基于高通滤波鬼成像的边缘检测方法 下载: 1074次
1 引言
鬼成像(GI)又称关联成像,是一种典型的双光路成像系统[1-2]。与传统的成像方式不同,在鬼成像中,光源发出的光经由分束器(BS)分别进入两个不同的光路中,一路直接被一个具有空间分辨率的CCD探测器接收,称为参考光路;另一路则经过照射物体后被一个桶探测器所接收,称为物体光路。通过对两个光路探测到的信息进行关联运算便可重构出被照物体的像。而Shapiro[3]于2008年提出的计算鬼成像(CGI)借助空间光调制器(SLM)生成光强已知的光场,省略了参考光路,简化了实验装置,使通过设计特殊散斑图样来提高恢复图像的质量或进行未知物体的边缘检测成为可能[4-5]。
对图像进行边缘检测能大幅度减少数据量,保留了图像重要的结构属性,而鬼成像边缘检测的效果更是在很大程度上影响着目标的定位和识别,这在空间遥感[6]、大气扰动成像[7]等领域显得尤为重要。现有的边缘检测的方法大多都是建立在待处理的图像足够清晰、所含有的噪声尽可能少的前提上的。而在现有鬼成像方法中,高质量的成像效果需要的计算量往往过大,时间耗费过多,如压缩计算鬼成像[8-9]、正弦鬼成像[10]等;传统鬼成像运算较快,但所重构出的鬼图像信噪比较低[11],如计算鬼成像及改进后的差分鬼成像[12]等,直接在鬼图像上进行边缘检测存在着较大的困难。2015年,Liu等[13]提出了梯度鬼成像(GGI),但这种算法的局限性在于需要一定的未知物体的先验知识以确定适当的梯度角;2016年,Mao等[14]借助GGI的思想提出了散斑位移鬼成像(SSGI)算法用于检测未知物体的边缘信息,但对于复杂物体的边缘成像效果仍然不够理想。
本文把Kirsch滤波及非下采样轮廓波变换(NSCT)引入鬼成像的散斑产生过程中,针对鬼图像难以进行边缘检测的问题,在CGI的理论基础上,提出了一种基于高通滤波鬼成像的边缘检测方法。随机生成的灰度图在被输入空间光调制器前,先经一次高通滤波,空间光调制器调制后的光束经过物体光路被桶探测器采集,再与原随机灰度图作关联运算,恢复出未知物体不同方向上的高频分量,最后根据所使用的滤波方法选择相应的重构方法恢复出未知物体的边缘图像。通过仿真验证了所提方法在无需预知物体信息的前提下对未知物体边缘检测的有效性。
2 基本原理
2.1 计算鬼成像
计算鬼成像实验装置示意图如
实验中需要重复以上过程,并将最终得到的实验数据进行汇总、处理,以重构出物体的图像。设N次采样中,空间光调制器生成的第k个随机散斑图样为I(x,y;k),与之相对应的桶探测器测得的总光强值为B(k),成像物体的传输系数为T(x,y),将散斑图样与总光强值进行关联运算即可重构出物体的像。计算鬼成像的重构公式为
式中:T'(x,y)为重构出的像;<·>表示取平均值运算;k=1,2,…,N,N为总采样次数。
2.2 基于高通滤波的鬼成像
本文在计算鬼成像的框架下提出了一种基于高通滤波鬼成像的边缘检测方法,方法示意图如
2.2.1 基于Kirsch滤波的鬼成像
文献[ 14]在GGI基础上所提出的SSGI是一种较为经典的鬼成像边缘检测算法,其实质是通过散斑图案的移位及后续加权计算实现Sobel算子的卷积运算,并恢复出水平与垂直方向上的边缘图,再进一步重建出未知物体的整体边缘图像。不同于SSGI,基于Kirsch滤波的鬼成像边缘检测方法通过空间光调制器直接生成Kirsch滤波后的散斑图样,再用于关联重构,并且将Kirsch算子在细节保持和抗噪声方面的优势引入鬼成像的边缘检测中。
根据卷积的数乘结合律,推导(1)式可得
式中:G0为0°方向上Kirsch掩模;B0(k)为第k次采样,掩模方向为0°时的桶探测器值;I(x,y;k)为第k次采样时的随机灰度图;T0(x,y)为未知物体在0°方向上的边缘信息;表示卷积运算。对(1)式与(3)式进行类比,可知通过对原随机灰度图和桶探测器进行关联,可恢复出成像物体在0°方向上的边缘图:
同理可得T45、T90、T135、T180、T225、T270、T315的表达式。
本文对Kirsch滤波恢复出的8个子图进行了两种方法的重构处理:
1) 采用传统的Kirsch边缘检测方法,取绝对值的最大值作为边缘图像输出,称为Kirsch_max,输出边缘图像可表示为
式中:max(·)表示对对应像素点灰度值取最大值操作。
2) 对于所得的8个方向子图,采用多图加权平均的方式获得最终的边缘图像Kirsch_ave,可表示为
式中:average(·)表示对对应像素点灰度值求均值操作。
2.2.2 基于NSCT的鬼成像
NSCT是一种基于非下采样金字塔(NSP)和非下采样方向滤波器(NSDFB)的变换。首先由NSP对输入图像进行塔形分解,将其分解为高通和低通两个部分,然后由NSDFB将高频子带分解为多个方向子带,低频部分继续进行如上分解。
与基于Kirsch滤波的鬼成像类似,基于NSCT的鬼成像以NSCT分解替代Kirsch算子。方向滤波器(DFB)通过树状结构的分解将其频带分割成为锲形,每个尺度的方向子带数目呈两倍递增,并且每个尺度下的方向子图的大小都和原图大小一样,这使得NSCT分解能直接用于计算鬼成像的框架中,而不用作其他处理。当尺度为1,3时,方向子带数目分别为2,8个,这分别与Sobel算子和Kirsch算子的类似。因此,本文在基于Kirsch滤波的鬼成像的基础上,将不同方向的算子改变为不同尺度、不同方向上的NSCT进行分解操作。后续利用关联算法重构未知物体各方向上的高频子图,并通过逆NSCT(INSCT)重构恢复出多幅高频子图的边缘检测图像。
NSCT分解有利于更好地保持图像的边缘信息和轮廓结构,但由于尺度越大,相应的运算时间呈指数增长,所以在边缘检测效果较好的前提下,平衡了成像效果和计算复杂度后,本文只对尺度为1的情况进行讨论。
3 仿真
为了验证所提算法的性能,本文以MATLAB为仿真平台分别对基于Kirsch滤波和NSCT的鬼成像进行了仿真,并将本文的算法结果同文献[ 14]的SSGI算法的边缘检测效果进行了对比。
3.1 评价指标
由于恢复出的鬼图像并不是纯粹的二值图,且其中仍含有部分噪声,所以传统的边缘评价指标(如边缘强度等)并不适用于对鬼成像中的边缘检测进行评价。根据所采用的不同的高频重构算法,本文分别采用了边缘信噪比(SNR)和边缘均方差(MSE)指标定量比较本文算法和SSGI算法
式中:mean(·)、var(·)分别表示求均值和求方差;Iedge、Ib分别表示所重构出边缘检测图中的边缘区域和背景区域的强度值;I、K分别为鬼成像边缘检测图和原图的边缘图像;m、n为图像大小,i、j为像素点位置。
3.2 实验一
第一组实验以“rice”图像模拟成像物体,图像规格为80 pixel×80 pixel,散斑尺寸及大小与之相同,不同方法的边缘检测效果如
由
图 3. “rice”的数值模拟边缘检测结果。(a) “rice”原图;(b) 40000次采样下CGI图像;(c) 40000次采样下CGI图像的边缘检测图;(d) 12000次采样下SSGI算法结果;(e) 12000次采样下Kirsch_max算法结果;(f) 12000次采样下Kirsch_ave算法结果;(g)原图边缘检测图
Fig. 3. Results of edge detection of “rice” using numerical simulation. (a) Original image of “rice”; (b) CGI image under 40000 samples; (c) edge detection image of CGI image under 40000 samples; (d) result of SSGI algorithm under 12000 samples; (e) result of Kirsch_max algorithm under 12000 samples; (f) result of Kirsch_ave algorithm under 12000 samples; (g) edge detection image of original image
从信噪比来看,本文算法的鬼成像结果优于SSGI算法,且Kirsch_ave算法的信噪比指标更高,这是因为加权平均能极大限制由成像方式所带来的随机噪声,进而得到较好的边缘图像。但在实际应用中往往还要考虑噪声对算法性能的影响。于是仿真模拟环境噪声:向桶探测器中分别加入不同强度的高斯噪声,不同算法在有噪环境下的鬼成像结果如
图 5. 不同算法抗噪性分析。(a)不同算法结果图;(b)不同算法抗噪性能分析
Fig. 5. Analysis on anti-noise performances of different algorithms. (a) Results of different algorithms; (b) analysis on anti-noise performances of different algorithms
3.3 实验二
第二组实验以“lena”图模拟成像物体,图像规格仍为80 pixel×80 pixel,散斑尺寸及大小与之相同,采样次数为12000次。不同算法下鬼成像边缘检测效果如
需要注意的是,该方法的高频重构方法为INSCT,重构方法的不同会造成成像效果的差异,本文将该方法的恢复图的灰度规划到(-0.5,0.5)之间。从
SSGI算法和阈值分别为0,0.17时的本文算法在不同采样次数下的鬼成像边缘检测结果如
图 6. “lena”的数值模拟边缘检测结果。(a) “lena”原图;(b) 50000次采样下CGI图像;(c) 50000次采样下CGI图像的边缘检测图;(d) 12000次采样下SSGI算法结果;(e) 12000次采样下NSCT算法结果
Fig. 6. Results of edge detection of “lena” using numerical simulation. (a) Original image of “lena”; (b) CGI image under 50000 samples; (c) edge detection map of CGI image under 50000 samples; (d) result of SSGI algorithm under 12000 samples; (e) result of NSCT algorithm under 12000 samples
图 7. SSGI和本文算法边缘检测结果。(a)~(e)SSGI算法恢复图;(f)Sobel算子对原图的边缘检测图;(g)~(k)阈值TH为0时,基于NSCT的鬼成像方法的恢复图;(l)NSCT对原图的边缘检测图;(m)~(q)阈值TH为0.17时,基于NSCT的鬼成像方法的恢复图
Fig. 7. Results of edge detection of SSGI and proposed algorithms. (a)-(e)Recovery images of SSGI algorithm; (f) edge detection image of original image obtained by Sobel operator; (g)-(k) recovery images of NSCT based ghost imaging method when threshold TH is 0; (l) edge detection image of original image obtained by NSCT; (m)-(q) recovery images of NSCT based ghost imaging method when threshold TH is 0.17
本文方法在采样次数较小时,如2000、4000、6000次,由于恢复图质量较差,设置阈值滤除的噪声超过了丢失的细节信息量,所以设置阈值时的恢复效果较好,且当采样次数一定,TH从0变化到2时,相应的MSE指标呈降低趋势;采样次数较大时,由于恢复图质量逐步变好,设置阈值滤除噪声的同时丢失的细节信息量超过了噪声本身,当采样次数一定时,MSE指标与阈值呈正比关系,无阈值时的MSE最小。总体看来,该方法的MSE小于SSGI算法。相比于SSGI算法,该方法对于图像的细节信息恢复得更好(如“lena”图中帽子上的毛绒)。在较低的采样次数下,本文方法检测出的边缘仍然清晰可辨,并且随着采样次数的增大,本文方法的恢复图像质量趋于稳定,且比SSGI算法更早收敛。但由于NSCT的分解及INSCT的重构太过复杂,桶探测器的误差会引起重构结果的较大失真,所以基于NSCT的鬼成像算法的抗噪声性能可能是制约其实用性的一个因素。
4 结论
本文在计算鬼成像的框架下,结合Kirsch滤波和NSCT提出了一种基于高通滤波的鬼成像边缘检测方法。以“rice”图和“lena”图模拟成像物体,通过仿真,分析了所提方法的边缘检测效果,并与SSGI算法进行了对比。结果表明:所提方法能够明显提高鬼成像中的边缘检测效果,边缘信噪比和边缘均方差均有明显优化,有助于目标的定位与识别,进而推动鬼成像在空间遥感等领域的实用化。但是,当将NSCT等较为复杂的方法用于鬼成像时,鬼成像的抗噪性能不尽理想,这是本文仍未解决的问题,也是下一步的工作方向。
[1] Strekalov D V, Sergienko A V, Klyshko D N, et al. Observation of two-photon “ghost” interference and diffraction[J]. Physical Review Letters, 1995, 74(18): 3600-3603.
[2] Valencia A, Scarcelli G. D'Angelo M, et al. Two-photon imaging with thermal light[J]. Physical Review Letters, 2005, 94(6): 063601.
[3] Shapiro J H. Computational ghost imaging[J]. Physical Review A, 2008, 78(6): 061802.
[4] 曹非, 赵生妹. 基于计算鬼成像的双密钥光学加密方案[J]. 光学学报, 2017, 37(1): 0111001.
[5] 王凯, 黎全, 林惠祖, 等. 基于遗传算法的空间光调制器鬼成像研究[J]. 光学学报, 2016, 36(2): 0227002.
[6] Li X F, Zhang S Q, Pan X, et al. Straight road edge detection from high-resolution remote sensing images based on the ridgelet transform with the revised parallel-beam Radon transform[J]. International Journal of Remote Sensing, 2010, 31(19): 5041-5059.
[7] 刘雪峰, 姚旭日, 李明飞, 等. 强度涨落在热光鬼成像中的作用[J]. 物理学报, 2013, 62(18): 184205.
Liu X F, Yao X R, Li M F, et al. The role of intensity fluctuations in thermal ghost imaging[J]. Acta Physica Sinica, 2013, 62(18): 184205.
[8] Katz O, Bromberg Y, Silberberg Y. Compressive ghost imaging[J]. Applied Physics Letters, 2009, 95(13): 131110.
[9] 陈熠, 樊祥, 程玉宝, 等. 基于邻域相似度的压缩感知鬼成像[J]. 光学学报, 2018, 38(7): 0711001.
[10] Mahdi Khamoushi S M, Nosrati Y, Tavassoli S H. Sinusoidal ghost imaging[J]. Optics Letters, 2015, 40(15): 3452-3455.
[11] Erkmen BI, Shapiro JH. Signal-to-noise ratio of Gaussian-state ghost imaging[C]∥Conference on Lasers and Electro-Optics/International Quantum Electronics Conference, May 31-June 5, 2009, Baltimore, Maryland, United States. Washington, D.C.: OSA, 2009: IThK5.
[12] Ferri F, Magatti D, Lugiato L A, et al. Differential ghost imaging[J]. Physical Review Letters, 2010, 104(25): 253603.
[13] Liu X F, Yao X R, Lan R M, et al. Edge detection based on gradient ghost imaging[J]. Optics Express, 2015, 23(26): 33802-33811.
[14] Mao T Y, Chen Q, He W J, et al. Speckle-shifting ghost imaging[J]. IEEE Photonics Journal, 2016, 8(4): 6900810.
陶勇, 王肖霞, 杨风暴. 基于高通滤波鬼成像的边缘检测方法[J]. 激光与光电子学进展, 2020, 57(2): 021101. Tao Yong, Wang Xiaoxia, Yang Fengbao. Edge Detection Based on High-Pass Filter Ghost Imaging[J]. Laser & Optoelectronics Progress, 2020, 57(2): 021101.