基于显著视觉和DMD阵列分区控制的压缩感知成像方法技术

本发明专利技术公开了一种基于视觉显著性和数字微镜器件DMD阵列分区控制的自适应压缩感知成像方法，通过DMD阵列分区控制的方式降低了DMD的分辨率，实现了对场景的低分辨压缩感知成像。然后通过视觉显著性检测算法找到低分辨图像中包含目标物体的区域，再不断缩小DMD阵列分区的大小和提高对包含目标物体区域的采样分辨率，这样可以逐步精确场景中目标物体在DMD阵列上的实际区域和完成仅对目标物体的高分辨率成像。利用高分辨目标物体图像可以实现对目标物体的分类与识别。本方法操作简单，抗干扰性强，鲁棒性好，成像时间短，计算量少。

Compressed sensing imaging method based on salient vision and DMD array partitioning control

The invention discloses an adaptive partition control visual saliency and digital micromirror device DMD array based on compressed sensing imaging method by DMD array partition control mode to reduce the resolution of DMD, the low resolution compressed sensing imaging on the scene. And then through the visual saliency detection algorithm to find the low resolution region contains objects in the image, then the shrinking size and improve the sampling resolution of DMD array partition contains a region of a target object, so you can gradually accurate target objects in the scene actual area in the DMD array and only the target object in high resolution imaging. Object classification and recognition can be realized by using high resolution target image. This method has the advantages of simple operation, strong anti-interference, good robustness, short imaging time and less computation.

【技术实现步骤摘要】
基于显著视觉和DMD阵列分区控制的压缩感知成像方法
本专利技术涉及图像处理
，特别是基于显著视觉和DMD阵列分区控制的压缩感知成像方法。
技术介绍
在传统的香农奈奎斯特采样定理指导下，信号处理往往面临两大难题:模数(A/D)转换器技术的限制和海量采样数据的处理压力。CS理论表明当信号具有稀疏性或可压缩性时，可以通过全局非自适应线性投影的方式，用远低于香农奈奎斯特采样定理要求的频率获取信号的全部信息。以DMD的诞生为基础，CS理论和DMD相结合的压缩感知成像技术在近年来得到了快速的发展，这不仅可以显著地节省传感器的数量，还可以避免了“先采样后压缩”带来的资源浪费。考虑一幅二维的图像I，其大小为n1×n2,可认为图像I是一个n1行n2列的矩阵，将其向量化为x＝vec(I)，符号vec(·)表示将矩阵向量化为一个一维信号，遵循从上到下、从左到右的原则。对于一维信号x∈RN×1,存在测量矩阵Φ∈RM×N(M＜＜N)，采样率r＝M/N，在该矩阵下的线性测量值y∈RM×1,它们的关系如下：y＝Φx(1)式(1)可以看作是原信号x在Φ下的线性投影。因为y的维数远小于x的维数，所以(1)有无穷多个解，一般情况下很难重构原始信号，但因为信号具有可压缩性并且Φ满足如式(2)所示的约束等矩性(RIP)条件，即对于任意K-稀疏信号和常数δk∈(0，1)：理论证明，信号x可以由测量值y通过求解最优L0范数问题精确重构。在此之后也诞生了其他的算法如基于L1范数最小值算法、正交匹配算法、组合算法以及总变差恢复算法(TV)。现有的压缩感知成像方法在DMD以全分辨率成像的情况下，成像时间长，数据量相当大，一般情况下计算机会出现内存不足的现象。而在实际应用中，人们往往关注的是感兴趣区域(ROI)的信息。如果在成像过程中不对ROI信息和背景区域信息加以区别的话，往往造成大量的资源浪费，并且得到的ROI信息也会不够细致。人眼对图像的分辨能力为0.35mm即图像上两条相距0.35mm的线条能被人眼区分开，更精细的结构则不能辨别。图像的分辨率是指图像中存储的信息量，衡量的方法有很多种包括每厘米的像素数和每英寸的像素数等。在这里以每厘米的像素数表征图像的分辨率，人眼能识别的图像分辨率为每厘米上有10/0.35＝28个像素点。当图像每厘米上的像素点少于28个时图像为低分辨，表现为图像模糊或图像重叠。每厘米上的像素点多于28个时图像为高分辨，图形中物体清晰、细节分明。人类和其他灵长目动物都能表现出有选择性的视觉行为，如眼动、注意和记忆等。选择性是视觉众多功能中最根本的一条，表现为舍弃一部分信息，从而有效地处理重要的信息。从人的角度来看，这是一个场景中选择内容进行观察的过程，称之为视觉选择性。从场景的角度来看，场景中的某一些内容比起其他内容更能引起观察者的注意，可称之为视觉显著性。显著视觉检测算法正是用来检测场景中较为突出的目标物体，从而实现对ROI的检测。算法原理简而言之为，输入图像分别做高斯模糊和图像平均，再将得到的两幅图像I1(x,y)和I2(x,y)计算两者的欧几里得距离S(x，y)＝||I1(x，y)-I2(x，y)||并作归一化处理得到的图像即为输入图像的显著图S(x,y)。现有压缩感知成像方法不能直接对场景中目标物体进行高分辨成像、在高分辨成像情况下消耗时间长和计算量大。
技术实现思路
本专利技术所要解决的技术问题是克服现有技术的不足而提供基于显著视觉和DMD阵列分区控制的压缩感知成像方法，该方法可以有效地检测出目标物体的位置，从而实现只对目标物体进行高分辨成像的目的，该方法成像时间短，计算量小，成像效果好。本专利技术为解决上述技术问题采用以下技术方案：根据本专利技术提出的一种基于视觉显著性和数字微镜器件DMD阵列分区控制的自适应压缩感知成像方法，通过DMD阵列分区控制方式实现了DMD的低分辨成像，利用显著视觉检测算法找到目标物体在DMD的位置；通过多次缩小DMD阵列分区大小的同时提高包含目标物体区域的成像分辨率，最终实现了仅对场景中目标物体的高分辨率压缩感知成像。作为本专利技术所述的一种基于视觉显著性和数字微镜器件DMD阵列分区控制的自适应压缩感知成像方法进一步优化方案，具体包括以下步骤：步骤一、选用已知分辨率的DMD，并搭建出压缩感知成像系统；步骤二、设置采样率，生成初始条件下用于采样的测量矩阵；步骤三、根据DMD实际分辨率和步骤二中测量矩阵的大小，设置DMD阵列初始分区大小和调整步进；步骤四、采用测量矩阵对场景进行多次采样并获得该测量矩阵对应的观测值向量矩阵；步骤五、将测量矩阵和步骤四中的观测值向量矩阵作为重建算法的输入变量，恢复得到包含目标物体的区域图像；步骤六、当步骤五中恢复得到的区域图像中目标物体图像分辨率达到所需分辨率或DMD阵列分区中仅包含一个微镜，则执行步骤十三，否则跳转至步骤七到步骤十二；步骤七、采用显著视觉检测算法对步骤五中的区域图像进行处理，得到初步的显著图，对初步的显著图作归一化处理得到最终的显著图；步骤八、对步骤七中最终的显著图进行自适应的二值化处理、形态学操作得到二值图像，随后对二值图像作形态学的膨胀运算得到新的二值图像；步骤九、在步骤八新的二值图像中，将包含目标物体的区域标记为1，背景区域标记为0，从标记为1的区域中找出最大区域，最大区域的面积为S，去掉面积均小于S/10的标记为1的区域；步骤十、根据步骤九中包含目标物体的区域的位置及大小，计算得到目标物体在DMD阵列上的实际位置和大小；步骤十一、根据步骤十中目标物体在DMD阵列上的实际位置和大小，并缩小DMD阵列分区的大小，根据目标物体在DMD阵列上实际位置和大小以及DMD阵列分区的大小生成新的测量矩阵；步骤十二、执行步骤四到步骤六；步骤十三、将步骤五得到的区域图像中的目标物体等比例地融合到场景的初始背景中。作为本专利技术所述的一种基于视觉显著性和数字微镜器件DMD阵列分区控制的自适应压缩感知成像方法进一步优化方案，显著视觉检测算法的具体步骤如下：步骤一、输入图像I分别做图像平均和图像模糊处理得到图像I1和I2；步骤二、计算图像I1和I2之间的欧几里得距离得到图像I3；步骤三、将图像I3作归一化处理，得到输入图像的显著图。作为本专利技术所述的一种基于视觉显著性和数字微镜器件DMD阵列分区控制的自适应压缩感知成像方法进一步优化方案，所述的DMD阵列分区控制方法具体为：选取DMD阵列上的方形区域，该区域内的所有微镜翻转状态一致。作为本专利技术所述的一种基于视觉显著性和数字微镜器件DMD阵列分区控制的自适应压缩感知成像方法进一步优化方案，步骤七所述的显著图自适应二值化处理，具体方法如下：通过计算显著图中背景区域像素数量S1，在显著图的灰度直方图上从灰度级为0处开始统计像素个数，找到S1所在的最小灰度级区间[L1L2]，将灰度级L1作为二值化阈值。作为本专利技术所述的一种基于视觉显著性和数字微镜器件DMD阵列分区控制的自适应压缩感知成像方法进一步优化方案，步骤十三中的融合方法，具体为：采用双线性内插值算法，在原始图像四周的像素值的关系上填充目标图像。作为本专利技术所述的一种基于视觉显著性和数字微镜器件DMD阵列分区控制的自适应压缩感知成像方法进一步优化方案，所述压缩感知成像系统包括成像透本文档来自技高网...

【技术保护点】
一种基于视觉显著性和数字微镜器件DMD阵列分区控制的自适应压缩感知成像方法，其特征在于，通过DMD阵列分区控制方式实现了DMD的低分辨成像，利用显著视觉检测算法找到目标物体在DMD的位置；通过多次缩小DMD阵列分区大小的同时提高包含目标物体区域的成像分辨率，最终实现了仅对场景中目标物体的高分辨率压缩感知成像。

【技术特征摘要】
1.一种基于视觉显著性和数字微镜器件DMD阵列分区控制的自适应压缩感知成像方法，其特征在于，通过DMD阵列分区控制方式实现了DMD的低分辨成像，利用显著视觉检测算法找到目标物体在DMD的位置；通过多次缩小DMD阵列分区大小的同时提高包含目标物体区域的成像分辨率，最终实现了仅对场景中目标物体的高分辨率压缩感知成像。2.根据权利要求1所述的一种基于视觉显著性和数字微镜器件DMD阵列分区控制的自适应压缩感知成像方法，其特征在于，具体包括以下步骤：步骤一、选用已知分辨率的DMD，并搭建出压缩感知成像系统；步骤二、设置采样率，生成初始条件下用于采样的测量矩阵；步骤三、根据DMD实际分辨率和步骤二中测量矩阵的大小，设置DMD阵列初始分区大小和调整步进；步骤四、采用测量矩阵对场景进行多次采样并获得该测量矩阵对应的观测值向量矩阵；步骤五、将测量矩阵和步骤四中的观测值向量矩阵作为重建算法的输入变量，恢复得到包含目标物体的区域图像；步骤六、当步骤五中恢复得到的区域图像中目标物体图像分辨率达到所需分辨率或DMD阵列分区中仅包含一个微镜，则执行步骤十三，否则跳转至步骤七到步骤十二；步骤七、采用显著视觉检测算法对步骤五中的区域图像进行处理，得到初步的显著图，对初步的显著图作归一化处理得到最终的显著图；步骤八、对步骤七中最终的显著图进行自适应的二值化处理、形态学操作得到二值图像，随后对二值图像作形态学的膨胀运算得到新的二值图像；步骤九、在步骤八新的二值图像中，将包含目标物体的区域标记为1，背景区域标记为0，从标记为1的区域中找出最大区域，最大区域的面积为S，去掉面积均小于S/10的标记为1的区域；步骤十、根据步骤九中包含目标物体的区域的位置及大小，计算得到目标物体在DMD阵列上的实际位置和大小；步骤十一、根据步骤十中目标物体在DMD阵列上的实际位置和大小，并缩小DMD阵列分区的大小，根据目标物体在DMD阵列上实际位置和大小以及DMD阵列分区的大小生成新的测量矩...

【专利技术属性】
技术研发人员：张益昕，张超，张旭苹，董嘉赟，戚力，朱文娟，
申请(专利权)人：南京大学，
类型：发明
国别省市：江苏,32