CN110807779A - 一种基于区域分割的压缩计算鬼成像方法及*** - Google Patents
一种基于区域分割的压缩计算鬼成像方法及*** Download PDFInfo
- Publication number
- CN110807779A CN110807779A CN201910968414.6A CN201910968414A CN110807779A CN 110807779 A CN110807779 A CN 110807779A CN 201910968414 A CN201910968414 A CN 201910968414A CN 110807779 A CN110807779 A CN 110807779A
- Authority
- CN
- China
- Prior art keywords
- roi
- region
- reconstructed image
- correlation calculation
- order correlation
- 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
- 238000004364 calculation method Methods 0.000 title claims abstract description 79
- 238000003384 imaging method Methods 0.000 title claims abstract description 79
- 230000011218 segmentation Effects 0.000 title claims abstract description 57
- 230000006835 compression Effects 0.000 title claims abstract description 14
- 238000007906 compression Methods 0.000 title claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000005070 sampling Methods 0.000 claims abstract description 29
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 abstract description 6
- 230000008569 process Effects 0.000 abstract description 5
- 230000000875 corresponding effect Effects 0.000 description 34
- 230000000694 effects Effects 0.000 description 13
- 238000001514 detection method Methods 0.000 description 9
- 238000005259 measurement Methods 0.000 description 9
- 230000003287 optical effect Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 4
- 239000002245 particle Substances 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 2
- 238000005314 correlation function Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供一种基于区域分割的压缩计算鬼成像方法及***,包括:获取待测对象的第一重构图像,所述第一重构图像为经过预设次数采样重构后得到的;对所述第一重构图像进行区域分割,得到感兴趣区域ROI区域和不感兴趣区域N‑ROI区域;分别对所述ROI区域和所述N‑ROI区域进行二阶关联计算;将经二阶关联计算后的所述ROI区域和经二阶关联计算后的所述N‑ROI区域进行拼接,得到所述待测对象的第二重构图像。由于去除了ROI区域,对应区域的N‑ROI区域重构过程中光强变化小,使得第二重构图像局部微小区域成像质量好。
Description
技术领域
本发明涉及鬼成像技术领域,更具体地,涉及基于区域分割的压缩计算鬼成像方法及***。
背景技术
鬼成像(GhostImaging,GI),又称关联成像,传统光学成像是基于光的分布测量,而鬼成像则是基于光波能量的关联测量。早在2008年,Shapiro等学者在理论上提出了计算鬼成像(Computational GhostImaging,CGI),取代了分束器分出的参考光路,根据空间光调制器(Spatial LightModulator,SLM)特性,将其应用到关联成像中,从而可以计算出参考光路所需要的信息。次年,Bromberg搭建出实验平台,完成了单路计算式鬼成像实验,重建出物体清晰的像。计算式关联成像主要使用SLM或数字投影仪(DigitalLightProcessing,DLP)或数字微镜器件(DigitalMicromirrorDevice,DMD)对光源进行调制,投射不同的随机散斑图到被测表面,利用桶探测器记录相应的光场信息,通过关联计算能够恢复出待测表面的空间信息。2009年,Katz等首次将压缩感知技术应用到关联成像中。相比传统鬼成像而言,单臂式计算鬼成像为关联成像平台搭建带来了便捷,推动了实际研究应用,具有更高的实用价值。
目前提高鬼成像质量的方法主要是提升整幅图像的信噪比,但在较少采样量的条件下,对于局部微小细节的成像效果仍不理想,因此,亟需提供一种新的鬼成像方法。
发明内容
本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的网络拓扑探测方法及装置。
第一方面,本发明实施例提供了一种基于区域分割的压缩计算鬼成像方法,包括:
获取待测对象的第一重构图像,所述第一重构图像为经过预设次数采样重构后得到的;
对所述第一重构图像进行区域分割,得到感兴趣区域ROI区域和不感兴趣区域N-ROI区域;
分别对所述ROI区域和所述N-ROI区域进行二阶关联计算;
将经二阶关联计算后的所述ROI区域和经二阶关联计算后的所述N-ROI区域进行拼接,得到所述待测对象的第二重构图像。
进一步地,所述获取待测对象的第一重构图像,具体包括:
利用预设像素尺寸的散斑图像,对所述待测对象进项所述预设次数的采样;
基于所述预设次数的采样结果和压缩计算鬼成像CCGI算法,得出所述第一重构图像。
进一步地,对所述第一重构图像进行区域分割,得到感兴趣区域ROI区域和不感兴趣区域N-ROI区域,具体包括:
对所述第一重构图像进行区域分割,得到所述ROI区域;
将所述第一重构图像中所述ROI区域对应的区域的像素值设置为0,得到所述N-ROI区域。
进一步地,所述分别对所述ROI区域和所述N-ROI区域进行二阶关联计算,具体包括:
获取对应于所述ROI区域的第一随机散斑和对应于所述N-ROI区域第二随机散斑;
基于所述第一随机散斑对所述ROI区域进行二阶关联计算,基于所述第二随机散斑对所述N-ROI区域进行二阶关联计算。
进一步地,所述将经二阶关联计算后的所述ROI区域和经二阶关联计算后的所述N-ROI区域进行拼接,得到所述待测对象的第二重构图像,具体包括:
基于所述ROI区域和所述N-ROI区域在所述第一重构图像中的位置信息,将经二阶关联计算后的所述ROI区域和经二阶关联计算后的所述N-ROI区域进行拼接,得到所述待测对象的第二重构图像。
第二方面,本发明实施例提供了一种基于区域分割的压缩计算鬼成像***,包括:
获取模块,用于获取待测对象的第一重构图像,所述第一重构图像为经过预设次数采样重构后得到的;
区域分割模块,用于对所述第一重构图像进行区域分割,得到感兴趣区域ROI区域和不感兴趣区域N-ROI区域;
关联计算模块,用于分别对所述ROI区域和所述N-ROI区域进行二阶关联计算;
拼接模块,用于将经二阶关联计算后的所述ROI区域和经二阶关联计算后的所述N-ROI区域进行拼接,得到所述待测对象的第二重构图像。
进一步地,所述区域分割模块具体用于:
对所述第一重构图像进行区域分割,得到所述ROI区域;
将所述第一重构图像中所述ROI区域对应的区域的像素值设置为0,得到所述N-ROI区域。
进一步地,所述关联计算模块具体用于:
获取对应于所述ROI区域的第一随机散斑和对应于所述N-ROI区域第二随机散斑;
基于所述第一随机散斑对所述ROI区域进行二阶关联计算,基于所述第二随机散斑对所述N-ROI区域进行二阶关联计算。
第三方面,本发明实施例提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如第一方面所提供的基于区域分割的压缩计算鬼成像方法的步骤。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面所提供的基于区域分割的压缩计算鬼成像方法的步骤。
本发明实施例提供的一种基于区域分割的压缩计算鬼成像方法及***,通过对现有鬼成像技术得到的第一重构图像进行区域分割,得到成像效果好的ROI区域和成像效果差的N-ROI区域,并根据两者对应的区域得到对应的随机散斑,再分别根据两者的随机散斑对ROI区域和N-ROI区域结合压缩感知技术和二阶关联算法对两者进行重构,将两者的重构图进行拼接得到第二重构图像,由于去除了ROI区域对应区域的N-ROI区域重构过程中光强变化小,使得第二重构图像局部微小区域成像质量好。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,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的附图。
图1为本发明实施例提供的一种基于区域分割的压缩计算鬼成像方法的流程示意图;
图2为本发明实施例提供的基于区域分割的压缩计算鬼成像方法的原理图;
图3为本发明实施例提供的实例中的被测对象;
图4为本发明实施例提供的实例中采样500次和1000次的ROI区域识别结果;
图5为本发明实施例提供的实例中图像分割的结果;
图6为本发明实施例提供的实例中不同方法的数值仿真结果对比图;
图7为本发明实施例提供的实例中不同方法不同采样次数下PSNR和SSIM;
图8为本发明实施例提供的一种基于区域分割的压缩计算鬼成像***的结构框图
图9为本发明实施例提供的电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在对本申请实施例的方案进行详细描述之前,首先对相关的鬼成像方法进行说明,具体如下:
在传统计算鬼成像(Traditional Computational Ghost Imaging,TCGI),即经典减背景二阶关联算法。
DMD的每个微镜片有开和关两种状态,微镜片处于开状态时才会将光反射到目标光路中。由Matlab中randn()函数预先生成N个符合正态分布的随机二值矩阵并将其转化为N帧二值随机散斑图,将N帧二值随机散斑图按照设定周期顺序加载到DMD上,二值随机散斑图某点取值为1时对应的微镜处于开状态,取值为0时,对应的微镜处于关状态,这相当于对光源进行了N次空间强度分布调制,每次调制后的光强分布可由对应的二值随机矩阵I(x,y)表示。
Si=∫Ii(x,y)T(x,y)dxdy, (2)
式中<>表示对N次测量结果的系综平均,Ii(x,y)(1≤i≤N)为第i次DMD投影的随机二值散斑的光场分布,T(x,y)为物体的透射率函数,Si表示第i次桶探测器测量单个随机二值散斑图照射物体后的总强度值,即桶探测值。经过N次采样后,理想情况下可由公式(1)(2)的传统计算鬼成像算法对物体图像进行重建。不同散斑颗粒尺寸的随机散斑图影响着图像质量,若想获得更高的分辨率,可以采用以下方法:把随机散斑颗粒尺寸变小(如1pixels×1pixels)小于图像细节、使用分辨率更高的投影仪,图像恢复效果越高。
在混合散斑图的压缩计算关联成像(Hybrid Speckle-Pattern CompressiveComputational Ghost Imaging,HSCCGI)中,对于由K个不同区域构成的复杂物体,利用K个尺寸的散斑按照一定比例经过N次采样后,组合成新的混合散斑图,得到HSCCGI方法的二阶关联函数为:
式中Ik′(i)(x,y)表示第i次测量时混合散斑图空间强度分布值,Sk′(i)表示第i次测量时混合散斑图照射物体后的总强度值。
在压缩感知鬼成像方法中,将像素数为m×n的二值随机散斑图组合为一个1×(m×n)的行向量,经N次照明得到N个行向量,排列成N×(m×n)的矩阵称为探测矩阵Φ。将N次测量的桶探测值,其区域总光强探测结果组合为一个测量向量y=[S1,S2,S3,…,SN]T,计算的鬼成像公式就转化为求解最小L1范数下的最优化问题。
设图像g的离散余弦(Discrete Cosine Transform,DCT)变换将向量稀疏化的矩阵转换为稀疏变换基(Ψ),则鬼成像计算公式转换为:
式中:GCS为压缩感知(Compressive Sensing,CS)恢复的图像,ε为控制稀疏表示的系数稀疏程度常数,可以求出Ψg的最优解,从而得到稀疏系数的逼近值再通过公式(6)逆变换得到目标的重构图像。
图1为本发明实施例提供的一种基于区域分割的压缩计算鬼成像方法的流程示意图,如图1所示,该方法可以包括:
S101,获取待测对象的第一重构图像,所述第一重构图像为经过预设次数采样重构后得到的。
具体地,本发明实施例的处理对象为通过现有技术的鬼成像方法获取的重构图像,即第一重构图像。
S102,对所述第一重构图像进行区域分割,得到感兴趣区域ROI(Region ofInterest)图像和不感兴趣区域N-ROI(No-Region of Interest)图像。
其中,ROI区域可以理解为第一重构图像中成像效果较好的区域对应的图像,N-ROI区域可以理解为第一重构图像中成像效果较差或没有被完整重构出来的区域对应的图像。
S103,分别对所述ROI区域和所述N-ROI区域进行二阶关联计算。
具体地,对ROI区域进行二阶关联计算可以进一步加强ROI区域的成像效果,对N-ROI区域对应的区域进行二阶关联计算,由于N-ROI区域中去除了ROI区域对应的区域,则其关联计算过程中光强变化较小,可以使N-ROI区域对应的区域成像完整。
S104,将经二阶关联计算后的所述ROI区域和经二阶关联计算后的所述N-ROI区域进行拼接,得到所述待测对象的第二重构图像。
本发明实施例提供的一种基于区域分割的压缩计算鬼成像方法,通过对现有鬼成像技术得到的第一重构图像进行区域分割,得到成像效果好的ROI区域和成像效果差的N-ROI区域,并根据两者对应的区域得到对应的随机散斑,再分别根据两者的随机散斑对ROI区域和N-ROI区域结合压缩感知技术和二阶关联算法对两者进行重构,将两者的重构图进行拼接得到第二重构图像,由于去除了ROI区域对应区域的N-ROI区域重构过程中光强变化小,使得第二重构图像局部微小区域成像质量好。
进一步地,所述获取待测对象的第一重构图像,具体包括:
利用预设像素尺寸的散斑图像,对所述待测对象进项所述预设次数的采样;
基于所述预设次数的采样结果和压缩计算鬼成像CCGI算法,得出所述第一重构图像。
进一步地,对所述第一重构图像进行区域分割,得到感兴趣区域ROI区域和不感兴趣区域N-ROI区域,具体包括:
对所述第一重构图像进行区域分割,得到所述ROI区域;
将所述第一重构图像中所述ROI区域对应的区域的像素值设置为0,得到所述N-ROI区域。
进一步地,所述分别对所述ROI区域和所述N-ROI区域进行二阶关联计算,具体包括:
获取对应于所述ROI区域的第一随机散斑和对应于所述N-ROI区域第二随机散斑;
基于所述第一随机散斑对所述ROI区域进行二阶关联计算,基于所述第二随机散斑对所述N-ROI区域进行二阶关联计算。
进一步地,所述将经二阶关联计算后的所述ROI区域和经二阶关联计算后的所述N-ROI区域进行拼接,得到所述待测对象的第二重构图像,具体包括:
基于所述ROI区域和所述N-ROI区域在所述第一重构图像中的位置信息,将经二阶关联计算后的所述ROI区域和经二阶关联计算后的所述N-ROI区域进行拼接,得到所述待测对象的第二重构图像。
具体地,下面对本发明实施例的实施方式进行具体描述,首先将大目标区域与微小区域进行区域分割,使微小区域总光强值波动较小,这样在相同采样下微小区域将获得较好的成像质量。基于区域分割的压缩计算鬼成像原理图如图2所示,其中,本申请中涉及的成像装置主要由DLP4500、目标物体、桶探测器和计算机组成。其成像特征如下:当DLP将符合正态分布二值随机散斑图投影在目标物体上时,控制单元产生一个同步信号,触发桶探测器对投影的图像进行采样,接收目标图像的反射或透射光强信号,采集单元采集到光强信号后,单像素桶探测器生成一个返回触发信号,返回触发信号传入控制单元,反射光强信号传入模数处理单元进行模数转换,最终分别将投影得到的数字信号传入PC,然后将反射或透射光强信号与投影图像做关联运算,重构出图像。
在RSCCGI(Region Segmentation Compressive Computational Ghost Imaging,区域分割的压缩计算鬼成像)算法中,利用DLP调制光场,将连续多幅符合正态分布的随机散斑图作用到被测表面的光强分布为I(x,y),其总光强为Ri,此时反射或投射光信号通过桶探测器采集总光强的值为Si,其单幅图像的光场强度依据面积分作为单像素桶探测器的总光强响应值。
假设物体由K个不同区域构成的复杂表面,利用m pixels×m pixels尺寸的散斑,对整个采集区域进行N次CCGI(Compressive Computational Ghost Imaging,压缩计算鬼成像)算法计算,可初步定位大尺寸M个区域轮廓图像,求取该轮廓的最小外接矩形,并根据该矩形的四个顶点坐标生成相应大小的散斑(第一随机散斑);再通过区域分割算法获取合适N-ROI目标区域范围,即运用对比度增强和通过阈值分割算法进行边缘检测。可将原图像信息分为两部分,一部分只包含轮廓边界ROI区域;另一部分轮廓ROI区域全部置零,理论应剩余K-M个区域,即图像为N-ROI区域,并利用RSCCGI算法对分割子图像分别进行二阶关联计算。
根据HSCCGI(Hybrid Speckle-Pattern Compressive Computational GhostImaging,混合散斑图压缩计算鬼成像)算法可进一步将本发明实施例算法的关联函数推导为式(7)、(8)、(9)、(10),最后,将分割后的子图像灰度值均调整到0-255后,通过基于ROI与N-ROI区域的位置信息将图像拼接为一幅完整图像。
其中,GROI(x,y)为ROI区域重构图像,GN-ROI(x,y)为N-ROI区域重构图像,K为不同区域构成的复杂表面,M(M=1,2,…k)为初步定位大尺寸区域ROI轮廓图像,N(N=1,2,…i)为总采样数,表示第i次测量时单个散斑图空间强度分布值,对应的I′k (i)(x,y)和I″k (i)(x,y)分别表示为ROI区域和N-ROI区域散斑图空间强度分布值,表示第i次测量时单个散斑图照射物体后的总强度值,即桶探测值,对应的S′k (i)和S″k (i)分别表示第i次测量时ROI区域和N-ROI区域单个散斑图照射物体后的总强度值,可通过更换透镜来使得桶探测器探测和S′k (i),均满足:
其中,O(x,y)是物体的反射率或透射率。
下面通过一个实例来对本发明实施例提供的基于区域分割的压缩计算鬼成像方法进行进一步说明。
如图3所示,待测对象是某大学校徽,由“字母标识”和小尺寸“数字1952”两个不同区域(即K=2)共同组成的多分辨率二值型物体,,预置在DMD中的二值随机散班图由Matlab仿真生成,分辨率为100pixels×100pixels(即m=100)。全采样率定义为10000(100×100)次检测。相应地,β=0.05的采样率代表500次检测。首先投影最小分辨率为4pixels×4pixels尺寸的散斑进行关联计算。运用CCGI算法对整个采集区域进行N=500次或N=1000次关联计算,运用阈值分割算法,根据图像进行边缘检测,初步定位大尺寸区域ROI最外轮廓图像,并求取该轮廓的最小外接矩形,实验结果如图4所示。
运用区域分割方法,如图5所示,将检测出来ROI区域和N-ROI区域分别采用颗粒尺寸为2pixels×2pixels的散斑进行关联计算,若该ROI区域满足图像评价,便只需对N-ROI区域进行重构,此时只需用桶探测探测整幅图像的光强值减去每次探测ROI区域的光强值S′k (i)得到N-ROI区域的光强值S″k (i),通过计算关联成像便可重建N-ROI区域;若进一步提高N-ROI区域的质量,采用颗粒尺寸为1pixel×1pixel尺寸的散斑,同理适用于ROI区域。该方法能够使得非轮廓区域微小区域的总光强值更为准确,其波动较小,受ROI区域影响较小,从而能够使非ROI区域图像质量更好。最终采用基于ROI与N-ROI区域的位置信息将图像拼接,得到一幅局部微小区域图像质量较高的像。
为了验证基于区域分割的压缩计算鬼成像方法,设计仿真实验,并将该方案与传统的计算鬼成像(Traditional Computational Ghost Imaging,TCGI)、压缩感知差分鬼成像(Compressive Sensing Differential Ghost Imaging,CSDGI)、混合散斑压缩感知鬼成像(HSCCGI)进行对比,仿真实验结果如图6所示。
仿真实验结果表明,在相同采样次数情况下,本发明实施例方法对图像细节部清晰可见,质量明显比TCGI,CSDGI,HSCCGI方法高。当采样数大于2000次(β>0.2)时,即可获得优于TCGI,CSDGI,HSCCGI方法采样数为3000次(β=0.3)的成像质量。
利用峰值信噪比(Peak Signalto Noise Ratio,PSNR)和结构相似性(StructuralSimilarity Index,SSIM)来衡量对比TCGI、CSDGI、HSCCGI和RSCCGI四种成像方法的图像质量,实验结果如图6所示。通常,PSNR和SSIM越大,图像重构效果越好。同时,本发明实施例绘制了随着采样次数变化,上述四种方法的PSNR和SSIM关系曲线,如图7所示。
从图7可以看出,RSCSCGI方法与TCGI、CSDGI和HSCCGI方法相比,PSNR明显上升。在采样数为3000次(β=0.3)时,本发明实施例提供的方法的PSNR上升到12.3275dB,与采样500次(β=0.05)相比增加了约49.57%;与传统计算鬼成像方法相比,本发明实施例提供的方法的PSNR有超过9dB的提升。随着采样数的增加,图像结构相似性SSIM逐渐上升,但CSDGI和HSCCGI的曲线较为平坦,而RSCCGI算法在采样次数低于1000(β=0.1)时的成像效果略差,但当采样次数高于1000(β>0.1)时,图像质量高效明显优于其他算法。
图8为本发明实施例提供的一种基于区域分割的压缩计算鬼成像***的结构框图,如图8所示,该***可以包括:获取模块801、区域分割模块802、关联计算模块803以及拼接模块804。其中,
获取模块801用于获取待测对象的第一重构图像,所述第一重构图像为经过预设次数采样重构后得到的。区域分割模块802用于对所述第一重构图像进行区域分割,得到感兴趣区域ROI区域和不感兴趣区域N-ROI区域。关联计算模块803用于分别对所述ROI区域和所述N-ROI区域进行二阶关联计算。拼接模块804用于将经二阶关联计算后的所述ROI区域和经二阶关联计算后的所述N-ROI区域进行拼接,得到所述待测对象的第二重构图像。
本发明实施例提供的一种基于区域分割的压缩计算鬼成像***,通过对现有鬼成像技术得到的第一重构图像进行区域分割,得到成像效果好的ROI区域和成像效果差的N-ROI区域,并根据两者对应的区域得到对应的随机散斑,再分别根据两者的随机散斑对ROI区域和N-ROI区域结合压缩感知技术和二阶关联算法对两者进行重构,将两者的重构图进行拼接得到第二重构图像,由于去除了ROI区域对应区域的N-ROI区域重构过程中光强变化小,使得第二重构图像局部微小区域成像质量好。
进一步地,所述区域分割模块具体用于:
对所述第一重构图像进行区域分割,得到所述ROI区域;
将所述第一重构图像中所述ROI区域对应的区域的像素值设置为0,得到所述N-ROI区域。
进一步地,所述关联计算模块具体用于:
获取对应于所述ROI区域的第一随机散斑和对应于所述N-ROI区域第二随机散斑;
基于所述第一随机散斑对所述ROI区域进行二阶关联计算,基于所述第二随机散斑对所述N-ROI区域进行二阶关联计算。
图9为本发明实施例提供的电子设备的实体结构示意图,如图9所示,该电子设备可以包括:处理器(processor)910、通信接口(Communications Interface)920、存储器(memory)930和通信总线940,其中,处理器910,通信接口920,存储器930通过通信总线940完成相互间的通信。处理器910可以调用存储在存储器930上并可在处理器910上运行的计算机程序,以执行上述各方法实施例所提供的网络拓扑探测方法,例如包括:获取待测对象的第一重构图像,所述第一重构图像为经过预设次数采样重构后得到的;对所述第一重构图像进行区域分割,得到感兴趣区域ROI区域和不感兴趣区域N-ROI区域;分别对所述ROI区域和所述N-ROI区域进行二阶关联计算;将经二阶关联计算后的所述ROI区域和经二阶关联计算后的所述N-ROI区域进行拼接,得到所述待测对象的第二重构图像。
此外,上述的存储器930中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例提供的网络拓扑探测方法,例如包括:获取待测对象的第一重构图像,所述第一重构图像为经过预设次数采样重构后得到的;对所述第一重构图像进行区域分割,得到感兴趣区域ROI区域和不感兴趣区域N-ROI区域;分别对所述ROI区域和所述N-ROI区域进行二阶关联计算;将经二阶关联计算后的所述ROI区域和经二阶关联计算后的所述N-ROI区域进行拼接,得到所述待测对象的第二重构图像。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于区域分割的压缩计算鬼成像方法,其特征在于,包括:
获取待测对象的第一重构图像,所述第一重构图像为经过预设次数采样重构后得到的;
对所述第一重构图像进行区域分割,得到感兴趣区域ROI区域和不感兴趣区域N-ROI区域;
分别对所述ROI区域和所述N-ROI区域进行二阶关联计算;
将经二阶关联计算后的所述ROI区域和经二阶关联计算后的所述N-ROI区域进行拼接,得到所述待测对象的第二重构图像。
2.根据权利要求1所述的方法,其特征在于,所述获取待测对象的第一重构图像,具体包括:
利用预设像素尺寸的散斑图像,对所述待测对象进项所述预设次数的采样;
基于所述预设次数的采样结果和压缩计算鬼成像CCGI算法,得出所述第一重构图像。
3.根据权利要求1所述的方法,其特征在于,对所述第一重构图像进行区域分割,得到感兴趣区域ROI区域和不感兴趣区域N-ROI区域,具体包括:
对所述第一重构图像进行区域分割,得到所述ROI区域;
将所述第一重构图像中所述ROI区域对应的区域的像素值设置为0,得到所述N-ROI区域。
4.根据权利要求3所述的方法,其特征在于,所述分别对所述ROI区域和所述N-ROI区域进行二阶关联计算,具体包括:
获取对应于所述ROI区域的第一随机散斑和对应于所述N-ROI区域第二随机散斑;
基于所述第一随机散斑对所述ROI区域进行二阶关联计算,基于所述第二随机散斑对所述N-ROI区域进行二阶关联计算。
5.根据权利要求1所述的方法,其特征在于,所述将经二阶关联计算后的所述ROI区域和经二阶关联计算后的所述N-ROI区域进行拼接,得到所述待测对象的第二重构图像,具体包括:
基于所述ROI区域和所述N-ROI区域在所述第一重构图像中的位置信息,将经二阶关联计算后的所述ROI区域和经二阶关联计算后的所述N-ROI区域进行拼接,得到所述待测对象的第二重构图像。
6.一种基于区域分割的压缩计算鬼成像***,其特征在于,包括:
获取模块,用于获取待测对象的第一重构图像,所述第一重构图像为经过预设次数采样重构后得到的;
区域分割模块,用于对所述第一重构图像进行区域分割,得到感兴趣区域ROI区域和不感兴趣区域N-ROI区域;
关联计算模块,用于分别对所述ROI区域和所述N-ROI区域进行二阶关联计算;
拼接模块,用于将经二阶关联计算后的所述ROI区域和经二阶关联计算后的所述N-ROI区域进行拼接,得到所述待测对象的第二重构图像。
7.根据权利要求6所述的***,其特征在于,所述区域分割模块具体用于:
对所述第一重构图像进行区域分割,得到所述ROI区域;
将所述第一重构图像中所述ROI区域对应的区域的像素值设置为0,得到所述N-ROI区域。
8.根据权利要求6所述的***,其特征在于,所述关联计算模块具体用于:
获取对应于所述ROI区域的第一随机散斑和对应于所述N-ROI区域第二随机散斑;
基于所述第一随机散斑对所述ROI区域进行二阶关联计算,基于所述第二随机散斑对所述N-ROI区域进行二阶关联计算。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至5任一项所述基于区域分割的压缩计算鬼成像方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至5任一项所述基于区域分割的压缩计算鬼成像方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910968414.6A CN110807779A (zh) | 2019-10-12 | 2019-10-12 | 一种基于区域分割的压缩计算鬼成像方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910968414.6A CN110807779A (zh) | 2019-10-12 | 2019-10-12 | 一种基于区域分割的压缩计算鬼成像方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110807779A true CN110807779A (zh) | 2020-02-18 |
Family
ID=69488286
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910968414.6A Pending CN110807779A (zh) | 2019-10-12 | 2019-10-12 | 一种基于区域分割的压缩计算鬼成像方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110807779A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111476747A (zh) * | 2020-03-31 | 2020-07-31 | 深圳奥比中光科技有限公司 | 一种消除屏下成像中鬼像的***及方法 |
CN111551955A (zh) * | 2020-06-22 | 2020-08-18 | 北京理工大学 | 一种仿生分块鬼成像方法及*** |
CN111968143A (zh) * | 2020-07-22 | 2020-11-20 | 中国人民解放军国防科技大学 | 基于关联成像的边缘图像提取方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104933745A (zh) * | 2015-06-26 | 2015-09-23 | 南京理工大学 | 基于分形插值的提高图像分辨率的关联成像方法 |
CN105023247A (zh) * | 2015-06-24 | 2015-11-04 | 南京理工大学 | 抑制单臂鬼成像离焦模糊的二次成像方法 |
US20180144477A1 (en) * | 2016-06-15 | 2018-05-24 | Beijing Sensetime Technology Development Co.,Ltd | Methods and apparatuses, and computing devices for segmenting object |
CN110111361A (zh) * | 2019-04-22 | 2019-08-09 | 湖北工业大学 | 一种基于多阈值自优化背景建模的运动目标检测方法 |
-
2019
- 2019-10-12 CN CN201910968414.6A patent/CN110807779A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105023247A (zh) * | 2015-06-24 | 2015-11-04 | 南京理工大学 | 抑制单臂鬼成像离焦模糊的二次成像方法 |
CN104933745A (zh) * | 2015-06-26 | 2015-09-23 | 南京理工大学 | 基于分形插值的提高图像分辨率的关联成像方法 |
US20180144477A1 (en) * | 2016-06-15 | 2018-05-24 | Beijing Sensetime Technology Development Co.,Ltd | Methods and apparatuses, and computing devices for segmenting object |
CN110111361A (zh) * | 2019-04-22 | 2019-08-09 | 湖北工业大学 | 一种基于多阈值自优化背景建模的运动目标检测方法 |
Non-Patent Citations (1)
Title |
---|
周成,黄贺艳,刘 兵,宋立军: "基于混合散斑图的压缩计算鬼成像方法研究", 《光学学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111476747A (zh) * | 2020-03-31 | 2020-07-31 | 深圳奥比中光科技有限公司 | 一种消除屏下成像中鬼像的***及方法 |
CN111551955A (zh) * | 2020-06-22 | 2020-08-18 | 北京理工大学 | 一种仿生分块鬼成像方法及*** |
CN111968143A (zh) * | 2020-07-22 | 2020-11-20 | 中国人民解放军国防科技大学 | 基于关联成像的边缘图像提取方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Artusi et al. | A survey of specularity removal methods | |
CN110807779A (zh) | 一种基于区域分割的压缩计算鬼成像方法及*** | |
CN110702034A (zh) | 高反光表面三维面形测量方法、服务器及*** | |
Mandal et al. | Noise adaptive super-resolution from single image via non-local mean and sparse representation | |
Nnolim | An adaptive RGB colour enhancement formulation for logarithmic image processing-based algorithms | |
Chen et al. | Discrete cosine single-pixel microscopic compressive imaging via fast binary modulation | |
US20240021021A1 (en) | Light source spectrum and multispectral reflectivity image acquisition methods and apparatuses, and electronic device | |
Bai et al. | Deep absolute phase recovery from single-frequency phase map for handheld 3D measurement | |
Iwasokun et al. | Image enhancement methods: a review | |
Suresh et al. | PMENet: phase map enhancement for Fourier transform profilometry using deep learning | |
KR20230039520A (ko) | 영상 처리 방법, 장치, 기록 매체 및 전자 장치 | |
Nguyen et al. | Learning-based 3D imaging from single structured-light image | |
Mondal et al. | Single image haze removal using contrast limited adaptive histogram equalization based multiscale fusion technique | |
Lin et al. | Automatic optimal projected light intensity control for digital fringe projection technique | |
Agrawal et al. | A joint cumulative distribution function and gradient fusion based method for dehazing of long shot hazy images | |
Liu et al. | A novel 3D scanning technique for reflective metal surface based on HDR-like image from pseudo exposure image fusion method | |
KR102559691B1 (ko) | 뉴럴 렌더링 기반 형상 색상 통합 3d 메시 복원 방법 및 장치 | |
KR102508384B1 (ko) | 공간 가변적 정규화에 기반한 ToF 카메라 초해상도 영상 복원 방법 및 장치 | |
CN116645466A (zh) | 一种三维重建方法及电子设备、存储介质 | |
WO2019238583A1 (en) | Deflectometric techniques | |
Li et al. | Three-dimensional measurement for specular reflection surface based on deep learning and phase measuring profilometry | |
Lyu et al. | An iterative high dynamic range image processing approach adapted to overexposure 3D scene | |
Persch et al. | Physically inspired depth-from-defocus | |
CN109934777A (zh) | 图像局部不变特征提取方法、装置、计算机设备及存储介质 | |
Savino et al. | Bleed-through cancellation in non-rigidly misaligned recto–verso archival manuscripts based on local registration |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200218 |
|
RJ01 | Rejection of invention patent application after publication |