论文部分内容阅读
单像素成像应用了压缩感知(Compressed Sensing,CS)理论,可以通过一个点探测器实现二维成像。单像素成像具高灵敏度的优势,因此被广泛应用于生物医学检测、航天遥感、三维成像、光谱成像等领域。单像素成像和光子计数技术结合可以进一步提高灵敏度,所形成的单光子压缩成像方案在极微弱光成像领域具有广泛的应用前景。传统的重建算法具有很高的时间复杂度,为了降低压缩感知的重建时间,近年来使用深度神经网络代替传统压缩感知重建算法取得了重大突破,该方法已被证明是一种有效的解决方案。然而大部分的研究者停留在数值仿真阶段,没有进行系统实验验证。为了快速高质量地实现微弱光环境下的成像,本文围绕单光子压缩成像系统和深度学习重建网络展开研究。主要研究内容和成果如下:(1)搭建了单光子压缩成像系统,设计了基于二维残差网络(Res2Net)的二值采样重建网络(Binary Sampling Res2net Reconstruction Network,Bsr2-Net),并在MNIST数据集和BSDS300数据集上分别进行训练。Bsr2-Net借鉴了分块压缩感知的思想,进行高分辨率图像重建时,首先重建所有的低分辨率图像块,然后根据图像块之间的空间关系实现高分辨率图像重构。(2)通过数值仿真对比了传统重建算法、最近报道的深度学习重建网络、Bsr2-Net在重建手写数字图像、自然图像时的性能。并将这三种重建方法应用于单光子压缩成像系统,对实验结果进行比较和分析。在单光子压缩成像系统的不同光强下应用传统重建算法和深度学习重建网络,分析了这两种重建方法对系统光强的要求。(3)设计了基于Bsr2-Net的泛化采样率深度学习重建网络G_Bsr2-Net。G_Bsr2-Net 借鉴了计算鬼成像(Computational Ghost Imaging,CGI)的重建算法,以一定的重建精度为代价实现了采样率的泛化。G_Bsr2-Net训练完成后可以对不同采样率下的图像进行重建,这样可以规避在调整采样率时,必须重新训练该采样率下的深度学习重建网络的问题。