[發明專利]基于線性回歸的關聯成像方法

有效

• 申請號: 201910171024.6
• 申請日: 2019-03-07
• 公開（公告）號: CN109901190B
• 公開（公告）日: 2021-07-30
• 發明（設計）人: 趙生妹;任紅豆
• 申請（專利權）人: 南京郵電大學
• 主分類號: G01S17/89
• 分類號: G01S17/89
• 代理公司: 南京蘇科專利代理有限責任公司 32102
• 代理人: 張霞

本發明提供了一種基于線性回歸的關聯成像方法，包括：使用計算機產生一組隨機散斑，并將該組隨機散斑加載到DMD上；使用光源照射DMD并經DMD調制生成光學隨機散斑，光學隨機散斑與隨機散斑的數學表達式相同；使用光學隨機散斑照射物體，透過物體后的光強經透鏡聚焦后均由一無空間分辨能力的桶探測器接收，并得到相應的桶探測器值；在得到桶探測器值后，使用機器學習中的線性回歸方法對物體圖像進行恢復，得出物體的圖像。相比于使用二階關聯函數作為恢復函數，本發明采用機器學習中的線性回歸算法對未知物體圖像進行恢復，恢復圖像的峰值信噪比和結構相似度均大幅提升，恢復結果的清晰度提高，恢復結果質量佳，因此可有效提高成像質量，應用前景廣泛。

技術領域

本發明屬于關聯成像領域，具體涉及一種基于線性回歸的關聯成像方法。

背景技術

關聯成像(Correlated Imaging)，又稱“鬼”成像(Ghost Imaging，GI)，是近些年來量子光學領域的前沿和熱點之一。關聯成像采用兩條光路，一支稱為信號光路，指散斑通過物體后的光用一個無空間分辨能力的桶探測器接收；另一支稱為參考光路，指散斑在傳輸一段距離后由具有空間分辨能力的探測器接收；最后對兩條光路的探測結果進行二階關聯可以在參考光路得到物體的恢復圖像。與傳統的成像方式不同，關聯成像可以在不包含物體的光路上恢復出物體圖像，即具有非定域性。隨著關聯成像的發展，熱光“鬼”成像、計算“鬼”成像等新型“鬼”成像技術逐漸被提出。與此同時，隨著“鬼”成像性能的提高，各種基于“鬼”成像的應用也得以實現。大量研究表明，“鬼”成像可廣泛應用在軍事、加密、激光雷達等領域。

傳統的關聯成像使用二階關聯函數作為恢復算法對物體圖像進行恢復，該方法的恢復結果清晰度較差，恢復結果質量不佳，不能滿足技術要求和使用需求。因此，隨著“鬼”成像的技術發展，如何有效地提高成像質量成為關聯成像亟需解決的技術問題。

發明內容

針對現有技術的以上缺陷或改進需求，本發明提供了一種基于線性回歸的關聯成像方法，該方法基于線性回歸較好的擬合性能，將機器學習中的線性回歸的方法引入關聯成像，可得到清晰度更佳的恢復圖像，有效提高了關聯成像的圖像恢復質量。

為實現以上目的，本發明采用以下技術方案：

一種基于線性回歸的關聯成像方法，包括如下步驟：

步驟S1，使用計算機產生一組隨機散斑，并將該組隨機散斑加載到DMD上；其中，所述隨機散斑共有M個，設第m個隨機散斑的數學表達式為w_m；

步驟S2，使用光源照射DMD并經DMD調制生成光學隨機散斑，所述光學隨機散斑與步驟S1中隨機散斑的數學表達式相同；使用所述光學隨機散斑w_m照射物體，透過物體后的光強經透鏡聚焦后均由一無空間分辨能力的桶探測器接收，并得到相應的桶探測器值y_m；

步驟S3，在步驟S2中照射完所有的光學隨機散斑并且得到對應的桶探測器值后，使用機器學習中的線性回歸方法對物體圖像進行恢復，得出物體T(x,y)的圖像。

進一步地，步驟S2中，桶探測器值通過下式得出：

其中，y_m是第m個光學隨機散斑w_m照射到物體后桶探測器接收的來自于物體的光強值；是第m個光學散斑w_m的列向量表示，w_m的大小為N×N，的大小為N²×1；是物體T(x,y)的列向量表示，T(x,y)的大小為N×N，的大小為N²×1；n是桶探測器接收到的背景噪聲。

進一步地，步驟S3中，所述光學隨機散斑全部照射到物體且所述桶探測器接收了所有的光強值后，該過程用公式表示如下：