CN113066143B - 分布式量子成像方法、装置、***及计算机可读存储介质 - Google Patents

分布式量子成像方法、装置、***及计算机可读存储介质 Download PDF

Info

Publication number
CN113066143B
CN113066143B CN202110217547.7A CN202110217547A CN113066143B CN 113066143 B CN113066143 B CN 113066143B CN 202110217547 A CN202110217547 A CN 202110217547A CN 113066143 B CN113066143 B CN 113066143B
Authority
CN
China
Prior art keywords
measured
matrix
information
laser
quantum imaging
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.)
Active
Application number
CN202110217547.7A
Other languages
English (en)
Other versions
CN113066143A (zh
Inventor
崔星辰
史宏志
葛沅
张英杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Yingxin Computer Technology Co Ltd
Original Assignee
Shandong Yingxin Computer Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong Yingxin Computer Technology Co Ltd filed Critical Shandong Yingxin Computer Technology Co Ltd
Priority to CN202110217547.7A priority Critical patent/CN113066143B/zh
Publication of CN113066143A publication Critical patent/CN113066143A/zh
Priority to US18/270,236 priority patent/US20240112310A1/en
Priority to PCT/CN2022/074607 priority patent/WO2022179386A1/zh
Application granted granted Critical
Publication of CN113066143B publication Critical patent/CN113066143B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
    • G06N10/60—Quantum algorithms, e.g. based on quantum optimisation, quantum Fourier or Hadamard transforms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Pure & Applied Mathematics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Photometry And Measurement Of Optical Pulse Characteristics (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本申请公开了一种分布式量子成像方法、装置、***及计算机可读存储介质。其中，分布式量子成像***包括多个放置在空间不同位置的激光器、多个空间光调制器、探测器和成像处理器；每个激光器唯一对应一个空间光调制器。各空间光调制器用于在每一次测量过程中对相应激光器产生的光场参数进行调制，并将调制光信号投射至待测物；探测器用于采集各激光器输出光信号经过待测物的透射光，并将透射光转化为相应测量电信号发送至成像处理器；成像处理器用于利用压缩感知算法，基于多次测量过程的光场信息构建的传感矩阵和测量电信号重构得到待测物信息。本申请可有效提升量子成像效率和量子成像分辨率。

Description

分布式量子成像方法、装置、***及计算机可读存储介质
技术领域
本申请涉及计算机技术领域，特别是涉及一种分布式量子成像方法、装置、***及计算机可读存储介质。
背景技术
量子成像是基于量子涨落的非局域成像技术，亦称为“鬼成像”(Ghost Imaging)，与传统成像技术相比，其具有成像速度快、抗干扰能力强等优势，被广泛应用在医疗成像、遥感成像等领域。
传统的信号压缩和重建需要遵循Nyquist-Shannon采样定理，即采样率必须至少为信号最高频率的两倍才能保证在重建时不产生失真，这无疑会在信号采样、传输和存储过程中带来越来越大的压力。相关技术通常采用光学关联计算成像算法对量子成像进行图像恢复操作，但是其往往需要大量的采样数据，耗时较长，而且最终成像的分辨率较低。
发明内容
本申请提供了一种分布式量子成像方法、装置、***及计算机可读存储介质，有效提升了量子成像效率和量子成像分辨率。
为解决上述技术问题，本发明实施例提供以下技术方案：
本发明实施例一方面提供了一种分布式量子成像***，包括多个放置在空间不同位置的激光器、多个空间光调制器、探测器和成像处理器；每个激光器唯一对应一个空间光调制器；
各空间光调制器用于在每一次测量过程中对相应激光器产生的光场参数进行调制，并将调制光信号投射至待测物；
所述探测器用于采集各激光器输出光信号经过所述待测物的透射光，并将所述透射光转化为相应测量电信号发送至所述成像处理器；
所述成像处理器用于利用压缩感知算法，基于多次测量过程的光场信息构建的传感矩阵和所述测量电信号重构得到所述待测物信息。
可选的，所述探测器为桶探测器。
本发明实施例另一方面提供了一种分布式量子成像方法，包括：
获取每一次测量过程中各激光器在相应空间光调制器进行参数调制后所产生的光场信息；
根据探测器在每次测量过程中所采集的各激光器输出光信号经过待测物后的透射光信息，得到测量电信号；
根据各激光器的光场信息生成传感矩阵；
基于所述传感矩阵和所述测量电信号，利用压缩感知算法重构得到所述待测物信息。
可选的，所述基于所述传感矩阵和所述测量电信号，利用压缩感知算法重构得到所述待测物信息包括：
预先构建量子成像关系式，所述量子成像关系式为y＝Φx；
式中：Φ∈Rm*N，y∈Rm，
Figure BDA0002954443760000021
y为测量电信号矩阵，Φ为传感矩阵，x为所述待测物信息，R为实数集合，m为测量总次数，Rm为m维的实数向量，Rm*N为m*N维的实数矩阵，Im为第m次测量过程中由各激光器的光场信息构成为n*n矩阵，n为矩阵Im的维度，N＝n2；
基于所述传感矩阵和所述测量电信号，利用所述量子成像关系式计算得到所述待测物信息x。
可选的，所述传感矩阵的每一行为当次测量过程中所有激光器所产生的光场信息的均值。
可选的，所述测量电信号矩阵的各元素为每次测量过程中所述测量电信号和激光器总数值的比值。
可选的，所述基于所述传感矩阵和所述测量电信号，利用压缩感知算法重构得到所述待测物信息包括：
预先设置正交匹配追踪算法的迭代条件，所述迭代条件为若当前残差小于预设最小残差，结束迭代；若当前残差不小于预设最小残差，继续迭代计算；
基于所述传感矩阵和所述测量电信号，利用正交匹配追踪算法计算得到所述待测物信息。
可选的，所述待测物信息根据重构关系式计算得到，所述重构关系式为：
x'＝(ΦTΦ+αE)-1ΦTy；
式中，x'为所述待测物信息的近似值，Φ为所述传感矩阵，ΦT为Φ的转置矩阵，α为正则化参数，E为单位矩阵，y为所述测量电信号。
本发明实施例还提供了一种分布式量子成像装置，包括：
光数据采集模块，用于获取每一次测量过程中各激光器在相应空间光调制器进行参数调制后所产生的光场信息；
测量数据采样模块，用于根据探测器在每次测量过程中所采集的各激光器输出光信号经过待测物后的透射光信息，得到测量电信号；
信号重构模块，用于根据各激光器的光场信息生成传感矩阵，基于所述传感矩阵和所述测量电信号，利用压缩感知算法重构得到所述待测物信息。
本发明实施例最后还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有分布式量子成像程序，所述分布式量子成像程序被处理器执行时实现如前任一项所述分布式量子成像方法的步骤。
本申请提供的技术方案的优点在于，在数据采样阶段采用分布式激光光源对待测物体信息进行采样，在进行后续图像恢复算法之前，根据已收集数据得到测量电信号和传感矩阵，初步减少误差，提高最终成像分辨率；压缩感知理论以信号的稀疏性或可压缩性为前提，可将信号的采样和压缩进一步完成，避免了传统采样压缩的资源浪费，利用少量的采样值就能精确地恢复原信号，提高重构图像的效率，从而提升量子成像效率；因为压缩感知恢复算法的图片恢复效果较传统量子成像要好，因此也可以提高最终成像的分辨率，进一步提高最终图像的质量。
此外，本发明实施例还针对分布式量子成像***提供了相应的方法、实现装置及计算机可读存储介质，进一步使得所述***更具有可行性性，所述方法、装置及计算机可读存储介质具有相应的优点。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。
附图说明
为了更清楚的说明本发明实施例或相关技术的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单的介绍，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个示例性应用场景的框架示意图；
图2为本发明实施例提供的分布式量子成像***的一种具体实施方式结构图；
图3为本发明实施例提供的一种分布式量子成像方法的流程示意图；
图4为本发明实施例提供的分布式量子成像装置的一种具体实施方式结构图；
图5为本发明实施例提供的分布式量子成像装置的另一种具体实施方式结构图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。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。基于本发明中的实施例，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，都属于本发明保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等是用于区别不同的对象，而不是用于描述特定的顺序。此外术语“包括”和“具有”以及他们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、***、产品或设备没有限定于已列出的步骤或单元，而是可包括没有列出的步骤或单元。
经典量子成像***结构请参阅图1所示，也可以看为是传统量子成像采样原理，首先由激光器11发射出激光，再经过空间光调制器12，产生赝热光源，由于空间光调制器12可以设置光场的分布，因此，不需要进行光场信息的测量。桶探测器14没有空间光分辨功能，其作用为收集通过被测物体13的光。然后通过已知的光场信息和桶探测器收集到的信息，进行关联计算来恢复被测物体的信息。其关联计算公式可如下表示：
Figure BDA0002954443760000051
式中，T(x0,y0)为通过光学关联计算后物体的信息，x0,y0为像素点坐标值，M为测量总次数；Bm为第m次测量的光强总值，其为桶探测器收集的数据；Im(x0,y0)为第m次测量光源的场强信息；＜Bm＞为第m次测量测量光强平均值。
但是，采用光学关联计算成像算法需要大量的采样数据，耗时较长，而且最终成像的分辨率较低。由于量子成像可以实现在压缩采样条件下的单像素成像，因此，除了光学关联计算外还可以利用压缩感知的恢复算法，对其进行图像恢复处理。压缩感知理论以信号的稀疏性或可压缩性为前提，将信号的采样和压缩进一步完成，避免了传统采样压缩的资源浪费，利用少量的采样值就能精确地恢复原信号，并且已经得到广泛的应用。
鉴于此，本申请基于压缩感知恢复算法进行分布式量子成像，用压缩感知恢复算法替换传统的光学关联计算成像算法，以此来减少采样时所需的数据量，最终达到减少耗时的目的，又因为压缩感知恢复算法的图片恢复效果较传统量子成像要好，因此也可以提高最终成像的分辨率。
在介绍了本发明实施例的技术方案后，下面详细的说明本申请的各种非限制性实施方式。
首先参见图2，图2为本发明实施例提供的分布式量子成像***在一种实施方式下的结构框架图，本发明实施例可包括以下内容：
一种分布式量子成像***可包括多个放置在空间不同位置的激光器21、多个空间光调制器22、探测器24和成像处理器25，每个激光器21唯一对应一个空间光调制器22，也即一个空间光调制器22对一个激光器21的光场参数如振幅或频率或位置进行调制。本***采用空间分布式的激光光源对物体进行照射，激光器21的总个数以及在空间中放置的位置可根据实际应用场景进行选择，这均不影响本申请的实现，为了便于描述，图2只画出3个激光器。空间光调制器是指在主动控制下，它可以通过液晶分子调制光场的某个参量，例如通过调制光场的振幅，通过折射率调制相位，通过偏振面的旋转调制偏振态，或是实现非相干-相干光的转换，从而将一定的信息写入光波中，达到光波调制的目的。
本申请中的各空间光调制器22用于在每一次测量过程中对相应激光器21产生的光场参数进行调制，并将调制光信号投射至待测物23，待测物23即为待成像的物体，待测物23例如可为二维图像。为了重构得到待测物23信息，本申请会进行多次采样，每一次采样即为一次测量过程，可预先设置需要测量的次数以及每次测量过程中如何对激光器21产生的光场参数进行调制。探测器24用于采集各激光器输出光信号经过待测物23的透射光，并将透射光转化为相应测量电信号发送至成像处理器25。为了尽可能多的采集被测物的透射光信号，探测器24可采用桶探测器。成像处理器25可用于利用压缩感知算法，基于多次测量过程的光场信息构建的传感矩阵和测量电信号重构得到待测物信息。本实施例的测量电信号包括探测器24在每次测量过程中所采用的测量数据。
本实施例示出的分布式量子成像***的工作流程为：
在第一次测量过程中，每个激光器21发射出激光，再经过相应空间光调制器22产生赝热光源，并将光信号透射在待测物23上。探测器24采集通过被测物23的光数据，然后转化为成像处理器25可识别格式的数据发送至成像处理器25中，作为当前测量过程的测量电信号，空间光调制器22会将当前测量过程中每个激光器产生的光场信息发送给成像处理器25，然后结束本次测量过程，并开启第二次测量过程，根据需求采用空间光调制器改变激光光源的光场分布情况，按照上述流程采用第二次测量过程中的测量电信号以及各激光光源产生的光场信息，重复测量，直至完成最后一次测量。成像控制器25基于多次测量过程的光场信息构建的传感矩阵和各测量电信号重构恢复得到待测物信息。
在本发明实施例提供的技术方案中，在数据采样阶段采用分布式激光光源对待测物体信息进行采样，在进行后续图像恢复算法之前，根据已收集数据得到测量电信号和传感矩阵，初步减少误差，提高最终成像分辨率；压缩感知理论以信号的稀疏性或可压缩性为前提，可将信号的采样和压缩进一步完成，避免了传统采样压缩的资源浪费，利用少量的采样值就能精确地恢复原信号，提高重构图像的效率，从而提升量子成像效率；因为压缩感知恢复算法的图片恢复效果较传统量子成像要好，因此也可以提高最终成像的分辨率，进一步提高最终图像的质量。
基于上述分布式量子成像***，本申请还提供了一种分布式量子成像方法，请参见图3，图3为本发明实施例提供的一种分布式量子成像方法的流程示意图，本发明实施例可包括以下内容：
S301：获取每一次测量过程中各激光器在相应空间光调制器进行参数调制后所产生的光场信息。
S302：根据探测器在每次测量过程中所采集的各激光器输出光信号经过待测物后的透射光信息，得到测量电信号。
S303：根据各激光器的光场信息生成传感矩阵。
S304：基于传感矩阵和测量电信号，利用压缩感知算法重构得到待测物信息。
本发明实施例所述分布式量子成像方法的各步骤的具体实现可参阅上述分布式量子成像***中各功能模块的功能的具体实现过程所记载的相关描述，此处不再赘述。
由上可知，本发明实施例可有效提升了量子成像效率和成像分辨率。
需要说明的是，本申请中各步骤之间没有严格的先后执行顺序，只要符合逻辑上的顺序，则这些步骤可以同时执行，也可按照某种预设顺序执行，图3只是一种示意方式，并不代表只能是这样的执行顺序。
在上述实施例中，对于如何执行S304并不做，本实施例还给出一种被测物信息的恢复方式，可包括下述内容：
预先构建量子成像关系式作为分布式量子成像***的数学模型，量子成像关系式可表示为y＝Φx；
基于传感矩阵和测量电信号，利用量子成像关系式计算得到待测物信息x。
式中：Φ∈Rm*N，y∈Rm，
Figure BDA0002954443760000081
y为测量电信号矩阵，Φ为传感矩阵，x为待测物信息，R为实数集合，m为测量总次数，Rm为m维的实数向量，Rm*N为m*N维的实数矩阵，Im为第m次测量过程中由各激光器的光场信息构成为n*n矩阵，n为矩阵Im的维度，N＝n2。假设第i个激光器产生的光场信息Ii表示为一个n*n的矩阵，i＝1，2，…，I，I为激光器总个数，那么在一次采样时，可以将Ii看作是一个1*n2的行向量，然后与物体进行矩阵的运算，因此传感矩阵Φ的第m行即为第m次测量时的光场信息的行向量表示。
在本实施例的一种实施方式中，传感矩阵Φ的每一行为当次测量过程中所有激光器所产生的光场信息的均值。也即将I个光场信息做平均值计算，作为传感矩阵Φ的一行。在本实施例的另一种实施方式中，测量电信号矩阵的各元素为每次测量过程中测量电信号和激光器总数值的比值。也即将探测器接收到的测量值对I做平均值作为测量值y的一个元素。通过多个角度的测量取均值，从而可减小误差，提高成像精度。
作为一种可选的实施方式，本实施例可采用改进后的OMP算法(OrthogonalMatching Pursuit，正交匹配追踪)计算待测物信息，其效率和精度优于传统的OMP重构算法。
传统的OMP重构算法恢复过程如下：其在获取原始信号的采样向量y之后，首先需要根据先验条件或者经验值，预估其稀疏度K，然后以K为迭代终止条件，迭代K次，以恢复原始图像的信息。该传统方法存在三个弊端，首先，预估的稀疏度K会引入误差；其次，若K的值很大，会使得迭代过程消耗时间过长，极大的影响压缩感知过程的效率；最后，传统OMP在重构过程中，使用最小二乘法进行数据的运算，因为最小二乘法本身的弊端，导致计算过程较为缓慢，导致整个压缩感知过程的效率低下。
针对上述问题，本实施例对OMP重构算法进行改进以提升恢复算法的精度和效率，进而提升整个压缩感知过程的精度和效率，本实施例可包括下述内容：
预先设置正交匹配追踪算法的迭代条件，迭代条件为若当前残差小于预设最小残差，结束迭代；若当前残差不小于预设最小残差，继续迭代计算；
基于传感矩阵和测量电信号，利用正交匹配追踪算法计算得到待测物信息。
在本实施例中，已知y＝Φx，y为采样向量，Φ为感知矩阵，x为原始信号。且Φ∈Rm *N，y∈Rm因此从线性代数上可知，x解不唯一。对于解不唯一的情况，需要增加一些限制，缩小解的范围，以此来获得唯一解。
最小二乘法可用于求解线性方程组，因此其应用于OMP算法中。即求解x'＝argmin||y-Φx||2＝Φ+·y，其中Φ+＝(ΦT·Φ)-1·ΦT。通过Tikhonov正则化，对传统的最小二乘法进行改进，使得x'＝(ΦTΦ+αE)-1ΦTy。结合本申请所应用的分布式量子成像***，待测物信息可根据重构关系式计算得到，重构关系式为x'＝(ΦTΦ+αE)-1ΦTy；
式中，x'为待测物信息的近似值，Φ为传感矩阵，ΦT为Φ的转置矩阵，α为正则化参数，E为单位矩阵，y为测量电信号。
通过引入上述正交化改进，可以替换原有最小二乘算法，进而提升运算效率。然后，可通过改变迭代条件，将传统OMP算法的迭代K次改为当残差小于一定阈值时，即可结束迭代，本实施例通过更改迭代条件，排除稀疏度K对迭代次数和精度的影响，以此来解决预估K参数而引入的误差和K参数过大导致的迭代时间较长问题。此恢复算法可以在保证信号恢复精度的同时，提高重构算法的速度，从而提升整个压缩感知过程的效率。又因为不需要预估原始信号的稀疏度K，因此也提升了压缩感知的精度，进而可以提高整个分布式量子成像***的效率和精度。
在本实施例中，采用改进的OMP重构算法对原始信号进行重构的具体实施过程如下：
输入：传感矩阵Φ，采样向量y，y＝Φx，最小残差ε，正则化参数α>0；
初始化：残差r初始值r0＝y，索引集
Figure BDA0002954443760000111
t＝1，t为迭代次数；
输出：x的k稀疏逼近值x'
迭代终止标志：r≤ε
步骤1：找出残差r和传感矩阵Φ的列Φj最大值对应的脚标λ，λt＝argmax|<rt-1，Φj>|；
步骤2：更新索引：Λt＝Λt-1∪{λt}，记录找到的传感矩阵的重建原子集合
Figure BDA0002954443760000112
步骤3：根据x'＝(ΦTΦ+αE)-1ΦTy获取x的近似值x'；
步骤4：更新残差值rt＝y-Φtx't，t＝t+1；
步骤5：判断rt是否小于等于ε，若是则停止迭代，若否，则继续执行步骤1；
步骤6：输出根据重构算法重构计算所得的信号数据，即得到待测物信息。
由上可知，本发明实施例通过对量子成像采样***的改进，减小了采样误差；在图像恢复算法层面，采用压缩感知的重构算法的改进算法，既替换了经典OMP算法中耗时最多的最小二乘算法，又排除了可能稀疏度K较大而引起的迭代次数较多的问题，进而提高了重构算法的效率，从而提升整个压缩感知过程的效率。又因为本实施例不会用到稀疏度数值K，因此可以排除预估K时引入的误差，进而提高压缩感知过程的精度。通过采样和恢复算法的改进，使得整个量子成像效率和量子成像质量对比传统量子成像均有所提高。
本发明实施例还针对分布式量子成像方法提供了相应的装置，进一步使得所述方法更具有实用性。其中，装置可从功能模块的角度和硬件的角度分别说明。下面对本发明实施例提供的分布式量子成像装置进行介绍，下文描述的分布式量子成像装置与上文描述的分布式量子成像方法可相互对应参照。
基于功能模块的角度，参见图4，图4为本发明实施例提供的分布式量子成像装置在一种具体实施方式下的结构图，该装置可包括：
光数据采集模块401，用于获取每一次测量过程中各激光器在相应空间光调制器进行参数调制后所产生的光场信息；
测量数据采样模块402，用于根据探测器在每次测量过程中所采集的各激光器输出光信号经过待测物后的透射光信息，得到测量电信号；
信号重构模块403，用于根据各激光器的光场信息生成传感矩阵，基于传感矩阵和测量电信号，利用压缩感知算法重构得到待测物信息。
可选的，在本实施例的一些实施方式中，上述信号重构模块403可进一步用于：
预先构建量子成像关系式，量子成像关系式为y＝Φx；
式中：Φ∈Rm*N，y∈Rm，
Figure BDA0002954443760000121
y为测量电信号矩阵，Φ为传感矩阵，x为待测物信息，R为实数集合，Rm为m维的实数向量，Rm*N为m*N维的实数矩阵，m为测量总次数，Im为第m次测量过程中由各激光器的光场信息构成为n*n矩阵，n为矩阵Im的维度，N＝n2；
基于传感矩阵和测量电信号，利用量子成像关系式计算得到待测物信息x。
可选的，在本实施例的另一些实施方式中，上述信号重构模块403还可进一步用于：
预先设置正交匹配追踪算法的迭代条件，迭代条件为若当前残差小于预设最小残差，结束迭代；若当前残差不小于预设最小残差，继续迭代计算；
基于传感矩阵和测量电信号，利用正交匹配追踪算法计算得到待测物信息。
作为本实施例的一些其他实施方式，上述信号重构模块403还可进一步用于：
根据重构关系式计算得到待测物信息，重构关系式为：
x'＝(ΦTΦ+αE)-1ΦTy；
式中，x'为待测物信息的近似值，Φ为传感矩阵，ΦT为Φ的转置矩阵，α为正则化参数，E为单位矩阵，y为测量电信号。
本发明实施例所述分布式量子成像装置的各功能模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。
由上可知，本发明实施例可有效提升了量子成像效率和成像分辨率。
上文中提到的分布式量子成像装置是从功能模块的角度描述，进一步的，本申请还提供一种分布式量子成像装置，是从硬件角度描述。图5为本申请实施例提供的另一种分布式量子成像装置的结构图。如图5所示，该装置包括存储器50，用于存储计算机程序；
处理器51，用于执行计算机程序时实现如上述任一实施例提到的分布式量子成像方法的步骤。
其中，处理器51可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器51可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器51也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central ProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器51可以在集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器51还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。
存储器50可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器50还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。本实施例中，存储器50至少用于存储以下计算机程序501，其中，该计算机程序被处理器51加载并执行之后，能够实现前述任一实施例公开的分布式量子成像方法的相关步骤。另外，存储器50所存储的资源还可以包括操作***502和数据503等，存储方式可以是短暂存储或者永久存储。其中，操作***502可以包括Windows、Unix、Linux等。数据503可以包括但不限于分布式量子成像结果对应的数据等。
在一些实施例中，分布式量子成像装置还可包括有显示屏52、输入输出接口53、通信接口54、电源55以及通信总线56。
本领域技术人员可以理解，图5中示出的结构并不构成对分布式量子成像装置的限定，可以包括比图示更多或更少的组件，例如还可包括传感器57。
本发明实施例所述分布式量子成像装置的各功能模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。
由上可知，本发明实施例可有效提升了量子成像效率和成像分辨率。
可以理解的是，如果上述实施例中的分布式量子成像方法以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，本申请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全部或部分可以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，执行本申请各个实施例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(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、磁碟或者光盘等各种可以存储程序代码的介质。
基于此，本发明实施例还提供了一种计算机可读存储介质，存储有分布式量子成像程序，所述分布式量子成像程序被处理器执行时如上任意一实施例所述分布式量子成像方法的步骤。
本发明实施例所述计算机可读存储介质的各功能模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。
由上可知，本发明实施例可有效提升了量子成像效率和成像分辨率。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
以上对本申请所提供的一种分布式量子成像方法、装置、***及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。

Claims (8)

1.一种分布式量子成像***，其特征在于，包括多个放置在空间不同位置的激光器、多个空间光调制器、探测器和成像处理器；每个激光器唯一对应一个空间光调制器；
各空间光调制器用于在每一次测量过程中对相应激光器产生的光场参数进行调制，并将调制光信号投射至待测物；
所述探测器用于采集各激光器输出光信号经过所述待测物的透射光，并将所述透射光转化为相应测量电信号发送至所述成像处理器；
所述成像处理器用于利用压缩感知算法，基于多次测量过程的光场信息构建的传感矩阵和所述测量电信号重构得到所述待测物信息；
其中，所述传感矩阵的每一行为当次测量过程中所有激光器所产生的光场信息的均值；测量电信号矩阵的各元素为每次测量过程中所述测量电信号和激光器总数值的比值。
2.根据权利要求1所述的分布式量子成像***，其特征在于，所述探测器为桶探测器。
3.一种分布式量子成像方法，其特征在于，包括：
获取每一次测量过程中各激光器在相应空间光调制器进行参数调制后所产生的光场信息；
根据探测器在每次测量过程中所采集的各激光器输出光信号经过待测物后的透射光信息，得到测量电信号；
根据各激光器的光场信息生成传感矩阵；
基于所述传感矩阵和所述测量电信号，利用压缩感知算法重构得到所述待测物信息；
其中，各激光器放置在空间不同位置，且每个激光器唯一对应一个空间光调制器；所述传感矩阵的每一行为当次测量过程中所有激光器所产生的光场信息的均值；测量电信号矩阵的各元素为每次测量过程中所述测量电信号和激光器总数值的比值。
4.根据权利要求3所述的分布式量子成像方法，其特征在于，所述基于所述传感矩阵和所述测量电信号，利用压缩感知算法重构得到所述待测物信息包括：
预先构建量子成像关系式，所述量子成像关系式为y＝Φx；
式中：Φ∈Rm*N，y∈Rm，
Figure FDA0004071383930000021
y为测量电信号矩阵，Φ为传感矩阵，x为所述待测物信息，R为实数集合，m为测量总次数，Rm为m维的实数向量，Rm*N为m*N维的实数矩阵，Im为第m次测量过程中由各激光器的光场信息构成为n*n矩阵，n为矩阵Im的维度，N＝n2；
基于所述传感矩阵和所述测量电信号，利用所述量子成像关系式计算得到所述待测物信息x。
5.根据权利要求3或4所述的分布式量子成像方法，其特征在于，所述基于所述传感矩阵和所述测量电信号，利用压缩感知算法重构得到所述待测物信息包括：
预先设置正交匹配追踪算法的迭代条件，所述迭代条件为若当前残差小于预设最小残差，结束迭代；若当前残差不小于预设最小残差，继续迭代计算；
基于所述传感矩阵和所述测量电信号，利用正交匹配追踪算法计算得到所述待测物信息。
6.根据权利要求5所述的分布式量子成像方法，其特征在于，所述待测物信息根据重构关系式计算得到，所述重构关系式为：
x'＝(ΦTΦ+αE)-1ΦTy；
式中，x'为所述待测物信息的近似值，Φ为所述传感矩阵，ΦT为Φ的转置矩阵，α为正则化参数，E为单位矩阵，y为所述测量电信号矩阵。
7.一种分布式量子成像装置，其特征在于，包括：
光数据采集模块，用于获取每一次测量过程中各激光器在相应空间光调制器进行参数调制后所产生的光场信息；各激光器放置在空间不同位置，且每个激光器唯一对应一个空间光调制器；
测量数据采样模块，用于根据探测器在每次测量过程中所采集的各激光器输出光信号经过待测物后的透射光信息，得到测量电信号；
信号重构模块，用于根据各激光器的光场信息生成传感矩阵，基于所述传感矩阵和所述测量电信号，利用压缩感知算法重构得到所述待测物信息；其中，所述传感矩阵的每一行为当次测量过程中所有激光器所产生的光场信息的均值；测量电信号矩阵的各元素为每次测量过程中所述测量电信号和激光器总数值的比值。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有分布式量子成像程序，所述分布式量子成像程序被处理器执行时实现如权利要求3至6任一项所述分布式量子成像方法的步骤。
CN202110217547.7A 2021-02-26 2021-02-26 分布式量子成像方法、装置、***及计算机可读存储介质 Active CN113066143B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202110217547.7A CN113066143B (zh) 2021-02-26 2021-02-26 分布式量子成像方法、装置、***及计算机可读存储介质
US18/270,236 US20240112310A1 (en) 2021-02-26 2022-01-28 Distributed quantum imaging method, apparatus and system, and computer-readable storage medium
PCT/CN2022/074607 WO2022179386A1 (zh) 2021-02-26 2022-01-28 分布式量子成像方法、装置、***及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110217547.7A CN113066143B (zh) 2021-02-26 2021-02-26 分布式量子成像方法、装置、***及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN113066143A CN113066143A (zh) 2021-07-02
CN113066143B true CN113066143B (zh) 2023-03-21

Family

ID=76559078

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110217547.7A Active CN113066143B (zh) 2021-02-26 2021-02-26 分布式量子成像方法、装置、***及计算机可读存储介质

Country Status (3)

Country Link
US (1) US20240112310A1 (zh)
CN (1) CN113066143B (zh)
WO (1) WO2022179386A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113066143B (zh) * 2021-02-26 2023-03-21 山东英信计算机技术有限公司 分布式量子成像方法、装置、***及计算机可读存储介质
CN113848639A (zh) * 2021-09-09 2021-12-28 苏州浪潮智能科技有限公司 一种量子成像方法、***及相关组件
CN117201691B (zh) * 2023-11-02 2024-01-09 湘江实验室 一种基于深度学习的全景扫描关联成像方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101846745A (zh) * 2010-05-07 2010-09-29 浙江大学 基于强关联量子成像原理的激光雷达
CN102087411A (zh) * 2010-12-02 2011-06-08 上海电机学院 量子成像方法及量子成像***
CN106950195A (zh) * 2017-02-24 2017-07-14 西安电子科技大学 基于散射介质的可编程光学元件及光场调控***和方法
CN109520969A (zh) * 2018-10-26 2019-03-26 中国科学院国家空间科学中心 一种基于大气介质自调制的分布式散射成像方法
CN110487427A (zh) * 2019-07-08 2019-11-22 清远市天之衡传感科技有限公司 基于dmd微镜阵列的单光子偏振态量子成像***

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014055293A1 (en) * 2012-10-01 2014-04-10 D-Wave Systems Inc. Quantum processing of functional neural imaging data
CN103363924B (zh) * 2013-07-15 2016-02-03 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
CN108363069A (zh) * 2018-01-18 2018-08-03 中国科学院理化技术研究所 基于分布式半导体激光阵列的关联成像装置及方法
CN108844464B (zh) * 2018-06-22 2020-10-23 西安电子科技大学 基于纠缠双光子信号的压缩感知成像装置和方法
CN110425986B (zh) * 2019-07-17 2020-10-16 北京理工大学 基于单像素传感器的三维计算成像方法及装置
CN111833265A (zh) * 2020-06-15 2020-10-27 北京邮电大学 一种基于组稀疏循环调制的鬼成像图像恢复方案
CN113066143B (zh) * 2021-02-26 2023-03-21 山东英信计算机技术有限公司 分布式量子成像方法、装置、***及计算机可读存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101846745A (zh) * 2010-05-07 2010-09-29 浙江大学 基于强关联量子成像原理的激光雷达
CN102087411A (zh) * 2010-12-02 2011-06-08 上海电机学院 量子成像方法及量子成像***
CN106950195A (zh) * 2017-02-24 2017-07-14 西安电子科技大学 基于散射介质的可编程光学元件及光场调控***和方法
CN109520969A (zh) * 2018-10-26 2019-03-26 中国科学院国家空间科学中心 一种基于大气介质自调制的分布式散射成像方法
CN110487427A (zh) * 2019-07-08 2019-11-22 清远市天之衡传感科技有限公司 基于dmd微镜阵列的单光子偏振态量子成像***

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
光场衍射在压缩感知鬼成像中的研究;陈熠等;《激光与红外》;20161120(第11期);全文 *
关联成像数据采集与处理研究;曹飞;《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》;20200115(第01期);第48-50页 *
基于主被动量子关联成像的超分辨抗干扰探测***研制;李旺等;《导航与控制》;20200205;第19卷(第1期);第35页 *
基于压缩感知理论的稀疏遥感成像***设计;刘吉英等;《***工程与电子技术》;20100815(第08期);全文 *

Also Published As

Publication number Publication date
US20240112310A1 (en) 2024-04-04
CN113066143A (zh) 2021-07-02
WO2022179386A1 (zh) 2022-09-01

Similar Documents

Publication Publication Date Title
CN113066143B (zh) 分布式量子成像方法、装置、***及计算机可读存储介质
Ben Yedder et al. Deep learning for biomedical image reconstruction: A survey
WO2020114329A1 (zh) 磁共振快速参数成像方法及装置
CN107525588A (zh) 一种基于gpu的双相机光谱成像***的快速重构方法
Chen et al. Discrete cosine single-pixel microscopic compressive imaging via fast binary modulation
EP3631512A1 (en) Multipath mitigation for time of flight system
CN108139711B (zh) 数字全息显微术重构中的自动参考
CN113870132A (zh) 计算鬼成像采样过程中的噪声消除方法、***及相关组件
CN109146787A (zh) 一种基于插值的双相机光谱成像***的实时重建方法
CN113365014B (zh) 一种并行压缩感知gpu加速实时成像***与方法
CN111833265A (zh) 一种基于组稀疏循环调制的鬼成像图像恢复方案
Chang et al. Compressed sensing for OMA using full-field vibration images
Guo et al. Compressed ghost edge imaging
Edeler et al. Super-resolution model for a compressed-sensing measurement setup
Beinert et al. Total variation-based reconstruction and phase retrieval for diffraction tomography
He et al. Deep frequency-recurrent priors for inverse imaging reconstruction
Yang et al. High-quality 3D shape recovery from scattering scenario via deep polarization neural networks
Flamant et al. Expansion-maximization-compression algorithm with spherical harmonics for single particle imaging with X-ray lasers
Deniţiu et al. Phase transitions and cosparse tomographic recovery of compound solid bodies from few projections
JP2014203162A (ja) 傾斜角推定装置、ｍｔｆ測定装置、傾斜角推定プログラム及びｍｔｆ測定プログラム
Marcus et al. A lightweight machine learning pipeline for LiDAR-simulation
Chilukuri et al. Analysing Of Image Quality Computation Models Through Convolutional Neural Network
Wang et al. A simple and efficient reconstruction backbone for snapshot compressive imaging
Beinert et al. Total Variation‐Based Reconstruction and Phase Retrieval for Diffraction Tomography with an Arbitrarily Moving Object
Zhong et al. Super-resolution image reconstruction from sparsity regularization and deep residual-learned priors

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