1 中国科学院光电技术研究所 光束控制重点实验室, 成都 610209
2 电子科技大学 光电科学与工程学院, 成都 610054
3 中国科学院大学, 北京 100049
4 中国民用航空飞行学院, 四川 广汉 618307
基于压缩感知和单像素成像的基本原理, 设计了一种用于图像超分辨率重建的新型深度卷积神经网络架构。这种单像素超分辨率成像算法成功地将深度学习图像超分辨率重建技术与压缩感知单像素成像技术相结合, 从而发展出一种全新的深度学习单像素成像优化方法。与传统的常规压缩感知图像重构算法相比, 该算法有效提升了图像超分辨率重建精度和单像素成像质量。通过图像重建的仿真实验和单像素相机的成像实验验证, 结果表明这种基于深度学习的新型单像素相机成像方式具有良好的性能表现。
单像素成像 压缩感知 深度学习 超分辨率 图像重构 single pixel imaging compressed sensing deep learning super-resolution image reconstruction
1 中国科学院光电技术研究所， 成都 610209
2 电子科技大学 光电科学与工程学院， 成都 610054
3 中国科学院光束控制重点实验室， 成都 610209
4 中国科学院大学， 北京 100049)
基于压缩感知图像重构和单像素相机成像的基本原理，对单像素成像系统中的图像重建算法进行了改进优化。基于最小范数类优化算法，结合凸优化算法和非凸优化算法各自的优点，设计了一种逼近L0范数的数学模型，从而实现了从凸优化向非凸优化算法的迭代逼近，即逼近光滑L0范数算法。该新型算法以更高的效率和更大的概率逼近原始信号全局最优且尽可能稀疏的解。相较于传统压缩感知图像重建的贪婪类算法和最小范数类算法，该算法使压缩感知重建图像的质量和单像素相机的成像效果均得到了有效提升，并通过实验仿真和实际场景的成像实验验证了该优化算法的可行性。
单像素相机 压缩感知 稀疏信号 全局最优 图像重构 single-pixel camera compressed sensing sparse signal global optimum image reconstruction
