基于区域分割的压缩计算鬼成像方法 下载: 999次
1 引言
鬼成像(GI)又称关联成像,是近几年来被广泛研究的一种成像技术。传统光学成像是基于光的分布测量,鬼成像则是基于光波能量的关联测量。2008年,Shapiro[1]在理论上提出了计算鬼成像(CGI),取代了分束器分出的参考光路,根据空间光调制器(SLM)特性,将其应用到关联成像中,从而可计算参考光路所需要的信息。次年,Bromberg等[2]搭建了实验平台,完成了单路CGI实验,重建物体清晰的像。计算式关联成像主要使用SLM、数字投影仪(DLP)或数字微镜器件(DMD)对光源进行调制,投射不同的随机散斑图到被测物体表面,利用桶探测器记录相应的光场信息,通过关联计算能够恢复待测物体表面的空间信息。2009年,Katz等[3]首次将压缩感知技术应用到关联成像中。相比传统鬼成像而言,单臂式CGI为关联成像平台的搭建带来了便捷,推动了实际研究应用,具有更高的实用价值。
提高关联成像质量的方法有:1) Ferri等[4]改进了关联成像的计算处理方式,提出了差分关联成像,即利用物体的差分信息,通过使用差分值代替原始探测器值,以此提高图像信噪比;2) Sun等[5]将测量得到的参考光路的总光强信息对信号光路的桶探测值进行归一化处理,提出了归一化关联成像,有效地抑制了系统噪声,信噪比的提升程度与差分关联成像相当;3) Wang等[6]使用迭代计算高阶误差项的方法,提出了迭代关联成像,显著提高了成像质量,但图像分辨率一旦增加,成像时间成指数增长;4) Zhang等[7]计算随机散斑场伪逆公式,提出了伪逆关联成像,获得了高于传统和差分关联成像质量的重构图像;5) Cao等[8]根据热光场高阶关联的性质,随关联阶数的增加,得到可见度与分辨率均提高的双缝干涉图样;6) 周成等[9]提出了一种基于混合散斑图的压缩CGI方法,显著提高了恢复图像的信噪比和可见度,有效地降低了均方误差,但对图像局部微小信息的成像仍有较大影响;7) Chan等[10]在理论上解释了随机散斑与成像质量的关系,并提出了提高成像质量的方法;8) 赵明等[11]提出了应用于水下成像的推扫式CGI,能够有效地降低后向散射的影响。综上所述,目前计算关联成像方法主要是提升整幅图像的信噪比,但在较少采样量的条件下,对于局部微小细节的成像效果仍不理想。
鉴于此,本文提出一种基于区域分割的压缩CGI(RSCCGI)方法。先获取复杂物体表面粗略轮廓的感兴趣区域(ROI),同时运用阈值分割方法进行边缘检测提取图像中不感兴趣区域(N-ROI),从而将原图分割为ROI和N-ROI的两幅子图像。分别根据ROI与N-ROI生成对应大小的散斑图,并结合压缩感知技术和二阶计算关联算法分别对子图像进行恢复,基于图像位置信息的拼接方法,重现高分辨率的图像细节信息。最后理论分析和仿真验证了所提方法的可行性,通过分离ROI的光场信息,使N-ROI的总光强值波动较小,从而提高了微小局部细节的成像质量。
2 基本原理
2.1 传统方法简介
传统计算鬼成像(TCGI)即经典二阶关联算法[12]。DMD的每个微镜片有“打开”和“关闭”两种状态,微镜片处于“打开”状态时,会将光反射到目标光路中。由MATLAB中randn函数预先生成N个服从正态分布的随机二值矩阵,并将其转化为N帧二值随机散斑图,将N帧二值随机散斑图按照设定周期顺序加载到DMD上。当二值随机散斑图的某点取值为1时,对应的微镜片处于“打开”状态;当二值随机散斑图的某点取值为0时,对应的微镜片处于“关闭”状态,这相当于对光源进行了N次空间强度分布调制,每次调制后的光强分布可由对应的二值随机矩阵I(x,y)表示。所求目标的像GTCGI(x,y)为
式中:<·>为对N次测量结果的系综平均;Ii(x,y)(1≤i≤N)为第i次DMD投影的随机二值散斑图的光场分布;T(x,y)为物体的透射率函数;Si为第i次桶探测器测量单个随机二值散斑图照射物体后的总强度值,即桶探测值;N为采样次数。经N次采样后,理想情况下可由(1)式和(2)式的TCGI算法重建物体图像。不同散斑颗粒尺寸的随机散斑图影响图像质量,若想获得更高的分辨率,可把随机散斑颗粒尺寸变小(如1 pixel×1 pixel),小于图像细节,使用分辨率高的投影仪,图像恢复效果越高。
在混合散斑图的压缩计算关联成像(HSCCGI)[9]中,由K个不同区域构成复杂物体,利用K个尺寸的散斑按照一定比例经N次采样后,组合成新的混合散斑图,得到HSCCGI方法的二阶关联函数为
式中:GHSCCGI(x,y)为采用HSCCGI算法恢复的图像;
在压缩感知鬼成像[3,13]方法中,将像素数为m×n的二值随机散斑图组合为一个1×(m×n)的行向量,经N次照射得到N个行向量,排列成N×(m×n)的矩阵称为探测矩阵Φ。将N次测量的桶探测值的区域总光强的探测结果组合为一个测量向量y=[S1S2S3 … SN]T,当Φ满足一定约束时,计算鬼成像公式可转化为求解最小L1范数下的最优化问题,即
式中:
式中:ΨT为稀疏变换矩阵Ψ的转置矩阵;GCS为压缩感知(CS)恢复的图像;ε为重构误差,可求得α的近似解
2.2 算法设计及理论分析
由于微小区域总光强值的波动情况影响待测物体表面的局部细节成像质量,提出的RSCCGI方法先将大目标区域与微小区域进行区域分割,使微小区域的总光强值波动较小,这在相同采样次数下的微小区域将获得较好的成像质量。基于RSCCGI的原理如
在RSCCGI方法中,利用DLP调制光场[17],将连续多幅服从正态分布的随机二值散斑图作用到被测物体表面,其光强分布为I(x,y),总光强为Ri,此时反射或投射光信号通过桶探测器采集总光强的值为Si,此处可用CMOS相机代替桶探测器收集投射物体光强,其单幅图像的光场强度进行面积分,所得结果作为单像素桶探测器的总光强响应值[18]。
基于RSCCGI的流程如
根据HSCCGI方法可进一步将所提算法的关联函数推导为
式中:GROI(x,y)为ROI重构图像;GN-ROI(x,y)为N-ROI重构图像;I″(i)k (x,y)为N-ROI混合散斑图的空间强度分布值;S″(i)k 为第i次测量时N-ROI混合散斑图照射物体后的总强度值,可通过更换透镜来用桶探测器探测
最后将分割后的子图像灰度值均调整到0~255范围后,基于ROI与N-ROI的位置信息将图像拼接为一幅完整图像。
3 数值仿真结果分析
仿真模拟中,待测对象是由“湖北工业大学校徽”和小尺寸数字“1952”两个(K=2)不同区域共同组成的多分辨率二值型物体,预置在DMD中的二值随机散斑图由MATLAB软件仿真生成,分辨率为100 pixel×100 pixel(m=100),结果如
图 3. 仿真模拟结果。(a)被测对象;(b) DMD中预置的二值随机散斑图
Fig. 3. Simulation results. (a) Measured object; (b) binary random speckle pattern preset in DMD
定义为10000(100×100)次检测,通常采样率β=0.05代
图 4. 不同采样率的ROI识别结果。(a) β=0.05;(b) β=0.10
Fig. 4. ROI recognition results with different sampling rates. (a) β=0.05; (b) β=0.10
运用区域分割方法的分割结果如
为了验证基于RSCCGI的方法,设计仿真模拟,并将其与TCGI[12]、压缩感知差分鬼成像(CSDGI)[20]和基于(HSCCGI)[9]进行对比,仿真结果如
图 6. 不同方法在不同采样率下的数值仿真结果对比。(a) β=0.05;(b) β=0.10;(c) β=0.20;(d) β=0.30
Fig. 6. Comparison chart of numerical simulation results of different methods at different sampling rates. (a) β=0.05; (b) β=0.10; (c) β=0.20; (d) β=0.30
由
为了进一步客观评价所提方法的优越性,利用峰值信噪比[21](PSNR)和结构相似性[22](SSIM)来衡量对比TCGI、CSDGI、HSCCGI和RSCCGI四种成像方法的图像质量,对比结果如
图 7. 不同指标与采样数的关系曲线。(a) PSNR;(b) SSIM
Fig. 7. Curves of different indicators and sampling times. (a) PSNR; (b) SSIM
由
数值仿真结果表明,提出的RSCCGI方法解决了其他方法中图像局部微小区域的成像质量差的问题,在减少采样次数和空间强度运算量的同时,显著提高了整幅图像局部微小区域的成像质量。
4 结论
提出一种基于RSCCGI方法,即利用阈值分割算法进行边缘检测,根据识别区域定位被测物体的粗略轮廓图像,生成相同大小的散斑图;再针对具体轮廓图像采用不同采样数和不同分辨率散斑进行照射,从而减少采样时间和提高较低采样率条件下的成像质量;最后通过仿真结果验证了所提方法的有效性。与TCGI、CSDGI和HSCCGI方法相比,所提方法能够使得非轮廓微小区域的总光强值更为准确,波动较小,受ROI影响较小,从而显著提高物体细节的成像质量。更重要的是,所提方法能够在低采样率的情况下,只针对图像N-ROI选取不同散斑颗粒尺寸进行关联计算,有效地解决了其他成像方案实验装置复杂、效果较差的问题。
[1] Shapiro J H. Computational ghost imaging[J]. Physical Review A, 2008, 78(6): 061802.
[2] Bromberg Y, Katz O, Silberberg Y. Ghost imaging with a single detector[J]. Physical Review A, 2009, 79(5): 053840.
[3] Katz O, Bromberg Y, Silberberg Y. Compressive ghost imaging[J]. Applied Physics Letters, 2009, 95(13): 131110.
[4] Ferri F, Magatti D, Lugiato L A, et al. Differential ghost imaging[J]. Physical Review Letters, 2010, 104(25): 253603.
[5] Sun B Q, Welsh S S, Edgar M P, et al. Normalized ghost imaging[J]. Optics Express, 2012, 20(15): 16892-16901.
[6] Wang W, Wang Y P, Li J H, et al. Iterative ghost imaging[J]. Optics Letters, 2014, 39(17): 5150-5153.
[7] Zhang C, Guo S X, Cao J S, et al. Object reconstitution using pseudo-inverse for ghost imaging[J]. Optics Express, 2014, 22(24): 30063-30073.
[8] Cao D Z, Xiong J, Zhang S H, et al. Enhancing visibility and resolution in Nth-order intensity correlation of thermal light[J]. Applied Physics Letters, 2008, 92(20): 201102.
[9] 周成, 黄贺艳, 刘兵, 等. 基于混合散斑图的压缩计算鬼成像方法研究[J]. 光学学报, 2016, 36(9): 0911001.
[10] Chan K W C, O'Sullivan M N, Boyd R W. High-order thermal ghost imaging[J]. Optics Letters, 2009, 34(21): 3343-3345.
[11] 赵明, 王钰, 田芷铭, 等. 水下推扫式计算鬼成像的方法[J]. 激光与光电子学进展, 2019, 56(16): 161101.
[12] Gatti A, Brambilla E, Bache M, et al. Ghost imaging with thermal light: comparing entanglement and classical correlation[J]. Physical Review Letters, 2004, 93(9): 093602.
[13] Tropp J A, Gilbert A C. Signal recovery from random measurements via orthogonal matching pursuit[J]. IEEE Transactions on Information Theory, 2007, 53(12): 4655-4666.
[14] Ahmed N, Natarajan T. C-[J]. Rao K R. Discrete cosine transform. IEEE Transactions on Computers, 1974, 23(1): 90-93.
[15] Aβmann M, Bayer M. Compressive adaptive computational ghost imaging[J]. Scientific Reports, 2013, 3: 1545.
[16] Katkovnik V, Astola J. Compressive sensing computational ghost imaging[J]. Journal of the Optical Society of America A, 2012, 29(8): 1556-1567.
[17] 陆明海, 沈夏, 韩申生. 基于数字微镜器件的压缩感知关联成像研究[J]. 光学学报, 2011, 31(7): 0711002.
[18] 刘保磊, 杨照华, 曲少凡, 等. 不同路径下散射介质对计算关联成像的影响[J]. 光学学报, 2016, 36(10): 1026017.
[19] Zhang Y, Lai Y K, Zhang F L. Stereoscopic image stitching with rectangular boundaries[J]. The Visual Computer, 2019, 35(6/7/8): 823-835.
[20] 仲亚军, 刘娇, 梁文强, 等. 针对多散斑图的差分压缩鬼成像方案研究[J]. 物理学报, 2015, 64(1): 014202.
Zhong Y J, Liu J, Liang W Q, et al. Multiple speckle patterns differential compressive ghost imaging[J]. Acta Physica Sinica, 2015, 64(1): 014202.
[21] 郭树旭, 张驰, 曹军胜, 等. 基于压缩感知归一化关联成像实现目标重构[J]. 光学精密工程, 2015, 23(1): 288-294.
[22] 刘军, 邵振峰. 基于特征结构相似度的遥感影像融合质量评价指标[J]. 光子学报, 2011, 40(1): 126-131.
Article Outline
冯维, 赵晓冬, 汤少靖, 赵大兴. 基于区域分割的压缩计算鬼成像方法[J]. 激光与光电子学进展, 2020, 57(10): 101105. Wei Feng, Xiaodong Zhao, Shaojing Tang, Daxing Zhao. Compressive Computational Ghost Imaging Method Based on Region Segmentation[J]. Laser & Optoelectronics Progress, 2020, 57(10): 101105.