CN206930789U - 一种基于压缩感知的对象成像*** - Google Patents
一种基于压缩感知的对象成像*** Download PDFInfo
- Publication number
- CN206930789U CN206930789U CN201720623572.4U CN201720623572U CN206930789U CN 206930789 U CN206930789 U CN 206930789U CN 201720623572 U CN201720623572 U CN 201720623572U CN 206930789 U CN206930789 U CN 206930789U
- Authority
- CN
- China
- Prior art keywords
- image
- unit
- generation unit
- imaging system
- subject
- 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
Links
Landscapes
- Image Processing (AREA)
Abstract
本实用新型公开了一种基于压缩感知的对象成像***,包括依次连接的光源生成单元、滤波单元、图像生成单元、图像采集单元和图像重构单元;光源生成单元生成实验激光,滤波单元滤除高频散射光并形成平行光,图像生成单元生成物体图像与特定测量矩阵叠加的实验图像,图像采集单元对生成的实验图像进行压缩采样,图像重构单元对采样数据进行重构恢复出物体图像。本实用新型能够大大地减少图像识别、图像匹配中所记录的数据量,提高了***的实时性,为机器视觉及人工智能的并行处理提供了可能。
Description
技术领域
本实用新型涉及图像成像、目标识别技术领域,特别涉及一种基于压缩感知的对象成像***。
背景技术
近年来,目标识别将模式识别、计算机视觉、人工智能等学科的技术很好的融合一起,成为视觉研究领域内一个非常热门的课题,具有广阔的应用前景。自目标识别方法提出以来,很多的专家、研究者们都开展了相关工作的研究。但是,由于大部分的目标识别方法都是在获得图像之后再使用识别技术对图像进行相应处理,导致***的实时性不是很好,而且由此引入的图像数据量大的问题也成为制约其发展的瓶颈。
随着成像和信息技术的迅速发展,人们在日常生活中对电子产品、数字信息对需求也与日俱增。但受信息传输速度与信息处理速度所限,不能不计代价的提高信息的采样率从而获得高品质的数据。在确保信息所呈现出来的品质大体不变的前提下,用少量的采样来获得相近质量的信息,成为了当务之急。
新兴的压缩感知理论是以远低于奈奎斯特采样速率采集信号的非自适应线性投影值,然后通过求解一个优化问题,精确地重构出原始信号,可以大大降低***采集的数据量。一系列的基于压缩感知的目标识别方案相继被提出,但是这些方案虽然降低了***采集的数据量,但是在后期进行进一步图像识别处理时仍然面临图像信息繁琐,不利于图像识别,而且这些方案大都采用电学域的数字信号方式实现,无法充分发挥并行处理的优点。
实用新型内容
本实用新型的目的在于克服现有技术的缺点与不足,提供一种基于压缩感知的对象成像***,其可在纯光域下同时实现图像压缩、图像采样和图像识别,大大地减少图像识别、图像匹配中所记录的数据量,解决其海量数据的存贮与传输问题,提高了***的实时性,为机器视觉及人工智能的并行处理提供了可能。
本实用新型的目的通过以下的技术方案实现:
一种基于压缩感知的对象成像***,包括依次连接的光源生成单元、滤波单元、图像生成单元、图像采集单元和图像重构单元;
光源生成单元生成实验激光;
滤波单元控制激光光强衰减、滤除高频散射光、形成零级衍射光斑,然后控制衍射光斑形成平行光;
图像生成单元生成物体图像与特定测量矩阵叠加的实验图像;
图像采集单元对实验图像进行压缩采样;
图像重构单元对采样数据进行重构恢复出物体图像。
优选的,光源生成单元包括激光器和可以反射改变其传播方向的反射镜。
优选的,滤波单元包括与光路平行、依次布置的圆形可调衰减器、针孔滤波器和傅里叶透镜。
优选的,图像生成单元包括与光路平行、依次布置的第一偏振片、加载特定测量矩阵的空间光调制器和第二偏振片。
优选的,图像采集单元包括与光路平行、依次布置的会聚透镜和单光子探测器。
优选的,图像重构单元包括计算机。
本实用新型与现有技术相比,具有如下优点和有益效果:
相比于现有技术,本实用新型结合新兴的压缩感知理论和模式识别技术,在全光域环境中同时实现图像压缩、图像采样和图像识别,即在成像时就实现了目标识别。该技术大大降低了存储和传输的数据量,极大地提高了目标识别的效率,为机器视觉及人工智能的并行处理提供了可能。
附图说明
图1是本实施例中基于压缩感知的对象成像***的原理框图;
图2是本实施例中基于压缩感知的对象成像***的结构示意图;
图3是本实施例中建立的一组训练样本库的部分图像;
图4是本实施例中训练样本库获得的特定测量矩阵的图像;
图5是本实施例中基于压缩感知的对象成像方法的仿真实验结果图。
具体实施方式
下面结合实施例及附图对本实用新型作进一步详细的描述,但本实用新型的实施方式不限于此。
一种基于压缩感知的对象成像***,如图1、图2,包括光源生成单元11、滤波单元12、图像生成单元13、图像采集单元14、图像重构单元15。
光源生成单元11,用于生成实验激光。滤波单元12,用于衰减实验激光,滤除高频散射光后获得零级衍射光斑,并调整衍射光斑为平行光。图像生成单元13,用于实现物体图像16与训练后得到的特定测量矩阵17的叠加,生成实验图像。图像采集单元14,用于采集实验数据,并传送至图像重构单元15。图像重构单元15,用于根据筛选的数据重构出物体图像16。
光源生成单元11包括氦氖激光器111和加强铝反射镜112。氦氖激光器111发出一束激光,并通过加强铝反射镜112反射改变其传播方向。
滤波单元12包括圆形可调衰减器121、针孔滤波器122和傅里叶透镜123。圆形可调衰减器121控制激光光强衰减,衰减后的激光经过针孔滤波器122滤除高频散射光,而让未经散射的零级光通过针孔形成零级衍射光斑,然后衍射光斑经过傅里叶透镜123形成平行光。
图像生成单元13包括第一偏振片131、空间光调制器132和第二偏振片133。由滤波单元12传送过来的实验光照射物体图像16,空间光调制器132上加载特定测量矩阵17,并实现物体图像16与特定测量矩阵17的叠加,第一偏振片131和第二偏振片133分别置于空间光调制器132前后使其处于纯振幅状态。
图像采集单元14包括会聚透镜141和单光子探测器142。会聚透镜141将图像生成单元13的实验图像数据会聚于一点,之后通过单光子探测器142单点采集光信号并转换为电信号。
重构单元15包括计算机151。计算机151用于筛选实验数据并通过最小全变分优化算法重构出物体图像16。
以下具体说明该***的压缩全息成像步骤:
步骤S1:将光源发出的激光反射改变其传播光路。
具体的,通过氦氖激光器111发出一束激光;该激光经过加强铝反射镜112反射改变其传播方向。
步骤S2:将实验激光进行衰减处理,滤除高频散射光后获得零级衍射光斑,并调整衍射光斑为平行光。
具体的,沿着光路路径,设置一圆形可调衰减器121控制激光光强衰减;在圆形可调衰减器121后方设置针孔滤波器122;通过针孔滤波器122滤除高频散射光,以获得零级衍射光斑;在针孔滤波器122后方设置一傅里叶透镜123,衍射光斑经过傅里叶透镜123形成平行光。
步骤S3:将平行光照射在物体图像16上,生成物体图像与测量矩阵叠加的实验图像。
具体的,由滤波单元12传送过来的实验光照射物体图像16;空间光调制器132上加载特定测量矩阵17,物体图像16的透射光与特定测量矩阵17的叠加;第一偏振片131和第二偏振片133分别置于空间光调制器132前后使其处于纯振幅状态。
在步骤S3中,根据主成分分析方法,设有N张尺寸均为p×q像素的图像训练样本集X,每个样本由其像素灰度值组成一个向量Xi,由向量构成的训练样本集X={X1,X2,…,XN},首先计算训练样本集均值:
进一步对数据进行中心化:
对中心化后的数据求协方差矩阵:
将协方差矩阵R的特征值λi按照从大到小的顺序排列,特征值λi越大代表其表征图像信息的能力越强,因此,把前m个特征值相应的特征向量ui构成主成分矩阵U:
U=[u1,u2,…,um]
这m个分量就提取了代表图像主要信息的特征。将其转秩后作为特定测量矩阵17。由于该特定测量矩阵17包含特定目标物体图像16信息,从而能够实现在复杂的场景中只对特定目标成像,而忽略与目标图像无关的背景图像。
根据压缩感知原理,经样本库训练得到的特定测量矩阵17表示为:
Φ=UT=[φ1,φ2,…,φm]T(φi=ui)
步骤S4:对生成的实验图像进行压缩采样,并根据该数据重构出物体图像。
单光子探测器142的高灵敏度的光电二极管的输出电压表示为:
其中,x∈Rp×q,x表示物体图像, 表示特定测量矩阵的第n维,它实现对物体图像x的第n次测量;
重复这个过程m次,可以得到的测量值Y为:
其中,Φ∈Rm×(p×q)是训练样本库获得的特定测量矩阵,Y∈Rm×1是测量值;
利用时域筛选和大小筛选得到准确的实验数据。进一步利用最小全变分优化算法重构出物体图像。
图3是一组训练样本库的部分图像。该训练样本库由同一物体在不同角度下拍摄得到,共360张,尺寸大小均为800×600像素。具体建立过程为:将训练物体放置于黑色背景下的圆形旋转台上,通过AVT相机在固定位置拍摄图像。从0度至359度,每旋转1度就在灰白模式拍摄一次,一共得到360张不同角度的训练样本图像。图3中给出的图像依次为0度、20度、40度......180度角度下拍摄获得的图像。
图4是训练样本库获得的特定测量矩阵的图像;图中分别为取特定测量矩阵的第1、101、201、301行数据生成的图像,由于采用主成分分析方法,故行数排在前面的图像较后面的信息丰富且像素值更高。
图5是基于压缩感知的对象成像方法的仿真实验结果图。通过AVT相机拍摄的带有背景干扰物的的图像分别如图5(a)和5(c)所示,大小均为800×600像素。利用训练得到的特定测量矩阵对其进行压缩采样,并利用最小全变分优化算法重构,图5(b)表示只使用0.075%的测量数据对图5(a)的重构结果,图5(d)表示只使用0.075%的测量数据对图5(c)的重构结果。实验仿真结果证明,该方法能较好的去除图像中的干扰背景,只对特定对象成像,验证了提出的基于压缩感知的对象成像***是切实可行的。
相比于现有技术,本实用新型结合新兴的压缩感知理论和模式识别技术,在全光域环境中同时实现压缩采样和图像识别,大大降低了存储和传输的数据量,极大地提高了目标识别的效率,实现了压缩对象成像的要求。
上述实施例为本实用新型较佳的实施方式,但本实用新型的实施方式并不受上述实施例的限制,其他的任何未背离本实用新型的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本实用新型的保护范围之内。
Claims (6)
1.一种基于压缩感知的对象成像***,其特征在于,包括依次连接的光源生成单元、滤波单元、图像生成单元、图像采集单元和图像重构单元;
光源生成单元生成实验激光;
滤波单元控制激光光强衰减、滤除高频散射光、形成零级衍射光斑,然后控制衍射光斑形成平行光;
图像生成单元生成物体图像与特定测量矩阵叠加的实验图像;
图像采集单元对实验图像进行压缩采样;
图像重构单元对采样数据进行重构恢复出物体图像。
2.根据权利要求1所述的基于压缩感知的对象成像***,其特征在于,光源生成单元包括激光器和可以反射改变其传播方向的反射镜。
3.根据权利要求1所述的基于压缩感知的对象成像***,其特征在于,滤波单元包括与光路平行、依次布置的圆形可调衰减器、针孔滤波器和傅里叶透镜。
4.根据权利要求1所述的基于压缩感知的对象成像***,其特征在于,图像生成单元包括与光路平行、依次布置的第一偏振片、加载特定测量矩阵的空间光调制器和第二偏振片。
5.根据权利要求1所述的基于压缩感知的对象成像***,其特征在于,图像采集单元包括与光路平行、依次布置的会聚透镜和单光子探测器。
6.根据权利要求1所述的基于压缩感知的对象成像***,其特征在于,图像重构单元包括计算机。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201720623572.4U CN206930789U (zh) | 2017-06-01 | 2017-06-01 | 一种基于压缩感知的对象成像*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201720623572.4U CN206930789U (zh) | 2017-06-01 | 2017-06-01 | 一种基于压缩感知的对象成像*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN206930789U true CN206930789U (zh) | 2018-01-26 |
Family
ID=61345881
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201720623572.4U Active CN206930789U (zh) | 2017-06-01 | 2017-06-01 | 一种基于压缩感知的对象成像*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN206930789U (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107121709A (zh) * | 2017-06-01 | 2017-09-01 | 华南师范大学 | 一种基于压缩感知的对象成像***及其成像方法 |
CN115442505A (zh) * | 2022-08-30 | 2022-12-06 | 山西大学 | 一种单光子压缩感知成像***及其方法 |
-
2017
- 2017-06-01 CN CN201720623572.4U patent/CN206930789U/zh active Active
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107121709A (zh) * | 2017-06-01 | 2017-09-01 | 华南师范大学 | 一种基于压缩感知的对象成像***及其成像方法 |
WO2018218974A1 (zh) * | 2017-06-01 | 2018-12-06 | 华南师范大学 | 一种基于压缩感知的对象成像***及其成像方法 |
US11368608B2 (en) | 2017-06-01 | 2022-06-21 | South China Normal University | Compressed sensing based object imaging system and imaging method therefor |
CN115442505A (zh) * | 2022-08-30 | 2022-12-06 | 山西大学 | 一种单光子压缩感知成像***及其方法 |
CN115442505B (zh) * | 2022-08-30 | 2023-07-21 | 山西大学 | 一种单光子压缩感知成像***及其方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107121709A (zh) | 一种基于压缩感知的对象成像***及其成像方法 | |
CN111260584A (zh) | 基于gan网络的水下退化图像增强的方法 | |
CN107292804B (zh) | 基于OpenCL的直接多曝光融合并行加速方法 | |
CN112116601B (zh) | 基于生成对抗残差网络的压缩感知采样重建方法及*** | |
CN103971329B (zh) | 一种基于遗传优化细胞神经网络的多源图像融合方法 | |
CN111986084A (zh) | 一种基于多任务融合的多相机低光照图像质量增强方法 | |
CN206930789U (zh) | 一种基于压缩感知的对象成像*** | |
CN106056067B (zh) | 基于对应关系预测的低分辨率人脸图像识别方法 | |
Zhai et al. | Foveated ghost imaging based on deep learning | |
Qi et al. | A new heterogeneous neural network model and its application in image enhancement | |
Jin et al. | Learning to see through reflections | |
CN110650340A (zh) | 一种时空复用的压缩视频成像方法 | |
CN110319790A (zh) | 一种基于彩色散斑场的全彩色计算鬼成像方法 | |
Li et al. | Single image dehazing with an independent detail-recovery network | |
CN111028302B (zh) | 一种基于深度学习的压缩对象成像方法及*** | |
Wang et al. | Multiscale supervision-guided context aggregation network for single image dehazing | |
CN104184936B (zh) | 基于光场相机的影像对焦处理方法及其*** | |
CN113298700A (zh) | 一种在散射场景中的高分辨图像重构方法 | |
Nan et al. | An image enhancement method in coal mine underground based on deep retinex network and fusion strategy | |
Wang et al. | ABC-NET: Avoiding Blocking Effect & Color Shift Network for Single Image Dehazing Via Restraining Transmission Bias | |
CN112361989B (zh) | 一种通过点云均匀性考量测量***标定参数的方法 | |
Wei et al. | Beyond visual attractiveness: Physically plausible single image hdr reconstruction for spherical panoramas | |
Huang et al. | High-Fidelity Hyperspectral Snapshot of Physical World: System Architecture, Dataset and Model | |
Ancuti et al. | Evaluation of image dehazing techniques based on a realistic benchmark | |
Shimonomura et al. | Neuromorphic binocular vision system for real-time disparity estimation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
GR01 | Patent grant | ||
GR01 | Patent grant |