[发明专利]一种基于Talbot效应光学卷积的图像特征提取系统及方法

说明书

本发明提出了一种基于Talbot效应光学卷积的图像特征提取系统及方法，光学卷积图像处理系统由光学系统、叠层光栅、分时切换系统以及探测器组成。所述光学系统包括物镜、目镜系统，源图像，用于实现物像的共轭缩小成像。所述叠层光栅系统可在光栅Talbot距离上产生Talbot自成像效应，进而利用莫尔条纹效应可对入射光场进行光学卷积处理。所述分时切换系统可以实现不同周期、不同相位光栅的分时切换，从而实现不同卷积参数的光学卷积操作，提取不同的入射图像特征。该方法利用光学卷积进行图像处理，可显著降低计算能耗以及节约计算时间。该方案结构系统紧凑，可有效利用光学卷积进行图像的滤波等操作。

技术领域

本发明涉及光学图像处理领域，具体为一种基于Talbot效应光学卷积的图像特征提取系统及方法。

背景技术

光学卷积性质是一个光学系统的重要性质，对一个成像系统(相干或非相干系统)而言，在满足线性空间不变系统的条件下，空域中的物像关系是一种卷积关系，数学关系为：I(x′,y′)＝I₀(x′,y′)*PSF，可知像是物和系统的PSF进行卷积而得，这是一种光学的卷积操作，光学卷积是光信息处理中最常用的运算和处理技术之一，在常见的数字图像处理中，数字卷积技术常常用于图像的滤波处理，如使用n*n的卷积模板，模板中设定不同的参数，可对数字图像进行滤波处理，用于提取目标中关键特征信息，但是数字卷积面临相当大的问题是当输入图像较大分辨率较高时，卷积模板比较复杂时，这个卷积过程将要耗费相当长的计算时间同时消耗数量可观的电能。

当今发展迅速的人工卷积神经网络CNN(Convolutional Neural Network)已经成为图像识别领域最优秀的算法之一，并广泛用于图像识别，图像分类，推荐系统，医学图像分析，视频分析处理，自然语言以及自然语音处理等领域，CNN网络结构中将大量运用数字卷积技术，然而，这种基于卷积处理的CNN网络所消耗的巨大功耗和其数据带宽要求限制了其在能源预算紧张的移动嵌入式系统中的使用，此时，光学卷积运算以其光速的卷积处理速度以及低功耗的优势在卷积计算中有极大的应用前景，有望使传统的数字域中实现的CNN卷积功能使用光学卷积的方式来实现，因而显著的提高运算速度和极大降低计算能耗。

发明内容

本发明的目的是提供一种使用光学卷积的图像处理技术，这种基于Talbot效应和莫尔条纹效应的光学卷积技术，能用于替代通常只能在电子领域实现的Gabor小波滤波卷积操作，同时本发明提供这种光学卷积图像处理的技术方案，这种方案结构紧凑，图像采集方便，能以高速低功耗的方式实现图像的光学卷积滤波操作。

为实现上述目的，本发明采用的技术方案是：

本发明首先公开了一种基于Talbot效应光学卷积图像特征提取系统包括：位于相同高度光轴的物镜、分时切换系统、目镜和CMOS；所述的分时切换系统包括若干不同参数的叠层光栅、以及选择所述叠层光栅并将其切换进入成像光路的驱动结构；所述的叠层光栅包括第一层光栅和第二层光栅；所述的第二层光栅布置在第一层光栅后表面整数倍Talbot距离处；

所述的第一层光栅位于物镜的后像面上，所述的第二层光栅位于目镜的前物面，所述的CMOS位于目镜的后像面。

作为本发明的优选，所述的第二层光栅布置在第一层光栅后表面2-4倍Talbot距离处。

本发明还公开了一种所述系统的基于Talbot效应光学卷积图像特征提取方法，包括如下步骤：

1)将经扩展光源照明的目标源图像放置在物镜的前物面上，经物镜成像后将共轭像汇聚在叠层光栅的第一层光栅上；

2)叠层光栅的第一层光栅发生Talbot衍射效应，衍射图案照射在位于整数倍Talbot距离处的第二层光栅，发生莫尔条纹效应，源图像经过叠层光栅后即进行了光学卷积操作；

3)将经过光学卷积的卷积图像通过目镜成像在后端的CMOS上；