[发明专利]一种噪声环境下欠采样单像素成像目标识别方法

说明书

本发明公开了一种噪声环境下欠采样单像素成像目标识别方法，该方法利用计算式单像素关联成像光路获取样本的一维欠采样信号，将一维欠采样信号行重排生成矩阵，将矩阵映射到伪彩色空间生成彩色图片；将彩色图片分为训练集和测试集，输入卷积神经网络进行训练，并进行参数调优，获得训练好的卷积神经网络；对待识别图片进行样本相同的处理得到彩色图片，将彩色图片作为目标样本经训练好的卷积神经网络进行识别，获得识别结果。本发明基在不进行关联运算的前提下进行目标识别，保证了目标识别准确率，加快了目标识别的速率。

技术领域

本发明属于图像处理技术领域，具体为一种基于计算单像素成像的目标识别方法。

背景技术

传统的单像素成像中，成像光路中的一束光经分束器被分成两束，其中一束称为信号光，与目标作用后被一个无空间分辨能力的单像素探测器接收；另一束称为参考光，在传播过程中不与目标发生相互作用，被一个具有空间分辨能力的阵列探测器接收。对两个探测器接收到的信号进行关联运算，就能够清晰地恢复出目标的图像。但传统单像素成像的成像质量依赖采样次数，并且会受噪声大小的影响，在高环境噪声，欠采样条件下的成像结果质量较差，图像不完整，细节辨识度下降，难以识别，在仅需对目标进行识别的场景下，既浪费了重构的时间，效果也不尽如人意。

发明内容

本发明的目的在于提供了一种基于计算单像素成像的目标识别方法。

实现本发明目的的技术解决方案为：一种噪声环境下欠采样单像素成像目标识别方法，具体步骤为：

利用计算式单像素关联成像光路获取样本的一维欠采样信号，将一维欠采样信号行重排生成矩阵，将矩阵映射到伪彩色空间生成彩色图片，将彩色图片分为训练集和测试集；

将训练集输入卷积神经网络进行训练，并进行参数调优，获得训练好的卷积神经网络；

利用计算式单像素关联成像光路获取待识别图片的一维欠采样信号并进行重排、映射为彩色图片，将彩色图片作为目标样本经训练好的卷积神经网络进行识别，获得识别结果。

优选地，所述算式单像素关联成像光路包括光源、第一透镜、DMD数字微镜、平面镜、第二透镜、单像素探测器以及计算机，所述第一透镜和DMD数字微镜的中心与样本中心处于同一光轴上并且满足透镜物相关系，使光源照射到样本后样本发出的透射或反射光线能垂直投射到DMD数字微镜平面上，所述DMD数字微镜与计算机连接，用于播放计算机生成的有序哈达玛矩阵，所述平面镜设置在样本的透射或反射光线经DMD数字微镜的反射光程上，所述单像素探测器与第二透镜处于同一光轴，平面镜的反射光线经第二透镜被单像素探测器采集，所述单像素探测器与计算机连接。

优选地，将伪彩色空间，值域上限为V_max，下限为V_min，分别具体为：

其中，和分别表示集合中的最大值和最小值，Δ为冗余量，是由单像素探测器单次测量值B_i组成的一维向量，Q为非重构样本个数。

优选地，所述卷积神经网络为Res_Net_v2_50模型，卷积层数为50层。

优选地，当卷积神经网络进行训练收敛后，将测试集提供给卷积神经网络进行测试，获得卷积神经网络的识别准确率。

本发明与现有技术相比，其显著优点为：1)本发明减少了单像素关联成像的重构步骤，简化了单像素成像系统目标识别的流程；2)本发明生成的目标识别样本和传统方法相比，数据量更少，在识别过程中的耗时也更少，识别速率更快；3)本发明在低采样率、高噪声的成像环境下仍然适用，并且目标识别准确率没有降低。

下面结合附图对本发明作进一步详细描述。

附图说明

图1为计算式关联成像光路示意图。