基于机器学习的散射介质成像方法及系统技术方案

本发明专利技术提供了一种基于机器学习的散射介质成像方法及系统，包括：散斑分类步骤：对于测量到的未知物体对应的散斑，先基于已知的散斑和物体来对未知散斑进行分类，得到分类结果；图像重建步骤：根据得到的分类结果，选取对应类别的已知的散斑和物体去学习散射介质对应的逆散射函数，然后再根据逆散射函数对未知散斑进行未知物体的图像重建，实现散射介质成像。本发明专利技术改善了散射介质存在情况下的成像精度及效率，在提升效率的同时保证成像精度。

Scattering medium imaging method and system based on machine learning

【技术实现步骤摘要】
基于机器学习的散射介质成像方法及系统
本专利技术涉及散射介质光学成像领域，具体地，涉及一种基于机器学习的散射介质成像方法及系统。
技术介绍
由于散射介质的散射作用，使得传统光学成像系统难以有效得探测其内部目标。透过散射介质成像具有重要的科学与应用价值，尤其是在生物医学成像及遥感测绘等领域意义重大。近年来提出了许多方法来实现散射介质成像，如：自适应光学技术需要冗长与繁复的波前反馈调制，且在进行成像时通常都需要一个已知物体作为参考，实际应用价值不高。基于机器学习的散射介质成像技术方案能够在无需参考物体的情况下实现散射介质成像。本专利技术在散射介质存在情况下，结合散斑分类技术与逆散射成像体制，以机器学习为核心技术手段，研究基于机器学习的散射介质成像技术基本理论与实现方法，实现散射介质存在情况下的高保真度图像重建。专利文献CN107907483A(申请号：201710692976.3)公开了本专利技术涉及一种基于散射介质的超分辨率光谱成像系统及方法。该系统包括：标定支路A、散射介质4、透镜5、探测器6、待测支路B；标定支路A包括光源模块本文档来自技高网...

【技术保护点】
1.一种基于机器学习的散射介质成像方法，其特征在于，包括：/n散斑分类步骤：对于测量到的未知物体对应的散斑，先基于已知的散斑和物体来对未知散斑进行分类，得到分类结果；/n图像重建步骤：根据得到的分类结果，选取对应类别的已知的散斑和物体去学习散射介质对应的逆散射函数，然后再根据逆散射函数对未知散斑进行未知物体的图像重建，实现散射介质成像。/n

【技术特征摘要】
1.一种基于机器学习的散射介质成像方法，其特征在于，包括：
散斑分类步骤：对于测量到的未知物体对应的散斑，先基于已知的散斑和物体来对未知散斑进行分类，得到分类结果；
图像重建步骤：根据得到的分类结果，选取对应类别的已知的散斑和物体去学习散射介质对应的逆散射函数，然后再根据逆散射函数对未知散斑进行未知物体的图像重建，实现散射介质成像。


2.根据权利要求1所述的一种基于机器学习的散射介质成像方法，其特征在于，所述散斑分类步骤包括：在散射介质存在情况下，利用散斑与对应物体图像拥有同样的一组奇异值这一特点，对测量到的位置散斑进行散斑分类，确定所属类别。


3.根据权利要求2所述的一种基于机器学习的散射介质成像方法，其特征在于，所述散斑分类步骤包括：
散射系统：激光光源在准直扩束以后照射到一块幅度型液晶空间光调制器上，经过散射介质以后，在相机上成像；在相机平面采集的物体图像散射后所形成的散斑与所加载物体图像之间的关系为：



其中，Eout表示：在相机平面采集物体图像散射后所形成的散斑强度图，表示Hadamard内积操作符，ejφ表示：像面上相应的相位，j表示：虚数，φ表示：像面上相应的相位的角度，K表示：散射介质对应的传输矩阵，K的大小为Mout×Min，为列向量化后的物体图像，Ein表示：物体图像加载在空间光调制器上，Min为输入物体图像的像素值，Mout为采集到的散斑所对应的像素数；
其中，与分别表示相机平面上列向量化了的幅度场与相位场，表示：实数域R上的Mout维度向量生成的空间，表示：实数域R上的Min维度向量生成的空间，表示：复数域C上的Mout维度向量生成的空间；
对表达式(1)的等号两边同时乘以对应的共轭转置，得到如下表达式：



其中，是一个大小为Mout×Mout的实对称矩阵，Ein·(Ein)*是一个大小为Min×Min的实对称矩阵，(·)*表示共轭转置操作符；
根据传输矩阵理论，传输矩阵K是一个酉矩阵；通过对Ein·(Ein)*、及Eout·(Eout)*分别单独做奇异值分解，三个矩阵拥有相同的一组奇异值；即，Ein·(Ein)*和Eout·(Eout)*有相同的奇异值；根据奇异值对未知散斑进行分类，得到分类结果。


4.根据权利要求1所述的一种基于机器学习的散射介质成像方法，其特征在于，所述图像重建步骤包括：
图像重建采用的是支持向量回归，在相机平面采集物体图像散射后所形成的散斑强度图Eout与物体图像加载在空间光调制器上Ein之间的映射关系以函数形式表达如下：
Eout＝f(Ein)
Ein＝f-1(Eout)(3)
其中，f(·)与f-1(·)分别表示散射系统对应的散射函数与逆散射函数；
通过采集已知的物体及散斑图案，求解散射系统对应的逆散射函数：



其中，w是逆传感矩阵，符合关系式f-1(Eout)＝wTEout+b，b是逆散射函数对应的截距向量，(·)T代表转置操作符，C是一个常数，用于平衡正则化和偏差，代表第n个输出散斑图案，代表第n个输入物体图像，ε为容许的误差，N是训练样本数；
对于L2-正则化线性模型，最优解表示成所有独立变量的线性组合，即其中βn是对应于第n个散斑图案的系数，将代入到表达式(4)中，并运用核技巧，可得：



其中，为所运用的高斯径向核函数，βm指对应于第m个散斑图案的系数；γ表示其中σ是高斯径向核函数的核宽度；
通过求解表达式(5)，就求解到散射系统所对应的逆散射函数，从而重建出未知物体图像。


5.根据权利要求4所述的一种基于机器学习的散射介质成像方法，其特征在于，所述核技巧包括：当数据不满足线性关系或近似线性关系时，将数据映射到高维空间，满足线性或近似线性关系...

【专利技术属性】
技术研发人员：刘兴钊，陈卉，高叶盛，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：上海;31