[发明专利]用于关联成像系统的图像重构方法

说明书

本发明公开了一种用于关联成像系统的图像重构方法，包括获取基础数据并初始化参数；进行伪测量过程得到稀疏系数矩阵；进行交替优化得到采样矩阵；优化采样矩阵；计算得到信号矩阵；进行图像重构。本发明将关联成像光场优化问题转化为压缩感知中的测量矩阵或采样矩阵优化问题，利用稀疏系数矩阵交替优化采样矩阵和稀疏表示基，优化的采样矩阵经过非负约束和二值阈值量化处理后产生所需要的散斑模式；本发明使得优化的采样矩阵更有效地捕获与目标有关的信息；因此，本发明方法能够有效提高采样效率，降低采样次数，提高重构质量，能够实现低采样率下的高质量图像重构，而且可靠性高、稳定性好且适用范围广。

技术领域

本发明属于计算关联成像领域，具体涉及一种用于关联成像系统的图像重构方法。

背景技术

关联成像又被称为鬼成像，其突出特性是能够实现“物像分离”。在典型的鬼成像系统中(如图1所示)，可以通过两束分布光束之间的关联运算重构出待测目标图像，这两束光分别称为参考光和信号光，相应的光路分别被称为参考光路和信号光路。参考光不与物体接触，可由CCD探测器采集，信号光路上放置待测物体，并由桶探测器记录物体透射或反射的光。单凭任意光路采集的数据都不能将目标重构出来，而对两路测量数据做关联运算可将待测目标重构出来。

由于背景噪声的存在，传统的鬼成像要实现较高质量的图像重构，需要进行大量的测量，这大大增加了测量和图像重构的时间成本，而信噪比提升却十分有限。为了降低采样次数，提高重构质量，Shapiro在2008年提出了计算鬼成像，Katz等人在2009年提出了压缩鬼成像，研究者将压缩感知理论与鬼成像技术相结合，利用压缩感知中的重构算法恢复待测目标图像，实现了测量次数远低于奈奎斯特采样极限，而重构图像质量相较于传统鬼成像又有所提高。

传统的压缩感知与鬼成像结合时，使用的一般是随机高斯分布的散斑照明模式，计算机预先生成随机散斑模式并加载到数字微镜器件或空间光调制器上，实现对照明光场的调制。这种方式简单易于实现，但不同的散斑模式间可能包含重叠信息，客观引入了散斑相关性噪声，导致重构图像的信噪比下降，采样效率也难以提升。

2015年，徐旭阳(Xu Xu Yang)等人基于压缩感知理论，将关联成像光场优化问题转化为压缩感知中的测量矩阵优化问题，从最小化测量矩阵和稀疏表示基间的互相干度出发，提出一种光场优化模型，在一定程度上提高了成像质量。但由于这种方式采用梯度下降算法对最小化模型进行求解，存在迭代次数多问题，只能得到局部最优，采样效率还有待进一步提升。并且对优化的采样矩阵元素进行四舍五入，相当于采用灰度散斑模式，和二进制散斑模式相比，加载到数字微镜器件上的速度较慢。

发明内容

本发明的目的在于提供一种能够实现低采样率下的高质量图像重构，而且可靠性高、稳定性好且适用范围广的用于关联成像系统的图像重构方法。

本发明提供的这种用于关联成像系统的图像重构方法，包括如下步骤：

S1.获取基础数据，并初始化参数；

S2.根据步骤S1获取的基础数据和参数，进行伪测量过程，得到稀疏系数矩阵；

S3.根据步骤S2得到的稀疏系数矩阵，进行交替优化过程，从而得到采样矩阵；

S4.对步骤S3得到的采样矩阵进行优化；

S5.根据步骤S4得到的优化后的采样矩阵，计算得到信号矩阵；

S6.根据步骤S4得到的优化后的采样矩阵和步骤S5得到的信号矩阵，进行图像重构。