[发明专利]应用于单比特量子图像传感器的最佳阈值图像重构方法

权利要求书

1.一种应用于单比特量子图像传感器的最佳阈值图像重构方法，其特征是，首先定义单比特量子图像传感器成像模型中的1-γ_q(c)＝S_n/KT为比特密度，其中的K为空间过采样因子，T为时间过采样因子，S_n为KT个二进制数中1的个数，比特密度反应了像素的量化阈值是否与接收的光强相适应，比特密度为“1”代表当前阈值过低导致量化结果均为“1”，相当于像素过曝光，比特密度为“0”代表当前阈值过高导致量化结果均为“0”，相当于像素欠曝光，比特密度在0、1之间时说明当前为合理阈值，定义像素偏差值Q_offset为一行中各个像素的比特密度与0.5的差，行偏差值Q_{offset_sum}为该行中所有像素偏差值Q_offset之和，行偏差值代表该行像素比特密度整体偏离0.5的程度，当行偏差值为0即当前行像素比特密度的期望为0.5时，得到行最佳阈值，因此行最佳阈值Q_{row_op}满足以下两个条件：

1)Q_{row_op}使得该行上的过曝和欠曝情况最少，即比特密度为“0”和“1”的情况最少；

2)Q_{row_op}与其他阈值相比，量化结果计算所得行偏差值Q_{offset_sum}更接近于0；

依据上述条件，首先使用二分法找到行级最佳阈值Q_{row_op}，然后在该阈值基础上，根据该行中每个像素对应的比特密度与0.5的大小关系微调每个像素的量化阈值Q_{pix_op}，如果像素的比特密度大于0.5，说明当前阈值偏小需要将其调大，故Q_{pix_op}＝Q_{row_op}+ω，反之为阈值偏大需要将其调小，故Q_{pix_op}＝Q_{row_op}-ω，相等则不做调整；

最后使用MLE框架将量化得到的二进制比特流b_m,t恢复出原始光强值；

行阈值更新具体方法为：首先设置初始量化阈值Q_i、量化阈值的上边界Q_upper与下边界Q_lower，以初始量化阈值Q_i的量化结果为起点，计算每一行中所有像素的比特密度1-γ_q(c)，并与0.5作差得到偏差值Q_offset，将一行中所有像素对应的偏差值求和得到Q_{offset_sum}，将比特密度为1的像素视为过曝光像素，将其个数记为m，将比特密度为0的像素视为欠曝光像素，将其个数记为n，将当前量化阈值记为Q，如果(m-n)＞3，则找到Q_m＝(Q+Q_upper)/2来代替Q作为量化阈值进行下一次的量化，如果(m-n)＜-3，则找到Q_m＝(Q+Q_lower)/2来代替Q；如果(m-n)∈[-3,3]，说明当前的量化阈值造成的过曝与欠曝情况在可接受范围内，此时如果Q_{offset_sum}0，则找到Q_m＝(Q+Q_lower)/2来代替Q，反之则找到Q_m＝(Q+Q_upper)/2来代替Q作为量化阈值进行下一次的量化，最终找到符合条件的行级最佳阈值Q_{row_op}。

2.如权利要求1所述的应用于单比特量子图像传感器的最佳阈值图像重构方法，其特征是，恢复出原始光强值的具体流程如下：

其中为重构出来的光强值，B_m,t为空间上第m个点时间上第t个点的一位测量b_m,t的随机变量，P[B_m,t＝1]为B_m＝1的概率，P[B_m,t＝0]为B_m＝0的概率，引入伽玛函数ψ_q，得到包含的结果：

其中q为量化阈值，S_m为KT个二进制数中1的个数，L＝KT，α为增益因子，最终计算出来的值作为原始光强的重构值。