基于深度学习的单像素成像方法研究

发布时间：2023-04-06 22:38

　　单像素成像(Single-pixel imaging,SPI)作为一种前沿的计算成像技术,随着计算机算力的提高而飞速发展。在非可见光波段面阵探测器往往造价昂贵甚至难以获得,单像素成像方法可以大幅降低这些波段内的成像探测成本。除此之外,单像素成像方法可以通过压缩采样的方式提高采集速度。然而,在当前的单像素成像方法中,压缩采样后图像质量还很难达到光学系统中实际应用的成像需求,因此我们只能在时间成本和成像质量之间做出取舍。我们寻求一种新的单像素成像方法,能够获得高质量的图像同时降低时间成本。经过大量实验和深入研究,我们提出了一种基于深度学习的单像素成像方法来满足上述需求。我们使用了深度神经网络中的生成对抗网络(Generative Adversarial Networks,GAN),该网络通过优化测量矩阵和重构算法,在相同压缩率下得到更好的图像质量。相比于其他单像素成像方法在压缩成像时的人为编码选择,该深度神经网络可以通过学习大量的图像得到较为客观的照明编码图案,从而在相同的压缩率下比其他方法有更好的图像质量。通过仿真实验,我们将基于深度学习的单像素成像方法与压缩感知方法、Hadamard单...

【文章页数】：71 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 引言
    1.1 研究背景与研究意义
        1.1.1 研究背景
        1.1.2 研究意义
    1.2 单像素成像原理
    1.3 单像素成像研究现状
        1.3.1 基于压缩感知的单像素成像方法
        1.3.2 基于Hadamard变换的单像素成像方法
        1.3.3 基于傅里叶变换的单像素成像方法
    1.4 单像素成像的应用
        1.4.1 单像素成像方法在 3D成像的应用
        1.4.2 单像素成像方法在太赫兹成像的应用
        1.4.3 单像素成像方法在近红外二区荧光成像的应用
    1.5 本文的结构
第2章 深度学习方法概述
    2.1 深度学习背景介绍
        2.1.1 深度学习发展
        2.1.2 深度学习原理概述
        2.1.3 常见神经网络结构
        2.1.4 深度学习的优化方式
    2.2 本文使用的深度学习网络结构介绍
        2.2.1 深度自编码网络
        2.2.2 生成对抗网络
第3章 基于深度学习的单像素成像理论
    3.1 基于深度学习的单像素成像原理
    3.2 正则项约束编码矩阵
    3.3 深度神经网络结构及训练算法
        3.3.1 全连接层
        3.3.2 卷积层
        3.3.3 跳跃连接层
        3.3.4 分支结构的设计
        3.3.5 损失函数的定义
        3.3.6 梯度下降算法
    3.4 深度神经网络结构
    3.5 训练过程
第4章 实验和结果
    4.1 构建单像素成像系统
    4.2 单像素成像仿真结果与比较
    4.3 测量噪声对单像素成像的影响
    4.4 单像素成像实验结果
    4.5 结果讨论与分析
第5章 小结
    5.1 研究成果总结
    5.2 存在的问题及展望
        5.2.1 存在的问题与解决方案设想
        5.2.2 单像素成像在荧光寿命成像的潜在应用
参考文献
作者简历及攻读学位期间发表的学术论文与研究成果
致谢



本文编号：3784548