论文部分内容阅读
关联成像,亦称鬼成像,作为成像领域的后起之秀,具有广阔的应用前景与发展潜力。在二十余年的研究中,关联成像因其价值得到了广泛关注,并得到深入的发展。关联成像理论得到讨论,其相关领域的应用也逐渐被提出。研究表明,关联成像在多个领域具有明显的优势和价值,对技术进步,社会发展有着促进作用。关联成像利用光场高阶关联信息重构目标,重构算法是关联成像的核心内容。传统关联成像算法,难以在有限测量次数中,得到目标的清晰重构,这是制约关联成像走向应用的主要因素之一。基于矩阵的关联成像方法,为解决关联成像重构质量问题提供了良好的思路,通过分析由散斑场产生的初始特征矩阵,并对其进行修正,从而找到提高重构质量的路径。实验结果表明,这一类方法重构效果提升明显,值得进一步研究。伪逆关联成像(Pseudo-inverse in Ghost Imaging:PGI)是一种基于矩阵的关联成像方法。我们在传统关联成像重构公式的基础上,进而分析了其矩阵形式表达。从矩阵重构公式中提取出特征矩阵,分析其对实验结果产生的影响。特征矩阵越接近于标量阵,我们就能够得到更加贴近原始目标的重构结果。PGI将伪逆引入特征矩阵,对重构结果产生了良好的作用。我们在深入学习PGI的基础上,进一步分析特征矩阵,提出了标量矩阵构建关联成像方法(Scalar-matrixstructured Ghost Imaging:SMGI)。该方法通过对特征矩阵进行修正,使其向标量矩阵靠近,并充分考虑了散斑尺寸对实际实验的影响。实验结果表明,SMGI方法相比较于传统关联成像方法,差分关联成像方法,在同样测量次数下,具有更好的视觉效果与更高的峰值信噪比(Peak Signal to Noise Ratio:PSNR)。并且,在面对双臂纵向误差存在时,该方法依旧表现良好。为进一步优化SMGI方法,我们将阈值引入实际计算中,扩展了SMGI方法,并将其称为基于阈值的标量矩阵构建关联成像方法(Scalar-matrix-structured Ghost Imaging based on a threshold:SMGI-T)。通过设定阈值,对实验获取的数据进行筛选,选择出对重构最有效的一部分散斑场,在保证重构效果的情况下,减少实际参与重构的数据量,以便减少计算时间的需求。实验证明SMGI-T方法流程简洁,可操作性较强,同时能够得到良好的重构效果。面对赝热光源下的实际实验,与无筛选数据相比,该方法能够通过更少的数据得到近乎一致的重构效果。面对实际应用环境,当计算机处理能力有限时,该方法价值明显。基于矩阵的关联成像目标重构方法研究,对关联成像的发展具有显著价值。我们的研究,为关联成像重构质量的改善提供了参考,在较少测量次数下,实现了对目标的较高质量重构,有助于关联成像的进一步发展。