[发明专利]基于散射复用的高通量免成像分类方法与装置

权利要求书

1.一种基于散射复用的高通量免成像分类方法，其特征在于，包括以下步骤：

使用散射介质对目标光场进行散射，得到散射后的散斑光场；

选取并保留部分散斑光场，对所述部分散斑光场进行编码调制，并使用单像素探测器采集编码调制后的耦合数据，得到对应不同编码的单像素测量数据；

构建训练数据集，所述训练数据集包括多类场景的部分散斑图和场景类别；

通过所述多类场景的部分散斑图和场景类别对深度学习神经网络进行训练，所述深度学习神经网络的网络结构包括复合模型缩放法的神经网络；

将采集的实际单像素测量数据输入训练后的深度学习神经网络中，通过所述训练后的深度学习神经网络第一部分中的多个卷积层与全连接层对所述单像素测量数据进行处理，通过所述训练后的深度学习神经网络第二部分中的复合模型缩放法的神经网络对由所述第一部分处理后的单像素测量数据进行识别，以得到成像分类结果，其中，所述复合模型缩放法的神经网络的卷积层由卷积核为3*3的卷积层、MB卷积层和卷积核为1*1的卷积层组成。

2.根据权利要求1所述的方法，其特征在于，使用仿真或实际采集数据构建所述训练数据集。

3.一种基于散射复用的高通量免成像分类装置，其特征在于，包括：

散射模块，用于使用散射介质对目标光场进行散射，得到散射后的散斑光场；

采集模块，用于选取并保留部分散斑光场，对所述部分散斑光场进行编码调制，并使用单像素探测器采集编码调制后的耦合数据，得到对应不同编码的单像素测量数据；

构建模块，用于构建训练数据集，所述训练数据集包括多类场景的部分散斑图和场景类别；

训练模块，用于通过所述多类场景的部分散斑图和场景类别对深度学习神经网络进行训练，所述深度学习神经网络的网络结构包括复合模型缩放法的神经网络；

处理模块，用于将采集的实际单像素测量数据输入训练后的深度学习神经网络中，通过所述训练后的深度学习神经网络第一部分中的多个卷积层与全连接层对所述单像素测量数据进行处理，通过所述训练后的深度学习神经网络第二部分中的复合模型缩放法的神经网络对由所述第一部分处理后的单像素测量数据进行识别，以得到成像分类结果，其中，所述复合模型缩放法的神经网络由卷积核为3*3的卷积层、MB卷积层和卷积核为1*1的卷积层组成。

4.根据权利要求3所述的装置，其特征在于，构建模块，具体用于使用仿真或实际采集数据构建所述训练数据集。