论文部分内容阅读
随着现代信息技术的发展,人们对成像系统的要求越来越高。不仅需要更高的分辨率、更大的视场和更远的景深,而且需要更低的成本、更小的体积和更简单的结构。传统的光学系统为了满足成像性能的要求,往往通过增大系统口径、引入非球面元件或者增加系统复杂性提高成像质量,导致系统体积庞大、结构复杂、装配难度大。针对这一问题,衍射光学成像、超表面成像、计算光学成像等多种新型手段己成为近年来的研究热点,从根本上开始突破传统成像机理,以满足不同应用的需求。
相位编码衍射成像器件和方法是将衍射光学原理和计算成像技术相结合的一种新型成像技术。该技术通过一个可对光信息进行编码计算的光学元件对入射光进行调制,结合后期图象复原技术,仅采用单个元件或极简单的光学模块即可实现高分辨率成像,大大降低光学系统的复杂性。区别于传统的光学系统物一像映射的成像模式,相位编码衍射成像的光学系统部分可直接对入射光信息进行编码计算,将整个光学硬件和后端计算机处理软件统一作为一个信息处理模块进行综合考虑。此时,传感器采集到的像不是一个可供人眼直接观测的清晰像,而是一个模糊的编码像,需要通过计算机数字图象处理技术进行解码复原,才能得到最终的高质量图象。
相位编码衍射成像系统的成像质量与图象复原算法息息相关。图象处理技术发展至今,己形成了大量经典复原算法,有逆滤波、维纳滤波、全变分模型及正则滤波等。这些算法都已经应用在前期相位编码成像技术研究中,但是目前应用于编码成像复原算法的大都默认光学系统为线性空不变系统,所有的编码图象通过点扩散函数等基本标定参数对光学系统的调制模型进行表征,进而对图象进行重构。而实际相位编码成像系统获取的大视场、宽谱段图象本质上是非线性空不变系统,离焦点或轴外点的点扩散函数并不是完全相同的,针对这一特性,本文采用一种基于相位编码图象特性的等晕区(像点形状不随物点空间位置而变的区域)划分算法,将成像区域根据系统点扩散函数(Point Spread Function,PSF)以及光学传递函数(Optical Transfer Function,OTF)划分为多个子区域,子区域内的图象近似认为是线性空不变的。待各子区域图象复原后,再将多个子区域图象拼接为一幅完整的高分辨率图象。此外,为了进一步提高编码图象复原算法效率,提升图象等晕区与对应PSF的匹配准确率及速度,在基于图象非线性空不变特性以及分区域处理思路的基础上,本文提出一种基于BP神经网络结合图象分块的复原算法,从系统光学特性角度出发,解决了传统复原算法退化模型描述不准确的问题,从而大大提高了退化模型精度。
综上,本文主要研究重点包括:
(1)根据相位编码成像原理,对不同相位编码函数的图象特性进行分析,保证本文复原算法的通用性;对轴外点和离焦点的光学传递函数进行分析,证明实际光学系统非线性空不变系统,为等晕区划分、系统标定方法以及点扩散函数的提取提供理论依据。
(2)根据相位编码成像采样面获取的编码图象特性以及PSF分布,对图象的噪声和振铃效应进行分析,找出抑制噪声和振铃效应的方法。
(3)由于实际光学系统为非线性空不变系统,光轴方向不同的离焦点以及采样面不同的轴外点都应该对应不同的点扩散函数。根据这一特性,对采样图象进行等晕区划分,在此区域内近似认为是线性空不变的,因此根据不同子区域对应的PSF,对每个子区域先行进行复原后再拼接成一幅高质量的重构图象。
(4)在实际仿真及实验程中,图象等晕区与最佳PSF之间的匹配实现起来难度较高,往往需通过大量的标定,获取成千上万个样本,同时建立庞大的数据库,通过最优化算法确定二者之间的匹配关系,使得算法复杂,难以实现高效率的图象复原。为解决这一问题,本文利用BP神经网络,通过提前对相位编码衍射成像系统进行标定训练,构建等晕区与点扩散函数之问的联系。在后期的图象复原中,只需将等晕区输入网络中,即可得到此时等晕区最佳点扩散函数。此外,利用蚁群算法,对BP神经网络的训练速度及精度进行优化。
相位编码衍射成像器件和方法是将衍射光学原理和计算成像技术相结合的一种新型成像技术。该技术通过一个可对光信息进行编码计算的光学元件对入射光进行调制,结合后期图象复原技术,仅采用单个元件或极简单的光学模块即可实现高分辨率成像,大大降低光学系统的复杂性。区别于传统的光学系统物一像映射的成像模式,相位编码衍射成像的光学系统部分可直接对入射光信息进行编码计算,将整个光学硬件和后端计算机处理软件统一作为一个信息处理模块进行综合考虑。此时,传感器采集到的像不是一个可供人眼直接观测的清晰像,而是一个模糊的编码像,需要通过计算机数字图象处理技术进行解码复原,才能得到最终的高质量图象。
相位编码衍射成像系统的成像质量与图象复原算法息息相关。图象处理技术发展至今,己形成了大量经典复原算法,有逆滤波、维纳滤波、全变分模型及正则滤波等。这些算法都已经应用在前期相位编码成像技术研究中,但是目前应用于编码成像复原算法的大都默认光学系统为线性空不变系统,所有的编码图象通过点扩散函数等基本标定参数对光学系统的调制模型进行表征,进而对图象进行重构。而实际相位编码成像系统获取的大视场、宽谱段图象本质上是非线性空不变系统,离焦点或轴外点的点扩散函数并不是完全相同的,针对这一特性,本文采用一种基于相位编码图象特性的等晕区(像点形状不随物点空间位置而变的区域)划分算法,将成像区域根据系统点扩散函数(Point Spread Function,PSF)以及光学传递函数(Optical Transfer Function,OTF)划分为多个子区域,子区域内的图象近似认为是线性空不变的。待各子区域图象复原后,再将多个子区域图象拼接为一幅完整的高分辨率图象。此外,为了进一步提高编码图象复原算法效率,提升图象等晕区与对应PSF的匹配准确率及速度,在基于图象非线性空不变特性以及分区域处理思路的基础上,本文提出一种基于BP神经网络结合图象分块的复原算法,从系统光学特性角度出发,解决了传统复原算法退化模型描述不准确的问题,从而大大提高了退化模型精度。
综上,本文主要研究重点包括:
(1)根据相位编码成像原理,对不同相位编码函数的图象特性进行分析,保证本文复原算法的通用性;对轴外点和离焦点的光学传递函数进行分析,证明实际光学系统非线性空不变系统,为等晕区划分、系统标定方法以及点扩散函数的提取提供理论依据。
(2)根据相位编码成像采样面获取的编码图象特性以及PSF分布,对图象的噪声和振铃效应进行分析,找出抑制噪声和振铃效应的方法。
(3)由于实际光学系统为非线性空不变系统,光轴方向不同的离焦点以及采样面不同的轴外点都应该对应不同的点扩散函数。根据这一特性,对采样图象进行等晕区划分,在此区域内近似认为是线性空不变的,因此根据不同子区域对应的PSF,对每个子区域先行进行复原后再拼接成一幅高质量的重构图象。
(4)在实际仿真及实验程中,图象等晕区与最佳PSF之间的匹配实现起来难度较高,往往需通过大量的标定,获取成千上万个样本,同时建立庞大的数据库,通过最优化算法确定二者之间的匹配关系,使得算法复杂,难以实现高效率的图象复原。为解决这一问题,本文利用BP神经网络,通过提前对相位编码衍射成像系统进行标定训练,构建等晕区与点扩散函数之问的联系。在后期的图象复原中,只需将等晕区输入网络中,即可得到此时等晕区最佳点扩散函数。此外,利用蚁群算法,对BP神经网络的训练速度及精度进行优化。