一种基于非训练的神经网络约束的差分单像素成像系统及成像方法技术方案

本发明专利技术涉及一种基于非训练神经网络约束的差分单像素成像方法。该系统包括光源、空间光调制器、可调狭缝、单点探测器、放大器、采集卡以及用于图像重建非训练神经网络。与场景交互的光照射到空间光调制器以进行空间调制，调制后的其中一束反射光被桶探测器收集。放大器将信号放大并由采集卡完成A/D转换和数字信号采集。我们在成像透镜的后焦平面同轴插入一个可调狭缝，用于阻断携带物体高频信息的光束。最后将得到的一维差分桶探测器信号以及预置到空间光调制器上的二维调制矩阵输入到提出的方法中以重建目标物体图像。当桶信号差分迭代3次时，在超低采样率下依旧能重建物体的细节特征。相比传统重建方法，提出的方法具有更高的成像质量。高的成像质量。

【技术实现步骤摘要】
一种基于非训练的神经网络约束的差分单像素成像系统及成像方法


[0001]本专利技术涉及单像素成像领域，特别涉及一种基于非训练的神经网络约束的差分单像素成像系统和方法。

技术介绍

[0002]单像素成像是一种新发展起来的新型计算成像技术，它只需要利用空间光调制器上预置的调制矩阵对携带物体信息的光进行空间调制，然后由单像素探测器获取一系列一维调制光强形成桶信号，就可以重构出目标的二维和三维信息。其中最流行的重建算法是基于压缩感知的算法。最近提出并广泛使用的另一种方法是基于数据驱动的深度学习神经网络的方法，它被认为是计算成像未来的另一个趋势，因为它在解决图像去噪、超分辨率和恢复等各种逆问题上取得了巨大成功。
[0003]然而，基于数据驱动的神经网络方法仍然有一个缺点，那就是通常需要从大量输入
‑
输出数据对中学习，从而在它们之间建立映射关系。然而，在某些领域，很难获得足够的标签数据。训练后的模型也仅适用与训练集中对象相似的对象。因此这种方法在泛化性、可解释性与成像速度方面有许多不足。解决上述基于数据驱动深度学习方法的不足的办法其中之一是最近提出的将成像的物理过程融合到一个手工制作的随机初始化的非训练神经网络以生成目标对象的图像，因为不需要在大型数据集上训练神经网络以生成输入
‑
输出数据对的映射，因此这种新颖的方法在可解释性，泛化性方面有很强的竞争力。具体而言，这种非训练神经网络的思想来源于Uiyanov等人在2018年提出的深度图像先验理论，它指出合理设计的生成器网络类似于GAN的生成器的结构对自然图像具有隐式的先验，因此足以在任何学习之前捕获大量低级图像统计信息。在没有预先训练标签图像的情况下，他们使用一个随机初始化的未经训练神经网络在标准逆问题，如图像去噪，超分辨率，和修复任务中取得了优异的结果。

技术实现思路

[0004]本专利技术的一个目的是将基于非训练神经网络的迭代差分单像素成像方法应用于衍射受限单像素成像领域，以实现在超低采样率下恢复更多的目标高频信息并提高成像信噪比以及对比度。
[0005]本专利技术是通过以下技术方案实现的：
[0006]一种基于非训练神经网络约束的差分单像素成像系统，其特征在于：包括光源(1)，由光源(1)射出方向，依次设有成像物体(2)、成像透镜(3)、可调狭缝(4)、空间光调制器(5)，所述的空间光调制器(5)上预置了计算机生成的调制矩阵(6)；空间光调制器(5)调制后的其中一路光束经过汇聚透镜(7)和单点探测器(8)后，通过光电二极管放大器(9)放大后输入至数据采集卡(10)中进行模数转换和数字信号采集。
[0007]所述的光源(1)为宽谱光源。所述的宽谱光源为太阳光、宽谱激光、白炽灯光源、
LED光源、卤素灯光源、红外或紫外光源。所述的成像透镜(3)和汇聚透镜(7)为凸透镜、凹面镜、望远镜、显微镜或相机镜头。所述的空间光调制器(5)为反射式数字微镜阵列DMD或液晶空间光调制器SLM。所述的调制矩阵(6)为哈达玛矩阵，傅里叶变换矩阵或随机矩阵。所述的单点探测器(8)为高灵敏度的光电偏压探测器或桶探测器。
[0008]利用所述的基于非训练神经网络约束的差分单像素成像系统进行成像的方法，其步骤为：
[0009]1)光源(1)发出的光照射到成像物体(2)，透射的光束经过成像透镜(3)，为了形成一个衍射受限的SPI系统，在成像透镜(3)的后焦平面同轴插入一个可调狭缝(4)，用于阻断携带物体高频信息的光束，滤波之后的光束照射到空间光调制器(5)上用于进行空间调制，空间光调制器(5)上预置了计算机生成的调制矩阵(6)用于控制空间光调制器(5)中微镜翻转；
[0010]2)被空间光调制器(5)调制后的其中一路光束被汇聚透镜(7)汇聚后由单点探测器(8)收集，光电二极管放大器(9)将模拟信号去噪并放大，再由数据采集卡(10)完成模数转换和数字信号采集，称之为桶信号；
[0011]3)对桶信号进行迭代差分(11)以提高成像信噪比：
[0012][0013]其中y
j
(j＝1...M)为测得的桶信号，I
j
＝∑H
j
(x,y)表示调制矩阵掩膜H
m
(x,y)平面各点的强度值之和，上标t表示差分运算的迭代次数；
[0014]4)将得到的一系列一维迭代差分桶探测器信号以及调制矩阵(6)以及目标物体的退化模型O
input
输入到随机初始化的非训练神经网络(12)，获得最佳的重建图像：
[0015][0016]神经网络的输出为将其与SPI的物理过程融合，得到网络估计的桶信号并对网络估计的桶信号进行迭代差分处理求解损失函数然后使用合理的优化器去最小化损失函数以更新网络的权重和偏差参数θ，从而获得最好的重建结果。
[0017]本专利技术创造的有益效果是：
[0018]1.本专利技术继承了单像素成像的所有优势，可缩短采样时间和重构时间；
[0019]2.本专利技术的图像重构技术可应用到所有计算成像领域，包括但不限于相位成像，高光谱成像，散射成像，关联成像等。
[0020]3.本专利技术仅在传统单像素成像系统基础上增加用于阻挡携带物体高频信息光束的可调狭缝。因此结构简单，易于操作，不增加单像素成像系统的复杂程度和数据处理复杂度；
[0021]4.本专利技术所述非训练神经网络不需要大量的数据集用于训练神经网络，因此相对
于传统数据驱动的深度学习方法，具有更短的图像重建时间。
[0022]5.本专利技术所述的图像重建方法将图像形成的物理过程集成到随机初始化的非训练神经网络中，因此具有更强的物理解释性以及更广的泛化性。
[0023]6.本专利技术不仅能在远低于奈奎斯特极限的采样率下恢复更多的目标高频信息，而且能极大地提高图像的信噪比与对比度。
[0024]7.本专利技术对所有的调制矩阵都适用，因此可以通过结合不同的调制矩阵以获得更好地重建结果。
附图说明
[0025]图1是本专利技术基于非训练的神经网络约束的差分单像素成像系统的框图。
[0026]图2是实施例的原理框图。
[0027]图3为实施例中实验对比图。
[0028]图中：(1)、宽谱光源；(2)、成像物体；(3)、成像透镜；(4)、可调狭缝；(5)、空间光调制器件；(6)、调制矩阵；(7)、汇聚透镜；(8)、单点探测器；(9)、光电二极管放大器；(10)、采集卡。
具体实施方式
[0029]图1是基于非训练神经网络约束的差分单像素成像系统示意图，LED冷光源发出的光照射到成像物体2，然后透射的光束经过成像透镜3，为了形成一个衍射受限的SPI系统，在成像透镜3的后焦平面同轴插入一个可调狭缝4，用于阻断携带物体高频信息的光束。滤波之后的光束照射到空间光调制器5上用于进行空间调制，空间光调制器5上预置了计算机生成的调制矩阵6用于控制空间光调制器中微镜翻转。被空间光调制器5调制后的其中一路反射光本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于非训练神经网络约束的差分单像素成像系统，其特征在于：包括光源(1)，由光源(1)射出方向，依次设有成像物体(2)、成像透镜(3)、可调狭缝(4)、空间光调制器(5)，所述的空间光调制器(5)上预置了计算机生成的调制矩阵(6)；空间光调制器(5)调制后的其中一路光束经过汇聚透镜(7)和单点探测器(8)后，通过光电二极管放大器(9)放大后输入至数据采集卡(10)中进行模数转换和数字信号采集。2.根据权利要求1所述的一种基于非训练神经网络约束的差分单像素成像系统，其特征在于：所述的光源(1)为宽谱光源。3.根据权利要求1所述的一种基于非训练神经网络约束的差分单像素成像系统，其特征在于：所述的宽谱光源为太阳光、宽谱激光、白炽灯光源、LED光源、卤素灯光源、红外或紫外光源。4.根据权利要求1所述的一种基于非训练神经网络约束的差分单像素成像系统，其特征在于：所述的成像透镜(3)和汇聚透镜(7)为凸透镜、凹面镜、望远镜、显微镜或相机镜头。5.根据权利要求1所述的一种基于非训练神经网络约束的差分单像素成像系统，其特征在于：所述的空间光调制器(5)为反射式数字微镜阵列DMD或液晶空间光调制器SLM。6.根据权利要求1所述的一种基于非训练神经网络约束的差分单像素成像系统，其特征在于：所述的调制矩阵(6)为哈达玛矩阵，傅里叶变换矩阵或随机矩阵。7.根据权利要求1所述的一种基于非训练神经网络约束的差分单像素成像系统，其特征在于：所述的单点探测器(8)为高灵敏度的光电偏压探测器或桶探测器。8.利用权利要求1
‑
7任意...

【专利技术属性】
技术研发人员：陈希浩，别书航，王晨晖，王晞颜，吕瑞兵，孟少英，付强，鲍倩倩，
申请(专利权)人：辽宁大学，
类型：发明
国别省市：