[发明专利]基于散射复用的高通量免成像分类方法与装置

说明书

本发明公开了一种基于散射复用的高通量免成像分类方法与装置，其中，方法包括以下步骤：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；设计并训练深度学习神经网络，网络的输入为单像素测量数据，输出为目标场景的分类结果；将采集的实际单像素测量数据输入深度学习神经网络中，得到成像分类结果。该方法仅需采集经过散射后的部分散斑图的单像素测量数据，无需经过图像重建即可输出场景分类的语义结果，具有效率高、计算复杂度低的特点。

技术领域

本发明涉及计算摄像学技术领域，特别涉及一种基于散射复用的高通量免成像分类方法与装置。

背景技术

成像的基本过程是利用光学成像器件把场景投影到面阵传感器上，传感器获取数据，经模数转换处理后形成计算机可以显示的图像。随着成像技术的发展，针对于生活中繁琐或重复的图像识别问题，通过使用计算机识别不同图像的不同特征，代替人类的视觉进行判断。自二十世纪90年代以来，随着计算机的处理能力越来越强，图像识别技术得到了很大的进步与发展。从最早的数字识别、手写文字识别逐渐发展到人脸识别、物体识别、场景识别、属性识别、精细目标识别等，所采用的技术也从最早的模板匹配、线性分类到现在所广泛使用的深层神经网络与支持向量机分类的方法。

然而，现有的传统光学成像技术与图像识别领域中主要存在如下的不足：(1)对成像质量与硬件设备要求高；(2)数据量巨大；(3)需图像重构，步骤复杂。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的一个目的在于提出一种基于散射复用的高通量免成像分类方法，仅需采集经过散射后的部分散斑图的单像素测量数据，无需经过图像重建即可输出场景分类的语义结果，具有效率高、计算复杂度低的特点。

本发明的另一个目的在于提出一种基于散射复用的高通量免成像分类装置。

为达到上述目的，本发明一方面实施例提出了一种基于散射复用的高通量免成像分类方法，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；设计并训练深度学习神经网络，网络的输入为所述单像素测量数据，输出为目标场景的分类结果；将采集的实际单像素测量数据输入所述深度学习神经网络中，得到成像分类结果。

本发明实施例的基于散射复用的高通量免成像分类方法，基于单像素探测器，结合散射过程信息冗余的特点，获取部分散斑图的一维探测序列实现免成像分类，数据存储空间小；训练数据简单，网络运算速度快；直接输出目标语义信息，计算复杂度较低；装置简单，对硬件设备要求低。

另外，根据本发明上述实施例的基于散射复用的高通量免成像分类方法还可以具有以下附加的技术特征：

进一步地，在本发明的一个实施例中，所述设计并训练深度学习神经网络，包括：构建训练数据集，所述训练数据集包含多类场景的部分散斑图和场景类别；使用所述训练数据集对所述深度学习神经网络进行训练。

进一步地，在本发明的一个实施例中，所述深度学习神经网络的网络结构包括基于超深卷积层的神经网络和/或基于复合模型缩放法的神经网络。

进一步地，在本发明的一个实施例中，还包括：使用仿真或实际采集数据构建所述多类场景的部分散斑图和场景类别。