[发明专利]基于即插即用先验的单像素成像方法

说明书

本发明公开的基于即插即用先验的单像素成像方法，涉及一种基于即插即用先验的欠采样条件下的单像素成像方法，属于计算摄像学领域。本发明结合基于模型方法和基于深度学习方法的优点，将现代图像降噪算法隐式作为先验替换到成像方法中，提高欠采样条件下单像素图像成像质量。本发明在即插即用同一构思下，提供欠采样条件下无噪声单像素成像方法和欠采样条件下考虑噪声的单像素成像方法。本发明公开的欠采样条件下无噪声的单像素成像方法，能够在不考虑噪声的情况下，实现欠采样条件下高质量单像素图像重建。本发明公开的欠采样条件下考虑噪声的单像素成像方法，能够在考虑噪声的情况下，实现欠采样条件下高质量单像素图像重建，对噪声具有鲁棒性。

技术领域

本发明涉及单像素成像方法及系统，具体涉及基于即插即用先验的欠采样条件下的单像素成像方法及系统，属于计算摄像学领域。

背景技术

单像素成像技术，是一种新型的计算成像技术，该技术利用结构光对目标图像进行调制，通过没有空间分辨能力的单像素探测器获得一维测量光信号，根据结构光和一维测量光信号之间的关联性重建图像。相比于传统的二维像素探测器成像方法，降低了图像传感器的成本，并且可以通过结合压缩感知算法，减少图像测量次数，提高图像采集速度。近年来，该项技术越来越多的应用于水下成像、三维成像、遥感、目标跟踪、太赫兹成像等领域。

目前单像素成像方法包括两种，基于模型的单像素成像方法和基于深度学习(Deep Learning，DL)的单像素成像方法。基于模型的单像素成像方法包括线性相关方法(Linear correlation methods)、交替投影方法(Alternating projection methods，AP)和压缩感知方法(Compressive sensing methods，CS)。其中，压缩感知方法是基于模型的单像素算法中最常用的算法。压缩感知方法将人类关于图像的先验知识作为约束加入到单像素图像重建算法的设计中。在欠采样条件下，压缩感知方法被证明是基于模型的单像素成像方法中效果最好的方法。由于压缩感知方法受限于人类手工打造先验的表达性，随着采样率降低单像素图像重建质量迅速降低，并且压缩感知方法在高噪声情况下难以恢复单像素图像。

近年来，随着深度学习技术的发展，出现了基于深度学习的单像素成像方法，通过训练一个端到端的神经网络模拟单像素成像及还原的过程。虽然基于深度学习的单像素成像方法提高了在极低采样率下的单像素成像质量，但是随着采样率增加，基于深度学习的单像素成像方法效果变化不明显，甚至不如基于模型的单像素成像方法。而且基于深度学习的单像素成像方法泛用性差，训练出的网络受限于具体的应用。当单像素的采样率、图像尺寸、成像环境发生改变时，需要重新训练一个新的网络以适应新的任务。另外，基于深度学习单像素成像方法对噪声不具有鲁棒性。

因此，从在欠采样情况下提高单像素成像恢复质量的需求出发，迫切需要泛用性好、对噪声鲁棒的单像素成像方法。

发明内容

本发明公开的基于即插即用先验的单像素成像方法要解决的技术问题是：结合基于模型方法和基于深度学习方法的优点，将现代图像降噪算法隐式作为先验替换到成像方法中，提高欠采样条件下单像素图像成像的质量。本发明在上述即插即用同一构思下，提供欠采样条件下无噪声单像素成像方法和欠采样条件下考虑噪声的单像素成像方法。

本发明公开的欠采样条件下无噪声的单像素成像方法，基于广义交替投影算法(Generalized Alternating Projection Algorithm，GAP)，将单像素图像重建问题建模为优化问题，其中优化问题求解过程根据保真项和先验项分解为两个子问题，结合即插即用先验(Plug-and-Play，PnP)，将其中先验项子问题视为图像降噪问题，替换成现代图像降噪算法(例如：深度学习中具有降噪功能的卷积神经网络)。通过对两个子问题交替迭代求解，能够在不考虑噪声的情况下，实现欠采样条件下高质量单像素图像重建。