论文部分内容阅读
关联成像(Ghost Imaging:GI),俗称鬼成像,利用光场的二阶强度关联函数便可恢复出目标物体的像。与传统光学成像相比,关联成像可以实现成像与探测的分离以及在复杂环境中成像,具有非局域、抗干扰性强等优点,使其在诸多领域具有明显的优势与价值。然而由于GI成像质量差与成像时间长难以满足工程化应用的需求,因此改善GI成像质量与减少测量次数是GI应用当前迫切需要解决的问题,关联成像重构算法的优化与创新是解决这些问题有效的途径之一。本文主要对迭代关联成像阈值选取方法进行探索性研究,并提出了一种新的标量矩阵构建方法。迭代伪逆关联成像算法(Iterative Pseudoinverse Ghost Imaging,IPGI)是一种对初始重构结果去噪的算法,主要抑制伪逆关联成像(Pseudoinverse Ghost Imaging,PGI)重构结果的背景噪声。通过实验结果证实,与PGI、DGI(Differential Ghost Imaging,DGI)、GI算法相比,IPGI算法可以显著的改善重构结果的视觉效果与峰值信噪比(Peak Signal-to-Noise Ratio:PSNR);IPGI算法可以在更少的测量次数下获得与DGI、PGI重构结果相同的PSNR值;IPGI算法中阈值选取过大或过小都会导致成像质量发生退化,合适的阈值选择将会产生更好的成像质量,因此阈值选择方法对IPGI算法至关重要。传统基于暴力搜索的阈值选取方法尽管可以获得最佳阈值,但是搜索时间长且阈值选取过程依赖于目标的先验信息,因此高效的阈值选取方法仍需进一步研究为了优化阈值选取方法,首先介绍K-means聚类算法,然后提出了利用Kmeans聚类的阈值选取方法,其在迭代正交化关联成像(Iterative Schmidt ghost imaging,ISGI)算法中可以快速准确的获得阈值。实验结果表明KT-ISGI(K-means clustering based threshold selection of iterative Schmidt ghost imaging)的成像质量优于SGI(Schmidt ghost imaging)、DGI算法。与此同时利用K-means聚类的阈值选取方法也可以应用于IPGI算法,称为KT-IPGI(K-means clustering based threshold selection of iterative Pseudoinverse ghost imaging)。在ISGI与IPGI算法中,实验结果表明与传统基于暴力搜索的阈值选取方法相比,利用K-means聚类的阈值选取方法可以在极短的时间内准确的选取阈值,且阈值选取过程不依赖于目标的先验信息,分别有效的抑制初始重构结果SGI与PGI的背景噪声,极大的改善成像质量。最后对比了KT-ISGI与KT-IPGI算法的成像质量,仿真实验结果表明,相同条件下,PGI与SGI算法可以产生同样清晰度的图像,KT-ISGI与KT-IPGI算法的PSNR曲线基本重合。最后,从理论角度分析迭代关联成像算法(Iterative Ghost Imaging,IGI)与标量矩阵构建算法(Scalar-matrix-structured ghost imaging:SMGI)的联系,提出利用K-means聚类的标量矩阵构建方法(K-means clustering based Scalar-matrixstructured ghost imaging,K-SMGI),仿真实验结果表明K-SMGI算法可以在较低的测量次数下产生比PGI、DGI算法更清晰的图像。迭代关联成像算法是一类对初始重构结果去噪的算法,因此优化迭代关联成像的阈值选取方法与改进关联成像重构算法,有助于关联成像的进一步发展。