[发明专利]一种基于点扩散函数先验的编码成像重建方法

说明书

本发明公开了一种基于点扩散函数先验的编码成像重建方法，包括两个阶段：(1)可训练的反演阶段，通过学习编码系统前向模型中的先验参数，将测量到的模糊编码图像经维纳滤波后映射到中间重构空间，完成初步解码；(2)伪影矫正阶段，利用改进的U‑Net结构，引入小波变换完成多级频率域滤波，消除中间重构图像的残留伪影，提高视觉感知质量。本发明针对无透镜编码成像中图像重建耗时长、清晰度低的问题，搭建了一种基于物理模型的轻量级深度学习卷积神经网络，以较少的内存需求和较快的收敛速度，有效减少了网络训练和图像重建的时间，同时改善了编码图像的重建质量。

技术领域

本发明属于无透镜编码成像技术，具体为一种基于点扩散函数先验的编码 成像重建方法。

背景技术

无透镜编码成像技术采用单片式编码掩膜来代替传统相机中复杂的光学组 件对场景光进行编码，如衍射光学元件、编码孔径等，并通过计算成像技术完 成对光学成像过程的反演从而重建出目标场景的图像。它将成像的主要压力由 前端光学成像设备转移到后端的计算重构技术上，避免了传统成像系统中复杂 透镜组的对准、集成和工艺问题，显著降低了系统厚度、重量、成本，为微型 相机等轻薄化成像系统提供了合理可行的实现思路，在安全、可穿戴设备、可 植入设备和物联网传感器网络等领域有重大需求。

基于编码掩膜成像的图像重建方法的核心思想就是通过所设计的掩膜有规 则地调控光场，结合计算系统中的图像重构算法，从模糊的非聚焦图案中反演 得到清晰的目标场景。目前，关于编码掩膜成像技术的相关研究大部分都是基 于编码掩膜本身结构、成像模型以及应用场景方面的研究，而在后端场景重建 部分获得的重聚焦图像会存在伪影、细节丢失等问题。因此，有必要展开相关 研究，针对编码掩膜成像系统，挖掘其后端图像高质量重建的潜力，提高系统 的整体成像性能。

目前，已经存在的一些后端重建算法可分为两类：传统的迭代优化算法以 及基于神经网络的深度学习算法。Ashok Veeraraghavan团队提出了FlatCam系 统，采用幅度调制的可分离编码掩模成像系统，基于SVD、BM3D、TV的算法 实现了512×512的可见光图像重建，但重建图像的质量欠佳，重建目标简单 (1.Asif,M.S.,Ayremlou,A.,Sankaranarayanan,A.,Veeraraghavan,A.,Baraniuk, R.G.(2017).FlatCam:Thin,Lensless Cameras Using Coded Aperture and Computation.IEEE Transactions onComputational Imaging,3(3),384–397.)。 Jiachen Wu等人利用菲涅耳区光圈将非相干光线编码成波阵面的形式，并使用 压缩感知算法有效消除了由于自然场景中的稀疏性而造成的双图像伪影。该方 法对单镜头图像的信噪比显著提高，促进了一种结构平坦、可靠，不需要严格 校准的相机架构的发展，但传统算法的应用依然受限于其较慢的重建速度(2.Wu J,Zhang H,Zhang W,et al.Single-shot lensless imaging with fresnel zoneaperture and incoherent illumination[J].Light:ScienceApplications,2020, 9(1):53.)。基于深度学习的图像重建方法因其出色的重建效果越来越受欢迎。 但是，与传统迭代方法相比，基于深度学习的方法难以解释，没有结构化的方 法来整合成像系统的知识。展开优化则代表了经典方法和深入方法之间的中间 地带。在展开优化中，经典算法的固定迭代次数被解释为一个深度网络，每次 迭代都是网络中的一层。KRISTINAMONAKHOVA等人展开了针对无透镜成像 的交替方向乘子算法(ADMM)研究。他们通过改变可训练参数的数量，在经典 方法和深度方法之间，沿频谱提出了几种网络变化，包括Le-ADMM、Le-ADMM*和Le-ADMM-U。网络在数据保真度和图像感知质量之间进行权衡， 以降低数据保真度为代价，生成更具视觉吸引力的图像，但该方法约束条件复 杂，且图像细节会被伪影淹没(3.Kristina Monakhova,Joshua Yurtsever,Grace Kuo,Nick Antipa,Kyrollos Yanny,and Laura Waller,Learned reconstructions for practical mask-based lenslessimaging,Opt.Express 27,28075-28090(2019))。