论文部分内容阅读
高分辨率、低成本的新体制成像探测作为一种高效、可靠的信息获取途径,是获取高质量、多光谱、多维度图像的主要方法,对工业、军事、医疗等领域均具有十分重要的意义。传统成像方式主要依靠大规模的阵列传感器来实现,而在将成像波段拓展到其他波段时将会出现分辨率较低、体积大、功耗高、效率低等不足,如何探索一种新的成像方式来有效地弥补以上不足是亟待解决的问题。压缩感知(Compressive Sensing,CS)与计算成像(Computational Imaging,CI)理论的相结合为解决上述问题提供了新的思路。CS理论近些年来在信号处理领域取得了突破性的发展,该理论利用信号的稀疏性,通过观测矩阵对信号实现远低于奈奎斯特(Nyquist)准则的采样,在后端运用非线性重构算法精确重构信号。基于CS成像系统摆脱了对阵列传感器的依赖,大大降低了成本的同时也减少了数据量。在CS理论发展的同时CI技术也得到了广泛的研究,计算成像的主要理论是通过编码孔径对景物的空间信息进行调制、捕捉与成像,进而实现高空间分辨率的图像同时保持高信噪比。基于CI的新体制成像不仅可以获得更好的成像质量,同时也可以适应各种特殊应用场景。本文围绕新体制成像的基本要求,旨在构建一套新型成像试验系统。首先,以CS与计算成像为理论基础,对成像过程进行了建模与仿真分析。在此基础上,利用数字微镜阵列(Digital Micromirror Device,DMD)实现对目标场景的全局观测,以单像素探测器对调制后的场景光强信息进行采样,最后利用重构算法实现对场景图像的恢复。其次,考虑到传统的单像素相机(Single Pixel Camera,SPC)存在噪声抑制较差、系统搭建复杂度较高的缺点。本文创新性地提出了基于光纤收集的单像素相机,并深入探讨了系统噪声、目标物体反射率以及探测器有效面积等系统因素对成像质量的影响。实验结果表明,本文所提成像系统性能优异,具有很好的成像保真度与噪声抑制。然后,对后端图像重构算法进行了拓展与改进,引入去噪与重构相结合的D-VAMP图像重构算法。同时以卷积神经网络(Convolutional Neural Network,CNN)为基础构建了新的重构算法模型,仿真结果显示具有较好的重构效果。最后,利用试验平台进行了多光谱成像分析,对可见光(R,G,B)以及短波近红外(Short Wave Near Infrared,SWIR)波段下的成像效果进行了分析讨论,实验结果显示该成像系统在不同的波段下均具有较好的成像效果。综上可知,将压缩感知与计算成像结合的新体制成像系统具有高分辨率、高信噪比、数据量少以及低成本等特点,对解决现阶段成像技术所存在的瓶颈问题具有十分重要的意义。