【技术实现步骤摘要】
低采样率下高浊度水下目标成像方法
[0001]本专利技术涉及一种基于带有双倍注意力机制与U
‑
Net的生成对抗网络的高浊度水下主动单像素成像方法,属于计算成像
技术介绍
[0002]水下光学成像技术利用光波作为成像媒介,具有成像分辨率高、图像质量好、体积小等优点。该技术在目标识别、海洋科学和资源勘探、水下安全探测等领域具有重要作用。然而,由于水中光的吸收和散射效应,水下光学成像的质量也会不同程度地降低。为提高水下成像的质量,也已经提出了各种解决方法。例如,结合飞行时间技术和偏振成像的距离门控成像被开发出来,以减少反向散射效应,从而提高图像对比度。然而,由于操作的复杂性和设备的高成本,上述方法可能使水下成像问题复杂化。近年来,单像素成像(Single Pixel Imaging,SPI)作为一种新的成像测量技术受到了广泛的关注。与传统的成像方法相比,它不需要光电探测器来检测光信号,只使用单点探测器来测量物体被照射后的综合强度,从而简化了实验系统的复杂性,具有无端流和后向散射影响小等特点。同时,在SPI中引入压缩感知(Compressed Sensing,CS)可以在较少的测量次数下重构目标。但是当处于较低采样率时,重建图像质量并不理想。因此,对于水下SPI,需要采用一种相比于压缩感知单像素成像(Compressive Sensing Single Pixel Imaging,CSSPI)等方法更为有效的恢复算法。
[0003]深度学习作为一种新兴的研究方法,已被广泛应用于求解逆问题。 ...
【技术保护点】
【技术特征摘要】
1.低采样率下高浊度水下目标成像方法,其特征在于,包括如下步骤:步骤1,搭建水下主动单像素光学成像系统,以获取在高浊度水下环境中不同采样率下的一维探测信号,作为测试集;步骤2,将模拟数据集与不同数目的Hadamard图案相乘,并将所有像素归一化为一列一维探测值以模拟在物理实验中单像素探测器在不同采样率下的测量值,并将模拟测量值与所对应的真实图像配对,作为训练集;步骤3,构建一种带有双倍Attention U
‑
Net的生成对抗网络的高浊度水下主动单像素成像模型UASPI
‑
DAUGAN,UASPI
‑
DAUGAN模型由生成器G和判别器D组成;步骤4,将训练集输入到UASPI
‑
DAUGAN中,并将最小二乘损失、像素损失、感知损失和平均结构相似性损失作为总损失函数以用来训练网络,以避免梯度消失等问题;步骤5,利用所述UASPI
‑
DAUGAN模型对不同浊度条件下不同采样率下的测试集进行目标图像重构。2.如权利要求1所述的低采样率下高浊度水下目标成像方法,其特征在于:步骤1中所述水下主动单像素光学成像系统包括He
‑
Ne激光器、DMD、数据采集卡、单像素探测器、光束终止器、水箱、被测目标、各类透镜和支撑件;该系统成像原理是:由He
‑
Ne激光器发出的光经过由平凹凸透镜组合而成的扩束准直系统后,照亮由计算机控制调制的DMD;其中,照明编码是利用随机哈达玛变换生成的图案对DMD进行调制,调制后的激光通过水箱中的被测目标,最后由无空间分辨率的单像素探测器收集反馈的光强信号,单像素探测器与数据采集卡相连接,用于记录所收集的探测光强并传送到计算机,DMD投影速率与数据采集卡的DAQ系统通过同步触发以保持信号同步,光束终止器放在DMD前,用于收集无用的杂散光。3.如权利要求1所述的低采样率下高浊度水下目标成像方法,其特征在于:步骤2中所使用的模拟数据集来自GTSRB德国交通标志数据集和EMNIST手写数据集,所有图像大小被调整到32
×
32像素,然后,通过将每幅图像与32
×
32像素的Hadamard图案相乘,并将所有像素归一化为一维检测列,来模拟单像素检测器收集的测量信号,测量的信号值及其对应的真实图像被送入网络进行训练,在采样率为19.14%、9.77%、6.25%和3.52%时得到了优化的网络模型。4.如权利要求1所述的低采样率下高浊度水下目标成像方法,其特征在于:UASPI
‑
DAUGAN模型中生成器G的功能是利用单像素探测器所测结果生成高浊度水下目标的重建图像,G是基于DoubleU
‑
Net的进一步拓展,G的主体结构由两个改进的Attention U
‑
Net组成,将其称为Network1和Network2,Network1和Network2的主体结构均由4个下采样卷积模块组成的编码模块,4个上采样卷积模块组成的解码模块,以及添加在编码模块与解码模块之间的空洞卷积金字塔ASPP组成;判别器D采用PathGAN结构,用于引导以及优化G重构高浊度水下目标图像。5.如权利要求4所述的低采样率下高浊度水下目标成像方法,其特征在于:Network1和Network2的编码模块中,Network1的输入是单像素探测器的M个实测信号值,尺寸为M
×
1的一维向量首先通过尺寸为1024
×
1的全连接层来提取信号特征,然后将1024
×
1的向量重塑为32
×
32的特征图,作为编码器的输入,而Network 2的输入是由Network 1中输入特征图和输出的预测掩码相乘后的结果;在Network1中,首先执行两次3
×
3卷积运算以提取图像特征,每次运算后经过一次批处理归一化以及整流线性...
【专利技术属性】
技术研发人员:冯维,周世奇,李书扬,易永聪,吴翰钟,张福民,翟中生,
申请(专利权)人:湖北工业大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。