CN114387164A - 一种太赫兹单像素超分辨成像方法和*** - Google Patents

一种太赫兹单像素超分辨成像方法和*** Download PDF

Info

Publication number
CN114387164A
CN114387164A CN202111532798.0A CN202111532798A CN114387164A CN 114387164 A CN114387164 A CN 114387164A CN 202111532798 A CN202111532798 A CN 202111532798A CN 114387164 A CN114387164 A CN 114387164A
Authority
CN
China
Prior art keywords
image
pixel
terahertz
sampling
transform 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.)
Pending
Application number
CN202111532798.0A
Other languages
English (en)
Inventor
鲁远甫
祝永乐
佘荣斌
李光元
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.)
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
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 Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to CN202111532798.0A priority Critical patent/CN114387164A/zh
Publication of CN114387164A publication Critical patent/CN114387164A/zh
Priority to PCT/CN2022/138217 priority patent/WO2023109719A1/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种太赫兹单像素超分辨成像方法和***，属于太赫兹成像领域。本发明通过一个统计方式先验地学习某一类图案需要投影的条纹图案，实现欠采样的太赫兹单像素成像，达到提高成像速度的目的；同时，为了弥补由于采样率不足带来的信息丢失与其他因素带来的干扰噪声，使用图像超分辨网络来实现后期的图像去噪和像素重建，达到高质量的成像效果。

Description

一种太赫兹单像素超分辨成像方法和***
技术领域
本发明属于太赫兹成像领域，更具体地，涉及一种太赫兹单像素超分辨成像方法和***。
背景技术
太赫兹波具有光子能量低、穿透非极性物质等优点，在太赫兹成像、光谱分析和高速通信等方面有着巨大的潜力。其中，太赫兹成像在生物医学、材料探测与安全监测中有重要意义。但由于缺乏合适的材料，太赫兹像素化探测器阵列的研发进度缓慢。目前大多数的多像素太赫兹探测器阵列都是窄带的，或者需要工作在低温制冷环境，大大制约了太赫兹成像技术的实际推广。
目前新型的太赫兹成像技术是太赫兹单像素成像***，它相比面阵型太赫兹成像***不仅节约了硬件成本，而且为太赫兹小型化商用化带来新的可能性。目前太赫兹单像素成像***通过压缩感知、哈达玛基和傅里叶基等方式实现，其中，She等人利用220μm硅基石墨烯调制器和傅里叶条纹实现亚波长太赫兹图像重建，利用图像稀疏特点，用采集低频系数和逆傅里叶变换实现10％调制掩膜下图像重建；Rayko等人利用硅全内反射棱镜和哈达玛掩膜实现近乎实时的太赫兹单像素视频，利用哈达玛域稀疏特点采用欠采样技术减少采样时间。
由于太赫兹波波长的特殊性与单像素成像的局限性，太赫兹单像素成像技术有以下问题有待解决：(1)成像速度慢。由于单像素成像通过调制器发送单个探测器接受若干个掩膜图案的光强，而成像速度取决于调制时间、投影的数量、投影的速度和探测器的响应时间等；在图像分辨率增大的情况下，采样数量增多也会使成像速度变慢。(2)成像质量差：太赫兹波在传输过程中极易受相干光干扰，同时由于硬件热噪声带来的探测误差，极大程度影响了成像的质量。此外，虽然欠采样的方式可以大幅度缩短成像时间，但会导致输出图像的高频信息丢失而恶化图像；而从可观测的角度而言，当采样率低于一定比例时，重建图案会出现严重的失真甚至扭曲，因此采样率不适合低于某一个下限。
发明内容
针对相关技术中的成像速度慢和成像质量差等问题，本发明的目的在于提供一种太赫兹单像素超分辨成像方法和***，通过统计方法先验地学习某一类图案需要投影的条纹图案，实现欠采样的太赫兹单像素成像，达到提高成像速度的目的；同时，为了弥补由于采样率不足带来的信息丢失与其他因素带来的干扰噪声，使用图像超分辨网络来实现后期的图像去噪和像素重建，达到高质量的成像效果。
为实现上述目的，本发明的一个方面提供了一种太赫兹单像素超分辨成像方法，包括以下步骤：
S100.对相似图案的编码位置进行先验学习，提取通过先验学习保存的采样策略，并生成掩膜图案，所述掩膜图案的数量等于像素图像在单像素成像重建的采样次数与采样率的乘积；
S200.基于所述采样策略，选择数据集进行相应处理生成训练集，并将训练集用于初始化残差密集网络；
S300.搭建太赫兹单像素成像***，根据所述采样策略，采用数字微镜阵列加载所述掩膜图案，并通过激光反射到目标图案上；太赫兹波照射到太赫兹调制器，调制目标图案的激光强度，并通过太赫兹探测器周期性地接收太赫兹波，从强度信息中复原出变换域信息并解码获得第一图像；
S400.基于所述第一图像，通过所述残差密集网络重建第二图像。
进一步地，所述步骤S100具体包括以下步骤：
S101.对与采集的目标图案的相似图片进行归类，形成数据集；
S102.对同一类的多张图片进行全采样并保存变换域数据；
S103.采用统计方法，统计该类图像变换域中，模系数强度满足在特定采样率下相应的变换域位置，从而生成该类图像的掩膜图案。
进一步地，所述步骤S102中，变换域上采用傅里叶域逆变换。
进一步地，所述步骤S400具体包括以下步骤：
S401.输入图像通过卷积层提取出浅层信息特征图，然后进入残差密集块；
S402.每个残差密集块将产生相应的特征图，把全部的特征图拼接起来组成一个整体，进行密集特征融合；
S403.通过上采样模块把第一图像上插值至高像素的第二图像并进行重构，恢复成单通道的高清灰度图或三通道高清彩色图。
进一步地，所述第一图像为32×32像素的图像，所述第二图像为64×64像素的图像。
进一步地，所述密集特征融合的过程包括全局特征融合和全局残差学习，首先用融合层把各特征图组合成整体，并通过卷积操作进一步获取深层信息并恢复成64通道的特征图，最后通过残差学习将浅层信息与深层信息相加。
本发明的另一方面还提供了一种太赫兹单像素超分辨成像***，包括：
学习单元，对相似图案的编码位置进行先验学习，提取先验学习保存的采样策略，并生成掩膜图案，所述掩膜图案的数量等于像素图像在单像素成像重建的采样次数与采样率的乘积；
训练单元，选择相应的数据集进行图像缩放，同时基于所述采样策略，选取处理后的图像变换域的相应系数进行逆变换，形成训练集，并将训练集用于初始化残差密集网络；
获取单元，采用数字微镜阵列加载先验学习的掩膜图案，并通过激光反射到目标图案上；太赫兹波照射到太赫兹调制器，调制目标图案的激光强度，并由太赫兹探测器周期性地接收太赫兹波，从中复原变换域信息并解码获取第一图像；
重建单元，基于所述第一图像，通过所述残差密集网络重建第二图像。
进一步地，所述学习单元包括：
归类模块，对与采集的目标图案的相似图片进行归类，形成数据集；
全采样模块，对同一类的多张图片进行全采样并保存变换域数据；
生成模块，采用统计方法，统计该类图像变换域中，模系数强度满足在特定采样率下相应的变换域位置，从而生成该类图像的掩膜图案。
进一步地，所述重建单元包括：
卷积模块，输入图像通过卷积层提取出浅层信息特征图，然后进入残差密集块；
融合模块，每个残差密集块将产生相应的特征图，把全部的特征图拼接起来组成一个整体，进行密集特征融合；
插值模块，通过上采样模块把第一图像上插值至高像素的第二图像并进行重构，恢复成单通道的高清灰度图或三通道高清彩色图。
进一步地，所述第一图像为32×32像素的图像，所述第二图像为64×64像素的图像。
通过本发明所构思的以上技术方案，与现有技术相比，把先验的最优采样方案与深度学习的超分辨重建结合到太赫兹单像素成像***，实现在最速成像时间内呈现高清晰图像重建。具体而言，本发明采用了计算机辅助的基于先验统计的优化采样器，适用于对常用相似目标的成像与监测，优于大部分的欠采样方案；同时，为了提高对该类的泛化程度，可以通过对后面样本的扩充和采集的过程中，进一步统计并优化采样方案，因此这是一种可以学习的采样方式；此外，本发明把残差密集网络应用在太赫兹成像中，不仅消除了***带来的图像噪声，同时无需增加采样数量的前提下提高了分辨率。
附图说明
图1是本发明实施例中太赫兹单像素成像***示意图；
图2(a)是本发明实施例中RDN网络结构示意图；
图2(b)是本发明实施例中RDB网络结构示意图；
图3是本发明实施例快速太赫兹单像素超分辨重建***的工作流程图；
图4是本发明实施例样本在8％和10％下不同采样方式下的效果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
首先，搭建太赫兹单像素成像装置，如图1所示。成像装置的主要光路由太赫兹激光器和探测器组成，调制部分是由激光、数字微镜阵列(Digital Mirrors Device，DMD)、投影镜头和本征半导体组成。将激光用DMD掩膜化Ф后经过镜头穿透氧化铟锡(Indium tinoxide，ITO)玻璃投影在调制器上，ITO对可见光可透过，对太赫兹光反射。太赫兹光经过透镜准直穿透调制器和目标物X被透镜聚焦在探测器上，太赫兹光经过掩膜调制，在探测器上输出调制后的强度信号I。
基于上述装置，本发明实施例提供了一种太赫兹单像素超分辨成像方法，包括以下步骤：
S100.对相似图案的编码位置进行先验学习，提取通过先验学习保存的采样策略，并生成掩膜图案，所述掩膜图案的数量等于像素图像在单像素成像重建的采样次数与采样率的乘积。
任何一个二维图像都可以看作由一组完备的正交掩膜图案的加权得到的，每个掩膜图案对应该变换域上的一个频率点，目标图案与变换域函数的关系由公式(1)给出。
Figure BDA0003412042570000061
式中，I(x,y)为物体目标,M,N为物体目标的长与宽，u,v为变换域上频率的点坐标，f为二维矩阵函数，大小由(x,y,u,v)确定，auv为权重大小，由(u，v)唯一确定。对全部正交基底图案进行加权，得到的原始图案的过程称为全采样，其中测量个数等于K＝MxN；为了减少测量个数，采集部分变换域上系数进行加权求逆，得到具有信息缺失图案的采样方式称为欠采样。其中，先验统计采样由公式(2)给出。
Figure BDA0003412042570000062
式中，|F(x,y)|表示变换域上的某一点的模，p为采样率，a为p对应阈值的绝对值，表明在变换域中选取位置的系数占整个变换域系数模较前分布为概率p。
其中，所述步骤S100具体包括以下步骤：
S101.对与采集的目标图案的相似图片进行归类，形成数据集；
S102.对同一类的多张图片进行全采样并保存变换域数据；
S103.采用统计方法，统计该类图像变换域中，模系数强度满足在特定采样率下相应的变换域位置，从而生成该类图像的掩膜图案。
S200.基于所述采样策略，选择数据集进行相应处理生成训练集，并将训练集用于初始化残差密集网络。
该方法适用于对常用相似目标的成像与监测，优于大部分的欠采样方案；同时，为了提高对该类的泛化程度，可以通过对后面样本的扩充和采集的过程中，进一步统计并优化采样方案，因此这是一种可以学习的采样方式。由此，为了提高采样的速度，本发明中采用先验统计欠采样方案的太赫兹单像素成像***，变换域上采用较为成熟的傅里叶域逆变换。
S300.搭建太赫兹单像素成像***，根据所述采样策略，采用数字微镜阵列加载所述掩膜图案，并通过激光反射到目标图案上；太赫兹波照射到太赫兹调制器，调制目标图案的激光强度，并通过太赫兹探测器周期性地接收太赫兹波，从强度信息中复原出变换域信息并解码获得第一图像；
S400.基于所述32×32像素的图像，通过残差密集网络重建64×64像素的图像。
为了从信息缺失的欠采样图像重建出高清图像，需要对成像结果作进一步处理。残差密集网络能够从图像的浅层和深层部分提取特征信息进行自适应特征融合，并利用上采样层进行插值得到高清图像。RDN的网络结构由图2(a)表示，结构分为：两个用于提取浅层特征的ConV层；用于提取各层特征的残差密集块(Residual Dense Block,RDB)；用于拼接各层特征的密集特征融合(Dense Feature Fusion,DFF)；用于得到单通道或多通道上采样模块。输入图像通过两个卷积核尺寸为3x3、过滤器为1和64的ConV层，提取出浅层信息特征图，然后进入RDBs获取深层信息。RDBs由多个RDB组成，RDB的网络结构由图2(b)给出，每个RDB对应不同的感受野，能各自提取出不同的局部特征，由公式给出：
Figure BDA0003412042570000071
从网络结构看，RDB由残差块和密集块组成，过滤器大小为64，卷积核尺寸均为3x3。RDB具有以下特点：连续记忆机制，局部融合机制和局部残差机制。连续记忆机制，每个RDB把之前若干个状态传输到当前层进行处理，每一层由一个ConV层和ReLU层构成；层数越靠后，传输的记忆状态就越多。局部融合机制，把传输过来的状态和当前输入进行串联，能够自适应地从多个特征中提取出深层特征，并减少通道数输出数。局部残差学习把上一个RDB的输出和特征融合部分叠加，进一步提高信息流，提高模型的表达能力。
通过一系列的RDBs后，每个RDB将产生相应的特征图，把全部的特征图拼接起来组成一个整体，称为密集特征融合。密集特征融合分为全局特征融合和全局残差学习，首先用融合层把各特征图组合成整体，并通过一个1x1的卷积操作和3x3的卷积操作进一步获取深层信息并恢复成64通道的特征图，最后通过残差学习把浅层信息与深层信息进行相加，整个密集特征融合可以用公式表示为：
FDF＝F0+HGEF([F0,Fd,...,FD]) (4)
最后，通过上采样模块把32x32像素图像插值至64x64像素并进行重构，并恢复成单通道的高清灰度图或三通道高清彩色图，整个RDN网络可表示为：
Figure BDA0003412042570000081
为了重建目标图像
Figure BDA0003412042570000082
网络训练的损失函数采用L1loss函数，该函数可以表示为：
Figure BDA0003412042570000083
所述步骤S400具体包括以下步骤：
S401.输入图像通过卷积层提取出浅层信息特征图，然后进入残差密集块；
S402.每个残差密集块将产生相应的特征图，把全部的特征图拼接起来组成一个整体，进行密集特征融合；
S403.通过上采样模块把第一图像上插值至高像素的第二图像并进行重构，恢复成单通道的高清灰度图或三通道高清彩色图。
本发明实施例的另一方面还提供了一种太赫兹单像素超分辨成像***，包括：
学习单元，对相似图案的编码位置进行先验学习，提取先验学习保存的采样策略，并生成掩膜图案，所述掩膜图案的数量等于像素图像在单像素成像重建的采样次数与采样率的乘积；
训练单元，选择相应的数据集进行图像缩放，同时基于所述采样策略，选取处理后的图像变换域的相应系数进行逆变换，形成训练集，并将训练集用于初始化残差密集网络；
获取单元，采用数字微镜阵列加载先验学习的掩膜图案，并通过激光反射到目标图案上；太赫兹波照射到太赫兹调制器，调制目标图案的激光强度，并由太赫兹探测器周期性地接收太赫兹波，从中复原变换域信息并解码获取第一图像；
重建单元，基于所述第一图像，通过所述残差密集网络重建第二图像。
上述各单元的功能参见相应的方法，在此不再赘述。
本发明的成像方法流程图如图3所示，首先，通过计算机先验学习与目标图案相似数据集的采样策略，并生成相应的掩膜图案，生成条纹数量等于像素图像在变换的采样次数乘以采样率(本实验采样率为8％)；选择相应的数据集进行图像缩放，同时针对先验学习的采样策略，选取处理后的图像变换域的相应系数进行逆变换，形成训练集来初始化残差密集网络；搭建太赫兹单像素成像***，并在DMD上加载掩膜图案；其次，利用近场成像的原理，目标图像与DMD放置一定距离，与太赫兹调制器紧贴，由808nm激光把DMD上的掩膜图案反射到目标上，并由照射在太赫兹调制器的太赫兹光调制目标图案的激光强度；每个采样计数的光强值由探测器进行采集，并通过计算机复原变换域信息并解码成32x32像素的图像，图像会由于散射作用出现分辨率低的问题。最后，通过残差密集网络将低分辨率图像和高分辨率图像进行映射恢复出64x64像素的高清图，实现欠采样高分辨图像重建的效果。
下面用实验对样本在不同采样方式下的效果进行对比。为了尽可能保留大部分的信息，避免过多的细节丢失，本次实验对32x32像素样本图案以8％采样率进行采样，同时引入了10％采样率下的效果图和对应最优采样方式作为对比。在图4和表1中，对应采样方式依次为圆形、方形、方块、先验统计和最优采样。本发明中采用结构相似性(StructuralSIMilarity,SSIM)和峰值信噪比(Peak Signal to Noise Ratio,PSNR)两个评价指标。通过表1可以看出，在8％采样率的先验统计与10％的方块模式相若，较优于其他两种采样方式，稍弱于同采样最优采样。
表1样本在8％和10％下不同采样方式下的效果对比
Figure BDA0003412042570000101
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种太赫兹单像素超分辨成像方法，其特征在于，包括以下步骤：
S100.对相似图案的编码位置进行先验学习，提取通过先验学习保存的采样策略，并生成掩膜图案，所述掩膜图案的数量等于像素图像在单像素成像重建的采样次数与采样率的乘积；
S200.基于所述采样策略，选择数据集进行相应处理生成训练集，并将训练集用于初始化残差密集网络；
S300.搭建太赫兹单像素成像***，根据所述采样策略，采用数字微镜阵列加载所述掩膜图案，并通过激光反射到目标图案上；太赫兹波照射到太赫兹调制器，调制目标图案的激光强度，并通过太赫兹探测器周期性地接收太赫兹波，从强度信息中复原出变换域信息并解码获得第一图像；
S400.基于所述第一图像，通过所述残差密集网络重建第二图像。
2.如权利要求1所述的太赫兹单像素超分辨成像方法，其特征在于，所述步骤S100具体包括以下步骤：
S101.对与采集的目标图案的相似图片进行归类，形成数据集；
S102.对同一类的多张图片进行全采样并保存变换域数据；
S103.采用统计方法，统计该类图像变换域中，模系数强度满足在特定采样率下相应的变换域位置，从而生成该类图像的掩膜图案。
3.如权利要求2所述的太赫兹单像素超分辨成像方法，其特征在于，所述步骤S102中，变换域上采用傅里叶域逆变换。
4.如权利要求1所述的太赫兹单像素超分辨成像方法，其特征在于，所述步骤S400具体包括以下步骤：
S401.输入图像通过卷积层提取出浅层信息特征图，然后进入残差密集块；
S402.每个残差密集块将产生相应的特征图，把全部的特征图拼接起来组成一个整体，进行密集特征融合；
S403.通过上采样模块把第一图像上插值至高像素的第二图像并进行重构，恢复成单通道的高清灰度图或三通道高清彩色图。
5.如权利要求4所述的太赫兹单像素超分辨成像方法，其特征在于，所述第一图像为32×32像素的图像，所述第二图像为64×64像素的图像。
6.如权利要求5所述的太赫兹单像素超分辨成像方法，其特征在于，所述密集特征融合的过程包括全局特征融合和全局残差学习，首先用融合层把各特征图组合成整体，并通过卷积操作进一步获取深层信息并恢复成64通道的特征图，最后通过残差学习将浅层信息与深层信息相加。
7.一种太赫兹单像素超分辨成像***，其特征在于，包括：
学习单元，对相似图案的编码位置进行先验学习，提取先验学习保存的采样策略，并生成掩膜图案，所述掩膜图案的数量等于像素图像在单像素成像重建的采样次数与采样率的乘积；
训练单元，选择相应的数据集进行图像缩放，同时基于所述采样策略，选取处理后的图像变换域的相应系数进行逆变换，形成训练集，并将训练集用于初始化残差密集网络；
获取单元，采用数字微镜阵列加载先验学习的掩膜图案，并通过激光反射到目标图案上；太赫兹波照射到太赫兹调制器，调制目标图案的激光强度，并由太赫兹探测器周期性地接收太赫兹波，从中复原变换域信息并解码获取第一图像；
重建单元，基于所述第一图像，通过所述残差密集网络重建第二图像。
8.如权利要求7所述的太赫兹单像素超分辨成像***，其特征在于，所述学习单元包括：
归类模块，对与采集的目标图案的相似图片进行归类，形成数据集；
全采样模块，对同一类的多张图片进行全采样并保存变换域数据；
生成模块，采用统计方法，统计该类图像变换域中，模系数强度满足在特定采样率下相应的变换域位置，从而生成该类图像的掩膜图案。
9.如权利要求7所述的太赫兹单像素超分辨成像***，其特征在于，所述重建单元包括：
卷积模块，输入图像通过卷积层提取出浅层信息特征图，然后进入残差密集块；
融合模块，每个残差密集块将产生相应的特征图，把全部的特征图拼接起来组成一个整体，进行密集特征融合；
插值模块，通过上采样模块把第一图像上插值至高像素的第二图像并进行重构，恢复成单通道的高清灰度图或三通道高清彩色图。
10.如权利要求9所述的太赫兹单像素超分辨成像***，其特征在于，所述第一图像为32×32像素的图像，所述第二图像为64×64像素的图像。
CN202111532798.0A 2021-12-15 2021-12-15 一种太赫兹单像素超分辨成像方法和*** Pending CN114387164A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202111532798.0A CN114387164A (zh) 2021-12-15 2021-12-15 一种太赫兹单像素超分辨成像方法和***
PCT/CN2022/138217 WO2023109719A1 (zh) 2021-12-15 2022-12-09 一种太赫兹单像素超分辨成像方法和***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111532798.0A CN114387164A (zh) 2021-12-15 2021-12-15 一种太赫兹单像素超分辨成像方法和***

Publications (1)

Publication Number Publication Date
CN114387164A true CN114387164A (zh) 2022-04-22

Family

ID=81198426

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111532798.0A Pending CN114387164A (zh) 2021-12-15 2021-12-15 一种太赫兹单像素超分辨成像方法和***

Country Status (2)

Country Link
CN (1) CN114387164A (zh)
WO (1) WO2023109719A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023109719A1 (zh) * 2021-12-15 2023-06-22 深圳先进技术研究院 一种太赫兹单像素超分辨成像方法和***
WO2024109836A1 (zh) * 2022-11-25 2024-05-30 中国科学院深圳先进技术研究院 基于深度学习网络的水下单像素成像方法及***

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117173503B (zh) * 2023-08-16 2024-04-19 安徽派睿太赫兹医疗器械技术开发有限公司 一种基于深度学习的模糊太赫兹图像识别方法、装置和电子设备
CN117876837B (zh) * 2024-03-11 2024-06-07 北京理工大学 基于深度展开网络的近红外单像素成像方法及***

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013024842A (ja) * 2011-07-26 2013-02-04 Hitachi High-Tech Control Systems Corp テラヘルツ波イメージング装置
CN105374020B (zh) * 2015-12-17 2018-04-17 深圳职业技术学院 一种快速高分辨率的超声成像检测方法
CN110231292B (zh) * 2019-06-28 2022-02-11 深圳先进技术研究院 一种单像素太赫兹波成像方法和***
CN112525851A (zh) * 2020-12-10 2021-03-19 深圳先进技术研究院 一种太赫兹单像素成像方法及其***
CN113506222B (zh) * 2021-07-30 2024-03-01 合肥工业大学 一种基于卷积神经网络的多模态图像超分辨方法
CN114387164A (zh) * 2021-12-15 2022-04-22 深圳先进技术研究院 一种太赫兹单像素超分辨成像方法和***

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023109719A1 (zh) * 2021-12-15 2023-06-22 深圳先进技术研究院 一种太赫兹单像素超分辨成像方法和***
WO2024109836A1 (zh) * 2022-11-25 2024-05-30 中国科学院深圳先进技术研究院 基于深度学习网络的水下单像素成像方法及***

Also Published As

Publication number Publication date
WO2023109719A1 (zh) 2023-06-22

Similar Documents

Publication Publication Date Title
CN114387164A (zh) 一种太赫兹单像素超分辨成像方法和***
WO2023193461A1 (zh) 一种太赫兹单像素成像方法与***
CN112116065A (zh) 一种rgb图像光谱重建方法、***、存储介质及应用
CN111340183B (zh) 基于深度学习的散射成像装置和方法
CN111008936B (zh) 一种多光谱图像全色锐化方法
CN111343376B (zh) 一种基于透射式双缝孔径编码成像***及其超分辨方法
CN112525851A (zh) 一种太赫兹单像素成像方法及其***
CN111563562B (zh) 基于卷积神经网络的单帧散射图像的彩色目标重建方法
Zhang et al. Deep unfolding for singular value decomposition compressed ghost imaging
CN115330631A (zh) 一种基于堆叠沙漏网络的多尺度融合去雾方法
US11609332B2 (en) Method and apparatus for generating image using LiDAR
CN111028302A (zh) 一种基于深度学习的压缩对象成像方法及***
Yin et al. A deep network based on wavelet transform for image compressed sensing
CN112113661B (zh) 一种深度学习型快照式光谱成像装置及其探测方法
CN113705340A (zh) 一种基于雷达遥感数据的深度学习变化检测方法
CN117408924A (zh) 一种基于多重语义特征融合网络的低光照图像增强方法
CN102735347B (zh) 目标跟踪红外凝视层析成像方法及装置
Zou et al. Enhanced channel attention network with cross-layer feature fusion for spectral reconstruction in the presence of Gaussian noise
CN116091640A (zh) 一种基于光谱自注意力机制的遥感高光谱重建方法及***
Feng et al. High-turbidity underwater active single-pixel imaging based on generative adversarial networks with double Attention U-Net under low sampling rate
Song et al. Single-pixel imaging based on deep learning
CN115375540A (zh) 一种基于深度学习算法的太赫兹图像超分辨方法
CN110044474B (zh) 一种基于插值算法的关联成像优化方法
CN112907444A (zh) 一种基于复数域零样本学习的太赫兹图像超分辨重建方法
CN117876837B (zh) 基于深度展开网络的近红外单像素成像方法及***

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