一种基于分块卷积的智能关联成像方法

本发明属于临地安防技术体系中稳定探测的，具体涉及一种基于分块卷积的智能关联成像方法。

背景技术：

1、关联成像将不同的散斑图案及相应光束穿透物体的光强度进行关联计算，从而生成对物体的图像预测。其突破了传统“点对点”成像范式的限制，使用可直接探测的强度信息对物体图像进行恢复，不仅有效解决了传统成像方法对光场信息的高要求，也为散射介质高分辨率成像提供了解决问题新方案。随着深度学习技术的发展，卷积神经网络被广泛应用在图像处理领域，尤其在图像的理解、恢复、增强等方面发挥了巨大的优势，因此在图像处理领域得到了成功应用。且很多研究者发现使用分块卷积网络去描述物体可以更有效地学习到物体的细节信息。

2、传统关联成像方法使用简单的四则运算探索光强信息，对散斑信息和光强信息的利用率较低，因此成像时需要采集大量光强信息，极大提高了数据采集成本。卷积神经网络在训练过程中需要大量的训练样本，这不仅增加了数据采集的成本，而且只能在特定训练过的场景下进行工作。

技术实现思路

1、为了克服现有技术的不足，本发明提供了一种基于分块卷积的智能关联成像方法，光源发出光投射到数字微镜器件(dmd)上，计算机根据存储的散斑图案将dmd上的光调制成不同的光束，调制后的光束照射到物体上，使用单像素探测器接收物体透射或反射的光强度值。使用四个不同的分块卷积网络生成图像的左上，右上，左下，右下四部分，之后将该四部分进行拼接，利用拼接后图像的光强和单像素采集器采集光强之差为约束限制网络的参数，以此保证网络可以更好地利用散斑信息和光强信息生成接近真实目标场景的图像。本发明方法利用分块卷积网络高效探索细节信息的特点，充分挖掘散斑和对应光强中的细节信息，提高对信息的利用率，采集少量的光强信息即可高质量成像。

2、本发明解决其技术问题所采用的技术方案包括如下步骤：

3、步骤1：导入散斑信息p并采集透过物体的光强度i；

4、步骤1-1：打开激光光源，使光照射到数字微镜器件dmd上；

5、步骤1-2：根据散斑信息p对光进行调制，使其生成形状不同的光束；

6、步骤1-3：使调制后的光束照射到物体上，采集光束透过物体的光强度i；

7、其中p是三维数据，由(n，w，h)组成，n代表散斑图数量，w和h分别代表单张散斑的宽度和高度；i是一维数据，由n个测得的光强度值组成；

8、步骤2：构建生成图像的四个分块卷积网络fcnn1(·)、fcnn2(·)、fcnn3(·)以及fcnn4(·)，四个分块卷积网络结构相同但参数独立；

9、步骤3；将四块像素点灰度值不为0的图片img1、img2、img3、img4分别输入四个分块卷积网络，四块图片其尺寸均为即每张图片高度、宽度均为散斑高度、宽度的一半；

10、步骤4：四个分块卷积网络分别生成待测图像的左上imglt、右上imgrt、左下imglb、右下imgrb四部分，表示为：

11、imglt＝fcnn1(img1) (1)

12、imgrt＝fcnn2(img2) (2)

13、imglb＝fcnn3(img3) (3)

14、imgrb＝fcnn4(img4) (4)

15、步骤5：将生成的四部分图像imglt、imgrt、imglb、imgrb按照其位置进行拼接，生成最终的图像imgfn；

16、步骤6：根据散斑图p计算图像imgfn的真实光强度值ir，根据生成图像的光强度值ir和探测器接受的光强度值i的差值设计损失函数，完成神经网络的参数训练过程，并输出最后一次优化时使用的imgfn作为最终图像，最小化目标函数，表示如下：

17、ir＝imgfn*pi (5)

18、min(mean(i-ir)2) (6)

19、优选地，所述四个分块卷积网络均包括6个卷积层，其中前2个卷积层的卷积核设置为7*7，中间2个卷积常的卷积核设置为5*5，最后2个卷积层的卷积核设置为5*5。

20、优选地，所述四块随机数值的图片img1、img2、img3、img4的每个像素点的灰度值设置为不为0的随机数。

21、优选地，所述步骤4具体为：

22、步骤4-1：将步骤3中输入的图片img1、img2、img3、img4作为输入，分别进行一次卷积操作，卷积核大小7*7，步长为1，输出四个与输入图像尺寸相同的图片；

23、步骤4-2：对步骤4-1中的输出结果分别进行一次卷积操作，卷积核大小为7*7，步长为1，输出四个与输入图像尺寸相同的图片；

24、步骤4-3：对步骤4-2中的输出结果分别进行一次卷积操作，卷积核大小为5*5，步长为1，输出四个与输入图像尺寸相同的图片；

25、步骤4-4：对步骤4-3中的输出结果分别进行一次卷积操作，卷积核大小为5*5，步长为1，输出四个与输入图像尺寸相同的图片；

26、步骤4-5：对步骤4-4中的输出结果分别进行一次卷积操作，卷积核大小为3*3，步长为1，输出四个与输入图像尺寸相同的图片。

27、本发明的有益效果如下：

28、本发明方法利用分块卷积网络高效探索细节信息的特点，充分挖掘散斑和对应光强中的细节信息，提高对信息的利用率，采集少量的光强信息即可高质量成像。同时，利用探测器采集的强度值作为参考标准对网络参数进行优化，摆脱了神经网络对训练集的场景依赖，实现多场景的高质量成像。

技术特征：

1.一种基于分块卷积的智能关联成像方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的一种基于分块卷积的智能关联成像方法，其特征在于，所述四个分块卷积网络均包括6个卷积层，其中前2个卷积层的卷积核设置为7*7，中间2个卷积常的卷积核设置为5*5，最后2个卷积层的卷积核设置为5*5。

3.根据权利要求1所述的一种基于分块卷积的智能关联成像方法，其特征在于，所述四块随机数值的图片img1、img2、img3、img4的每个像素点的灰度值设置为不为0的随机数。

4.根据权利要求1所述的一种基于分块卷积的智能关联成像方法，其特征在于，所述步骤4具体为：

技术总结
本发明公开了一种基于分块卷积的智能关联成像方法，光源发出光投射到数字微镜器件(DMD)上，计算机根据存储的散斑图案将DMD上的光调制成不同的光束，调制后的光束照射到物体上，使用单像素探测器接收物体透射或反射的光强度值。使用四个不同的分块卷积网络生成图像的左上，右上，左下，右下四部分，之后将该四部分进行拼接，利用拼接后图像的光强和单像素采集器采集光强之差为约束限制网络的参数，以此保证网络可以更好地利用散斑信息和光强信息生成接近真实目标场景的图像。本发明方法利用分块卷积网络高效探索细节信息的特点，充分挖掘散斑和对应光强中的细节信息，提高对信息的利用率，采集少量的光强信息即可高质量成像。

技术研发人员：李学龙,陈翼钒,孙哲
受保护的技术使用者：西北工业大学
技术研发日：
技术公布日：2024/1/14