基于掩膜的光场采集与重建的研究

针对现有光场采集方式中存在的:相机阵列采集方式的硬件成本高,体积庞大;单相机分时采集光场局限采集静态光场;积分成像光场采集得到的光场空间分辨率低等问题。研究了一种基于掩膜(mask)的光场采集与重建方法。建立了光场采集模型,分析了光场在傅里叶域的成像过程;采用了随机衰减掩膜mask对光场信号进行随机编码,得到了被编码的传感器图像;离线学习了过完备光场字典,结合压缩感知理论对编码的传感器图像进行了非线性优化,重新恢复了原始的光场。     

基于光场相机的全视差三维显示

针对光场相机采集的三维信息在显示时只能呈现非常窄的视差问题,对光场相机信息记录过程进行了分析,提出一种将光场数据转化为元素图像阵列(EIA),并对EIA中的物体进行重新采样以调整深度的全视差三维显示方法。为了验证该方法的有效性,使用光场相机采集真实三维物体,利用所提方法对光场图像进行处理后,将其在深度优先集成成像(DPII)系统中进行显示。实验结果表明,利用所提方法可以实现光场数据的全视差三维显示。     

基于光场相机的四维光场图像水印及质量评价

光场相机通过在主镜组和传感器间特定位置设置微透镜阵列,在采集物方光强的同时可记录光线方向。提出一种在频域内对光场相机获取的四维光场图像加密的图像数字水印方法。植入信息经Base64编码后生成二维图像,并通过Aronld迭代对此图像进行均匀化处理,建立与原始光场坐标系匹配的虚拟计算光场,在四维傅里叶域内以切片替换的方式将加密信息植入原始光场中,实现光场图像加密,然后,基于二者坐标对应关系,应用傅里叶逆变换提取加密光场图像中的植入信息。搭建光场采集系统,应用本文方法对采集的原始光场图像进行加密处理。实验结果表明,加密光场图像信噪比高,与原始光场图像相关性强,加密光场图像无明显伪迹和失真,算法简便快捷,稳定可靠。     

一种数字微镜阵列分区控制和超分辨重建的压缩感知成像法

提出一种压缩感知成像框架结构.该结构采样端用新建的采样矩阵实现数字微镜阵列分区控制,可增强信息获取的准确性,测量得到与新数字微镜阵列对应的压缩采样值;重构端由采样值优化重构出低分辨率图像后,根据分区控制过程建立压缩感知理论框架下的超分辨重建模型,利用梯度稀疏约束优化算法进行求解,恢复出原高分辨率图像.实验结果表明:数字微镜阵列分区控制与超分辨重建相结合的方法可以明显降低压缩感知成像系统的计算量,缩短成像时间,并且具有较高的图像重构质量.     

压缩光场重建与深度估计

针对光场深度估计过程中数据量大、边缘处深度估计结果不准确问题,利用压缩感知原理重建光场,提出一种新的多信息融合的光场图像深度估计算法。利用压缩感知重建算法重建5×5视角光场数据,获取光场数据后首先移动子孔径实现重聚焦,然后利用角度像素块散焦线索和匹配线索计算出场景初始深度和置信度。计算图像边缘信息,通过融合初始深度、置信度、边缘信息获取最终深度。实现压缩光场仿真重建,并对仿真光场数据和公开光场数据进行深度估计,实验结果表明:可以仿真重建出5×5视角光场数据,且仿真重建的光场可用于深度估计。该深度估计算法在场景边缘处的深度估计结果边界清晰,层次分明,验证了重建光场深度估计的可行性与准确性。     

基于光场成像的表面三维重构

传统的成像方式单次曝光只能获取物空间二维横向分辨率信息,无法获取纵向深度信息,导致单次拍摄过程中物空间的深度信息丢失, 无法对物空间的目标物进行三维重构。光场相机内部采用光场传感器,不同于传统成像系统单次采集只能获取二维信息而造成的信息缺失,光场传感器可获取物空间的多维光场信息,同时其还具有便携等优点。采用光场相机进行拍摄,利用数字重聚焦以及散焦测距和相关计算的方法,实现密集深度图像的获取,基于matlab软件平台,对所获取的图像深度数据矩阵进行处理,最终实现物空间的三维重构。得到物空间的相对深度的归一化结果。本实验中,在深度范围为100 mm~1 500 mm范围内,实现平均误差为5.47%深度信息的表面三维重构,最大重构误差为8.30%。     

基于相机阵列的红外光场成像

光场成像作为一种应用广泛的计算成像方法,其研究仍局限于电磁波谱中的可见光波段。因此,提出基于相机阵列的红外光场成像方法。首先利用单台被动红外相机移动到同一平面的不同位置分别对同一静态目标场景成像,获取原始红外图像序列,经平移视差校正后生成红外光场数据库;然后基于光场渲染理论,获得重采样图像。与只记录二维位置信息的传统红外成像比较,红外光场成像能够记录包含位置和方向的四维信息。实验结果表明,该法能够融合多幅低信噪比的图像获得一幅信噪比提高的重采样图像,通过孔径叠加平均可实现穿透遮挡物成像,通过选取不同深度值进行重采样可实现红外场景不同深度的数字重聚焦,使红外成像在军事和民用领域更有应用价值。     

一种八谱段滤光片成像系统设计

针对多光谱滤光片阵列成像采样率低,原始(Raw)数据稀疏所导致的重建图像模糊,高频信息丢失等问题,提出了一种新八谱段滤光片阵列分布方案,利用基于邻域梯度延伸方法对光谱Raw图像进行重建.首先基于二叉树生成法,在重复排列的4×4阵列中设计了一种等空间概率比的八谱段滤光片分布方案;然后针对传感器直接获取的稀疏Raw图像,计算各谱段采样点的梯度信息,在保持图像结构特征和纹理信息的基础上,利用邻域采样点的像素值和梯度值对未采样点进行重建,从而获得完整的光谱图像信息;最后,基于已重建的八谱段光谱图像,采用伪逆矩阵法重构各像素位置的31波段光谱值.结果表明,相对于主流图像重建方法,本文算法提高了重建八谱段光谱图像的峰值信噪比、复合峰值信噪比,降低了光谱均方差,更好地保留了图像的纹理和边缘,有效降低了多光谱滤光片阵列成像中的颜色伪影和图像模糊等现象.     

基于神经辐射场的光场角度域超分辨

由于数据通量限制,光场数据采集存在空间-角度分辨率折中,无法达到诸多应用场景对精细三维重建的要求。本文使用双平面参数化光场数据训练神经辐射场,由神经辐射场生成光场视点平面上新的视点图像,进而实现光场角度域超分辨。由于神经辐射场能够对光场场景进行隐式表达,为高分辨率的四维光场拟合出准确的隐式函数,并将输入变量通过位置编码映射到该变量的傅里叶特征。因此该方法可以准确表达具有复杂不利条件的光场场景,并且能够有效地解决场景高频纹理信息较难拟合的问题。本文通过超分辨光场的角度域信息突破空间-角度分辨率折中、带宽积的限制,在实验中将角度分辨率从5×5提升到9×9,并且峰值信噪比（PSNR）平均提升了13.8%,结构相似度（SSIM）平均提升了9.19%。该研究结果可为后续的光场计算成像工作提供参考。     

基于平场光栅的稀疏约束鬼成像高光谱相机

基于稀疏约束的鬼成像光谱相机,能够通过单次曝光获得目标场景的三维空间光谱数据立方体。但是由于不同波长的散斑场在探测器的同一位置处,使得仪器的光谱分辨率和信噪比受到限制。为了解决上述问题,提出了利用平场光栅分光将不同波长的光场在探测面上错开一定距离的系统,实现了基于平场光栅的稀疏约束鬼成像高光谱相机。通过对系统成像过程的理论推导,得到了系统的关联函数,并通过实验和数值模拟验证了理论推导结果。在保证原先光谱相机优点的同时,基于稀疏约束的鬼成像高光谱相机可以分别调控光谱分辨率和空间分辨率,实现可控的信噪比。此外,还能够根据不同波长的光场特性来优化测量矩阵,从而提高图像恢复质量。     

稀疏阈值的超分辨率图像重建

为了解决基于字典学习的超分辨重构算法耗时过长的问题,提出了基于稀疏阈值模型的图像超分辨率重建方法。首先,将联合字典理论与图像块稀疏阈值方法相结合,训练得到高、低分辨率过完备图像字典对。接着,通过稀疏阈值OMP算法对图像特征块进行稀疏表示。然后,通过高分辨率字典重构出初始的超分辨图像。最后,通过改进迭代反投影算法对初始的超分辨图像进行全局优化,从而进一步提高图像重构质量。实验结果表明,超分辨图像重构平均峰值信噪比(PSNR)为30.1 d B,平均结构自相似度(SSIM)为0.937 9,平均计算时间为10.2 s。有效提高了超分辨重构的速度,改善了重构高分辨图像的质量。     

An infrared image super-resolution reconstruction method based on compressive sensing

Limited by the properties of infrared detector and camera lens, infrared images are often detail missing and indistinct in vision. The spatial resolution needs to be improved to satisfy the requirements of practical application. Based on compressive sensing (CS) theory, this thesis presents a single image super-resolution reconstruction (SRR) method. With synthetically adopting image degradation model, difference operation-based sparse transformation method and orthogonal matching pursuit (OMP) algorithm, the image SRR problem is transformed into a sparse signal reconstruction issue in CS theory. In our work, the sparse transformation matrix is obtained through difference operation to image, and, the measurement matrix is achieved analytically from the imaging principle of infrared camera. Therefore, the time consumption can be decreased compared with the redundant dictionary obtained by sample training such as K-SVD. The experimental results show that our method can achieve favorable performance and good stability with low algorithm complexity.     

结合稀疏编码和空间约束的红外图像聚类分割研究

提出了结合稀疏编码和空间约束的红外图像聚类分割新算法, 在稀疏编码的基础上融合聚类算法, 扩展了传统的基于K-means聚类的图像分割方法. 结合稀疏编码的聚类分割算法能有效融合图像的局部信息, 便于利用像素之间的内在相关性, 但是对于分割会出现过分割和像素难以归类的问题.为此, 在字典的学习过程中, 将原子的聚类算法引入其中, 有助于缩减字典中原子所属类别的数目, 防止出现过分割; 考虑到像素及其邻域像素具有类别属性一致性的特点, 引入了空间类别属性约束信息, 并给出了一种交替优化算法. 联合学习字典、稀疏系数、聚类中心和隶属度, 将稀疏编码系数同原子对聚类中心的隶属程度相结合, 构造像素归属度来判断像素所属的类别. 实验结果表明, 该方法能够有效提高红外图像重要区域的分割效果, 具有较好的鲁棒性. 关键词： 图像分割 稀疏编码 聚类 空间约束     

An occlusion-adaptive tracker based on sparse representation using alternating direction method of multipliers

Recently, sparse representation has been applied to visual tracking with satisfactory performance. However, partial occlusion and computational complexity are two main obstructions in developing sparse-based tracking. In this paper, a simple yet robust tracker based on patch-based sparse representation is proposed. An adaptive motion model, including adaptive sampling regions and adaptive particle numbers, is proposed to improve the sampling efficiency. A self-adjustable segmentation approach is proposed to segment the target into local patches. A patch-based observation model, which is occlusion-adaptive, is constructed by solving a set of L1-regularized least squares problems. The L1-regularized least squares problem is solved using the alternating direction method of multipliers (ADMM). Both quantitative and qualitative experiments are conducted on several challenging image sequences and the comparisons with several state-of-the-art trackers demonstrate the effectiveness and efficiency of our tracker.     

合成孔径压缩感知超声成像中的高效能稀疏字典设计

针对目前常见的稀疏字典缺乏针对性,在合成孔径医学超声成像中的应用效果不佳,难以在低压缩率下保证重构图像质量的问题,本文设计了一种高效能的稀疏字典。根据超声回波信号是由发射脉冲信号经过不同延时衰减后叠加的特点,利用发射脉冲作为基函数构造稀疏字典,回波信号在该稀疏字典确定的变换域中具备很好的稀疏性,理论上能使其稀疏表示系数的稀疏度等于超声阵元接收到的反射回波数。通过FieldⅡ对简单点目标和复杂目标的仿真结果表明:在相同的重构算法和压缩率下该稀疏字典重构的平均绝对误差明显小于常见的稀疏字典,其值仅为DWT的几分之一,DFT和DCT的几十分之一,能让回波信号以更低的压缩率实现相同的恢复效果。本文最后使用体模的实际采集数据对算法的实际效果进行检测,实验结果也与仿真结果基本一致。基于该稀疏字典的压缩感知算法可以进一步减少合成孔径成像所需存储的数据量、降低系统的复杂度。      

Investigation and optimization of sampling characteristics of light field camera for flame temperature measurement

It is essential to investigate the light field camera parameters for the accurate flame temperature measurement because the sampling characteristics of the flame radiation can be varied with them. In this study, novel indices of the light field camera were proposed to investigate the directional and spatial sampling characteristics of the flame radiation. Effects of light field camera parameters such as focal length and magnification of the main lens, focal length and magnification of the microlens were investigated. It was observed that the sampling characteristics of the flame are varied with the different parameters of the light field camera. The optimized parameters of the light field camera were then proposed for the flame radiation sampling. The larger sampling angle(23 times larger) is achieved by the optimized parameters compared to the commercial light field camera parameters. A non-negative least square(NNLS) algorithm was used to reconstruct the flame temperature. The reconstruction accuracy was also evaluated by the optimized parameters. The results suggested that the optimized parameters can provide higher reconstruction accuracy for axisymmetric and non-symmetric flame conditions in comparison to the commercial light field camera.     

近似零伪范数约束的水声信号压缩与重构

提出近似零伪范数约束的稀疏压缩与重构方法。该方法首先采用稀疏二进制矩阵作为测量矩阵,对信号进行压缩和传输;在接收端仅给定测量矩阵和压缩信号的条件下,采用小波滤波器设计字典,利用最陡梯度法寻优和投影方法求得信号的稀疏表达,最终结合稀疏表达值与字典用于水声数据重建,海试实验结合扫频以及单载频信号进行处理,采用NMSE、SNR以及算法运行时间作为算法的评估指标,以验证本文方法相对于传统算法在恢复精度上的提高。      

基于L1范数的微分相位衬度CT稀疏角度重建算法

微分相位衬度成像及其计算层析(CT)技术是近年出现的无损检测新方法。但是,相位衬度CT往往需要对样品进行多次扫描,这必将导致非常长的辐射时间和巨大的辐射剂量。稀疏角度重建在降低辐射剂量方面有着非常明显的优势,因此,研究针对相位衬度CT的稀疏角度重建算法就显得尤为重要。在分析了相位衬度CT的特点之后,将压缩感知理论引入相位衬度CT重建中,并在该理论框架下将L1约束融入代数迭代重建(ART)算法中,提出了一种微分相位衬度CT重建算法。数值模拟和实际实验表明,该方法可以根据少量投影数据给出较好的重建结果。     

Single-image super-resolution with joint-optimization of TV regularization and sparse representation

A super-resolution (SR) reconstruction framework is proposed using regularization restoration combined with learning-based resolution enhancement via sparse representation. With the viewpoint of conventional learning methods, the original image can be split into low frequency (LF) and high frequency (HF) components. The reconstruction mainly focuses on the process of HF part, while the LF one is founded simply by typical interpolation function. For the severely blurred single-image, we first use regularization restoration technology to recover it. Then the regularized output remarkably betters the quality of LF used in traditional learning-based methods. Last, image resolution enhancement with characteristic of edge preserving can implement based on the acquired relatively sharp intermediate image and the pre-constructed over-complete dictionary for sparse representation. Specifically, the regularization can favorably weaken the dependence of atoms on the course of degradation. With both techniques, we can noticeably eliminate the blur and the edge artifacts in the enlarged image simultaneously. Various experimental results demonstrate that the proposed approach can produce visually pleasing resolution for severely blurred image.