一种在散射场景中的高分辨图像重构方法技术

一种在散射场景中的高分辨图像重构方法，包括如下步骤：S1、针对不同的散射场景，利用点扩散函数PSF测量装置测量各个散射场景的点扩散函数PSF，根据测得的点扩散函数PSF降维提取线扩散函数LSF以对各个散射场景进行表征，实现对不同散射场景的分类；S2、根据对散射场景的分类结果，对散射场景中的计算鬼成像系统采集到的一维信号，自适应采用图像重构深度卷积神经网络进行图像重构，以得到高分辨的图像，重构网络的训练集来源于与该散射场景分类特征最匹配的散射场景中采集到的一维数据，实现在不同散射场景中的自适应高分辨图像重构。该方法可以对不同的散射场景进行快速分类，实现在不同散射场景中的快速、高分辨成像。

【技术实现步骤摘要】
一种在散射场景中的高分辨图像重构方法
本专利技术涉及光学成像技术，特别是涉及一种在散射场景中的高分辨图像重构方法。
技术介绍
到目前为止，结合了深度学习方法的计算鬼成像技术是散射成像领域中实现高分辨成像表现十分突出的技术。在散射场景中实现成像是一项很有研究价值的工作，在水下成像、极端天气成像和生物组织成像等方面有着广泛的应用。在传统的光学成像系统中，要求物体发出的球面小波在传入成像系统的入射光瞳时不能发生严重的畸变，否则将无法被透镜成像系统捕捉到清晰的物像。然而，当成像过程中存在雾、云、生物组织等非均匀介质时，传统的成像方法将无法发挥作用。鬼成像技术作为一种采集目标所处光场中的光强信号后采用强度关联算法得到目标图像的技术，由于在散射场景中采集到的光强信号涨落趋势依然存在，因此可以很好的应用在散射场景环境中实现成像。鬼成像技术经过二十余年的朝着更加实用化的方向发展，已经不需要参考光路的存在，极大的减少了硬件系统的负担，发展成为现在的计算鬼成像技术。计算鬼成像技术主要的重构算法主要分为关联重构算法，压缩感知重构算法和深度学习重构算法，相比于其他两种算法，深度学习算法不仅可以在散射场景中以低于奈奎斯特采样频率的采样率采样光强信号实现快速成像，同时还不需要知道采样所用的调制模式以及调制模式的顺序，极大了减轻了图像重构的成本的同时还提升了重构图像的质量。然而当实际应用场景和采集到的数据集中包含的场景出现显著差异时，基于深度学习的计算鬼成像技术难以重构出高质量的图像。而在实际的应用中，面临不同的散射场景是十分普遍的，因此提升基于深度学习的计算鬼成像技术在不同散射场景中的普适性是走向实际应用的重要研究方向。为了解决不同散射场景应用问题，有人尝试采用包含大量不同散射场景的数据集对网络进行训练，然而这一方法应用起来不仅对数据量要求十分巨大难以实现，训练所需时间过长，且由于包含的数据集过于复杂往往也难以重构出高质量的图像。需要说明的是，在上述
技术介绍
部分公开的信息仅用于对本申请的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
技术实现思路
本专利技术的主要目的在于克服上述
技术介绍
的缺陷，提供一种在散射场景中的高分辨图像重构方法，以实现在不同散射场景中的自适应高分辨图像重构。为实现上述目的，本专利技术采用以下技术方案：一种在散射场景中的高分辨图像重构方法，包括如下步骤：S1、针对不同的散射场景，利用点扩散函数(PointSpreadFunction，PSF)测量装置测量各个散射场景的点扩散函数PSF，为体现平行激光束通过散射介质后整体光强的变化和发散程度，根据测得的点扩散函数PSF降维提取线扩散函数(LineSpreadFunction，LSF)以对各个散射场景进行表征，实现对不同散射场景的快速、准确分类；S2、根据对散射场景的分类结果，对在散射场景中的计算鬼成像系统采集到的一维信号，自适应采用图像重构深度卷积神经网络进行图像重构，以得到高分辨的图像，重构网络的训练集来源于与该散射场景分类特征最匹配的散射场景中采集到的一维数据，实现在不同散射场景中的自适应高分辨图像重构。本专利技术所提出的方法可以对不同的散射场景进行快速分类，实现在不同散射场景中的快速、高分辨成像。进一步地：步骤S1中，对线扩散函数进行高斯拟合后提取拟合曲线的峰值和标准差以对各个散射场景进行表征。步骤S1中，将代表不同散射场景的散射介质置于点扩散函数PSF测量装置中进行测量，为体现平行激光束通过散射介质后整体光强的变化和发散程度，将得到的PSF数据沿Y方向的光强值累加至X方向，得到线扩散函数LSF，再利用高斯函数对LSF进行高斯拟合以得到具有高斯分布规律的LSF拟合曲线，依据LSF拟合曲线的峰值和标准差参数对不同散射场景的特性进行表征，曲线的峰值和标准差能够鲁棒的体现通过散射场景后的激光整体光强变化和发散程度。为提升分类速度，克服测得的大量散射场景的PSF数据处理耗时过长的难题，采用仿真数据集训练得到的具有高斯拟合特性的散射场景参数提取网络直接对PSF测量装置测得的PSF直接、快速提取对应LSF的峰值和标准差，以实现对不同散射场景的快速特征提取和分类。对线扩散函数进行特征拟合的拟合函数为：参数a为高斯函数的峰值，也代表采集到的光强的最大值，b为峰值所对应的横坐标，c为高斯函数的标准差；根据散射介质经过拟合后得到的拟合函数中的参数a和c进行分类。拟合的确定系数(R-square)均不小于0.99。所述PSF测量装置包括依次设置在光路上的激光器、聚焦透镜、针孔、准直透镜、轴锥镜和相机，其中，将所述散射介质置于所述针孔和所述准直透镜之间来进行测量。步骤S1还包括：仿真不同散射场景的PSF图像，得到不同散射场景的PSF的仿真数据集，用于训练网络以得到所述具有高斯拟合特性的散射场景参数提取网络。步骤S2中，通过基于深度学习的计算鬼成像方法进行高分辨图像重构；用于成像的所述计算鬼成像系统包括依次设置在光路上的激光器、数字微镜阵列、平面反射镜、散射场景、目标图像、会聚棱镜以及单光子相机。在计算鬼成像中，对于需要被成像的目标T(x,y)，其中(x,y)是目标在光场中的坐标，照射在目标上的光线由显示在数字微镜阵列上的散斑模式所调制，散斑模式表示为Im(x,y)，其中m＝1…M，目标发射后的光强信号由单像素相机采集，得到光强值：Sm＝∫T(x,y)Im(x,y)dxdy(2)所述散斑模式为傅里叶模式，傅里叶模式可以通过收集光强序列直接重建目标的频谱图，通过傅里叶基底重建目标的低频特征，傅里叶基模式的表达式为：T(x,y；fx,fy；θ)＝a+b·cos(2πfxx+2πfyy+θ)(3)其中a，b为平移和缩放系数，(fx,fy)是频域坐标，在(fx,fy)频域点处的值由T(x,y；fx,fy；θ)示出，其中每对频域点处由四个不同的相位控制，θ＝0,π/2,π,3π/2。对目标进行采样，得到一维4096×1的光强信号作为输入信号，输入到训练好的图像重构深度卷积神经网络中以重构，重构出图像的表达式为：TDLCGI(x，y)＝argmin||T-R{Sm}||2+λΨ(T)(4)其中T代表目标的原始图像，R{Sm}代表神经网络的输出，Ψ(T)代表正则化项，λ代表权重，TDLCGI(x，y)代表最终获取的高分辨图像。。本专利技术具有如下有益效果：本专利技术提出了一种基于点扩散函数分类实现在不同散射场景中的自适应高分辨图像重构方法，实现在不同散射场景中高精度且高质量的快速高分辨成像。通过本专利技术的方法，可建立对应于水下、极端天气和生物组织等多种散射场景的散射特性方案，具有自适应性，主要体现在：计算鬼成像系统的不同散射场景采用测量散射场景的点扩散函数并进一步得到线扩散函数，线扩散函数更能体现通过散射介质后的激光整体光强变化和发散程度，相对于点扩散函数而言更加准确、受外界干扰的影响小。进一步地，得本文档来自技高网...

【技术保护点】
1.一种在散射场景中的高分辨图像重构方法，其特征在于，包括如下步骤：/nS1、针对不同的散射场景，利用点扩散函数PSF测量装置测量各个散射场景的点扩散函数PSF，根据测得的点扩散函数PSF降维提取线扩散函数LSF以对各个散射场景进行表征，实现对不同散射场景的分类；/nS2、根据对散射场景的分类结果，对在散射场景中的计算鬼成像系统采集到的一维信号，自适应采用图像重构深度卷积神经网络进行图像重构，以得到高分辨的图像，重构网络的训练集来源于与该散射场景分类特征最匹配的散射场景中采集到的一维数据，实现在不同散射场景中的自适应高分辨图像重构。/n

【技术特征摘要】
1.一种在散射场景中的高分辨图像重构方法，其特征在于，包括如下步骤：
S1、针对不同的散射场景，利用点扩散函数PSF测量装置测量各个散射场景的点扩散函数PSF，根据测得的点扩散函数PSF降维提取线扩散函数LSF以对各个散射场景进行表征，实现对不同散射场景的分类；
S2、根据对散射场景的分类结果，对在散射场景中的计算鬼成像系统采集到的一维信号，自适应采用图像重构深度卷积神经网络进行图像重构，以得到高分辨的图像，重构网络的训练集来源于与该散射场景分类特征最匹配的散射场景中采集到的一维数据，实现在不同散射场景中的自适应高分辨图像重构。


2.如权利要求1所述的高分辨图像重构方法，其特征在于，步骤S1中，对线扩散函数进行高斯拟合后提取拟合曲线的峰值和标准差以对各个散射场景进行表征。


3.如权利要求2所述的高分辨图像重构方法，其特征在于，步骤S1中，将代表不同散射场景的散射介质置于点扩散函数PSF测量装置中进行测量，将得到的PSF数据沿Y方向的光强值累加至X方向，得到线扩散函数LSF，再利用高斯函数对LSF进行高斯拟合以得到具有高斯分布规律的LSF拟合曲线，依据LSF拟合曲线的峰值和标准差参数对不同散射场景的特性进行表征。


4.如权利要求2所述的高分辨图像重构方法，其特征在于，采用仿真数据集训练得到的具有高斯拟合特性的散射场景参数提取网络直接对PSF测量装置测得的PSF提取对应LSF的峰值和标准差，以实现对不同散射场景的特征提取和分类。


5.如权利要求2所述的高分辨图像重构方法，其特征在于，对线扩散函数进行特征拟合的拟合函数为：



参数a为高斯函数的峰值，也代表采集到的光强的最大值，b为峰值所对应的横坐标，c为高斯函数的标准差；
根据散射介质经过拟合后得到的拟合函数中的参数a和c进行分类。


6.如权利要求3至5任一项所述的高分辨图像重构方法，其特征在于，所述PSF测量装置包括依次设置在光路上的激光器、聚焦透镜、针孔、准直透镜、轴锥镜和相机，其...

【专利技术属性】
技术研发人员：程雪岷，陈棵，高子琪，王安琪，郝群，
申请(专利权)人：清华大学深圳国际研究生院，
类型：发明
国别省市：广东;44