷积神经网络模型及其用于流感毒株蛋胚成活性检测方法 |
CN107247332A (zh) * | 2017-08-04 | 2017-10-13 | 清华大学深圳研究生院 | 一种基于散斑估计和反卷积的非侵入式散射成像方法 |
Non-Patent Citations (3)
Title |
---|
ANDREAS I. REPPAS等: "The Extrinsic Noise Effect on Lateral Inhibition Differentiation Waves", 《ACM TRANSACTIONS ON MODELING AND COMPUTER SIMULATION》 * |
JUAN-ANTONIO MARTÍNEZ-ROJAS .ETC: ""Fractal convolution techniques for speckle noise reduction"", 《2008 EUROPEAN RADAR CONFERENCE》 * |
林志龙等: "SAR 图像目标识别的卷积神经网模型", 《中国图象图形学报》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111445440A (zh) * | 2020-02-20 | 2020-07-24 | 上海联影智能医疗科技有限公司 | 一种医学图像分析方法、设备和存储介质 |
CN111445440B (zh) * | 2020-02-20 | 2023-10-31 | 上海联影智能医疗科技有限公司 | 一种医学图像分析方法、设备和存储介质 |
WO2022057556A1 (zh) * | 2020-09-18 | 2022-03-24 | 南京理工大学 | 一种基于深度学习的端到端散斑投影三维测量方法 |
CN112200264A (zh) * | 2020-10-26 | 2021-01-08 | 北京理工大学 | 基于散射复用的高通量免成像分类方法与装置 |
CN112200264B (zh) * | 2020-10-26 | 2023-08-15 | 北京理工大学 | 基于散射复用的高通量免成像分类方法与装置 |
CN112839143A (zh) * | 2020-12-30 | 2021-05-25 | 南京工程学院 | 一种单像素成像过程中采集信号的校验方法和装置 |
CN112839143B (zh) * | 2020-12-30 | 2023-02-03 | 南京工程学院 | 一种单像素成像过程中采集信号的校验方法和装置 |
CN112950507A (zh) * | 2021-03-08 | 2021-06-11 | 四川大学 | 基于深度学习提高散射环境下单像素彩色成像性能的方法 |
CN115861359A (zh) * | 2022-12-16 | 2023-03-28 | 兰州交通大学 | 一种水面漂浮垃圾图像自适应分割提取方法 |
CN115861359B (zh) * | 2022-12-16 | 2023-07-21 | 兰州交通大学 | 一种水面漂浮垃圾图像自适应分割提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110111271B (zh) | 2021-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110111271A (zh) | 一种基于侧抑制网络的单像素成像方法 | |
CN108648197B (zh) | 一种基于图像背景掩膜的目标候选区域提取方法 | |
US9900562B2 (en) | System and method for light-field imaging | |
CN102509279B (zh) | 根部欠照明舌图像的自适应暗部细节复现方法 | |
CN105975912B (zh) | 基于神经网络的高光谱图像非线性解混方法 | |
CN111080567A (zh) | 基于多尺度动态卷积神经网络的遥感图像融合方法及*** | |
CN107451956B (zh) | 一种编码孔径光谱成像***的重构方法 | |
CN107525588A (zh) | 一种基于gpu的双相机光谱成像***的快速重构方法 | |
CN109978786A (zh) | 一种基于卷积神经网络的Kinect深度图修复方法 | |
Zhai et al. | Foveated ghost imaging based on deep learning | |
CN110516716A (zh) | 基于多分支相似度网络的无参考图像质量评价方法 | |
CN111833248B (zh) | 基于部分哈达玛矩阵的超分辨率鬼成像方法及*** | |
CN101454806A (zh) | 使用深度加权彩色化的体绘制方法和装置 | |
CN115877555B (zh) | 一种显微镜照明仿真模拟*** | |
CN114174783A (zh) | 用于创建具有改进的图像捕获的局部制剂的***和方法 | |
CN109447891A (zh) | 一种基于卷积神经网络的光谱成像***的高质量成像方法 | |
Ye et al. | Predicting visible image differences under varying display brightness and viewing distance | |
CN107560735A (zh) | 基于压缩感知的高分辨率红外成像***及方法 | |
US9426333B2 (en) | Illusion analyzing apparatus, apparatus for generating illusion-considered image for which illusion is taken into consideration to allow perception according to original image, illusion analyzing method, method of generating illusion-considered image for which illusion is taken into consideration to allow perception according to original image, and program | |
CN117195960A (zh) | 基于夏克哈特曼ut变换模型的大气湍流波前探测方法 | |
CN115641263A (zh) | 基于深度学习的单幅电力设备红外图像超分辨率重建方法 | |
KR102211847B1 (ko) | 경로 손실 지수 예측 시스템 및 방법 | |
Abas et al. | Multi-focus image fusion with multi-scale transform optimized by metaheuristic algorithms | |
CN109447890A (zh) | 一种基于卷积神经网络的光谱成像***的编码优化方法 | |
CN206930789U (zh) | 一种基于压缩感知的对象成像*** |
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 |