CN112116675B - 基于多散斑图组合-调制的鬼成像优化方法 - Google Patents

Abstract

本发明涉及鬼成像的优化，具体为基于多散斑图组合‑调制的鬼成像优化方法，其利用桶探测器值的大小对照射到目标物体上的多个散斑图进行排序，使相邻散斑图间差异性减小；通过对相邻散斑图间的叠加以及对应桶探测器值的调制，有效降低待关联数据间冗余和数量，并利用不同的关联运算规则实现对目标物体的重构。数值仿真结果表明，对于目标图像“G”，在总采样次数4000次、4个相邻散斑图组合方式下，所提方法与未组合‑调制下传统鬼成像、差分鬼成像和正负调制鬼成像的峰值信噪比/对比度分别提升了21.7%/27.3%、8.3%/17.8%和14.7%/25.7%；通过对20幅目标图像的数值模拟与结果分析，发现峰值信噪比/对比度提升率分别在15%和30%以上的占比为90%/85%和50%/55%，说明该方法具有很好的泛化能力。

Description

基于多散斑图组合-调制的鬼成像优化方法

技术领域

本发明涉及鬼成像的优化，具体为基于多散斑图组合-调制的鬼成像优化方法。

背景技术

鬼成像技术是一种利用空间强度关联原理对目标物体信息进行重构的间接成像方法，可突破传统成像中光能量不足所导致的阵列式探测器难以响应的局限，具有抗干扰性强、作用距离远、全天候监控等独特优势，在夜间城市安防与监控、工业/医学超低辐射CT影像等领域具有广泛的应用前景。与传统的成像方式相比，鬼成像技术的探测过程和重构过程是完全分离的，其中探测过程主要是通过改变照射在目标区域的散斑图来获得桶探测器的测量值，而重构则是通过对散斑图与测量值间的关联运算来实现对目标鬼像的间接重构。

在鬼成像过程中，原则上照射在被照物体上的每幅独立散斑图之间必须具有显著的差异性，只有这样才能在非物体光路上获得目标物体的高质量鬼像。例如：一种基于Hadamard衍生图的鬼成像方法，其主要思想是利用Hadamard测量矩阵来生成系列散斑图，以降低散斑图间的冗余度。2015年，Mahdi Khamoushi等通过将傅里叶级数进行频域分解，提出并验证了正弦鬼成像(Sinusoidal Ghost Imaging，SGI)的可操作性。课题组人员通过将两个正交的倾斜正弦散斑图案叠加的方式，提出了一种基于正交化正弦散斑的计算鬼成像方法。这些方法都是基于正交的思想来增大散斑图间差异，在满采样前提下理论上可以完全重构出目标物体，这说明大差异可以有效提升鬼成像质量。然而，在实际探测中，受夜间实际探测环境的影响和超低辐射调制器的限制，照射在目标物体上的散斑图分布常常是随机而非正交的，使得相邻散斑图间差异性难以凸显，从而导致关联重构时目标物体的空间信息难以被有效挖掘，以至于成像效果差。

发明内容

鉴于以上分析，本申请以随机散斑图为前提，通过对多个散斑图间组合以及其对应桶探测器值间的调制变换，提出了一种利于凸显关联数据间差异的多散斑图组合-调制方法，并将其用于鬼成像质量的优化中。本发明方法是通过将多个散斑图进行排序和组合的方式来提高相邻散斑图间差异显著性；利用对应桶探测器值的调制来有效增强数据间差异。通过数值仿真，分析了散斑图组合个数的设置方法，利用峰值信噪比、对比度等定量评价指标验证了所提方法的有效性和泛化性。

本发明是采用如下的技术方案实现的：基于多散斑图组合-调制的鬼成像优化方法：包括以下步骤：

(1)根据测量到的桶探测器值I_bm的大小，将其按照从小到大的顺序进行排序得到序列{I′_b1,I′_b2,L,I′_bK}，并以此序列{I′_b1,I′_b2,L,I′_bK}为依据，对桶探测器值I_bm对应的散斑图I_am(x,y)也进行重新排列得到序列{I′_a1,I′_a2,L,I′_aK}，使相邻散斑图间的差异性降低；

(2)对排序后的散斑图序列{I′_a1,I′_a2,L,I′_aK}，依次将相邻的l幅散斑图进行叠加组合，形成一个新的散斑图序列

降低待关联数据间的冗余和数量；第i个新生成的散斑图为：

其中，i＝1,2,L,K/l，K为l的整数倍；

(3)将叠加组合的l幅散斑图所对应的桶探测器值进行乘性调制，得到一个新的桶探测器序列值

则第i个新生成的桶探测器值为：

(4)利用鬼成像方法对新获得的散斑图序列

和桶探测器值序列

进行关联运算，以获得鬼像。

上述的基于多散斑图组合-调制的鬼成像优化方法，l∈[2,8]。

该技术原理主要是通过对散斑图和桶探测器值的预处理(即多散斑图间的组合、桶探测器值的调制)来增大数据间的差异度，使被关联数据间的冗余降低，以此来提升成像质量。该方法相当于在关联之前对探测系统数据(即散斑图案、桶探测器值)增加了一个预处理的过程，使被关联数据间差异增大。散斑图间差异是决定鬼成像质量优劣的一个重要因素，通过提升关联运算中随机散斑图间的差异度是有效提升鬼像峰值信噪比、对比度等的有效途径。针对该问题，本发明利用多个散斑图组合的方式提出了一种新的鬼成像优化方法。该方法首先利用桶探测器值的大小对照射到目标物体上的多个散斑图进行排序，使相邻散斑图间差异性减小；通过对相邻散斑图间的叠加以及对应桶探测器值的调制，有效降低待关联数据间冗余和数量，并利用不同的关联运算规则实现对目标物体的重构。数值仿真结果表明，对于目标图像“G”，在总采样次数4000次、4个相邻散斑图组合方式下，所提方法与未组合-调制下传统鬼成像、差分鬼成像和正负调制鬼成像的峰值信噪比/对比度分别提升了21.7％/27.3％、8.3％/17.8％和14.7％/25.7％；通过对20幅目标图像的数值模拟与结果分析，发现峰值信噪比/对比度提升率分别在15％和30％以上的占比为90％/85％和50％/55％，说明该方法具有很好的泛化能力。所提方法可推广于目前所有的关联算法，且成像效果较之前有明显提升。

附图说明

图1为散斑图及高斯散斑束的强度分布。

图2为本发明方法示意图。

图3为不同方法数值模拟结果图。

图4为不同组合长度下重构鬼像的对比度曲线图。

图5为不同组合长度下重构鬼像的峰值信噪比曲线图。

图6为不同目标物体、不同组合长度下重构鬼像的对比度与峰值信噪比曲线图

图7为不同组合长度下数值模拟结果图。

图8为多散斑图组合-调制前、后鬼像结果比较图。

图9为峰值信噪比和对比度提升幅度示意图。

具体实施方式

多散斑图组合问题的提出

设随机散斑场环境下，用于照射目标物体的第m个随机散斑图案为I_am(x,y)(其中m＝1,2,L,K)，经被照物体后的桶探测器值为I_bm，则利用传统二阶关联鬼成像(traditionalghost imaging，TGI)、差分鬼成像(differential ghost imaging，DGI)、正-负鬼成像(positive-negative ghost imaging，P-NGI)方法便可对目标物体进行重构，具体为：

其中，G'为重构后鬼像；*为+或-，为+时G'为正像，否则为负像；f(g)为调制函数，一般可取对数、幂指数、正(余)弦等函数。

为了衡量随机散斑图间的相似性，在此以稀疏的10个高斯散斑束(如图1所示)为例来介绍。其中，散斑图的尺寸大小为64×64，且每幅散斑图中散斑束的位置点都是随机的，散斑束的强度服从高斯分布。

当散斑图的数量为K时，便可利用距离的大小来描述散斑图间的相似度。其过程主要包括两个部分：一是依据桶探测器值I_bm(m＝1,2,L,K)从小到大的顺序对其对应的散斑图I_am(x,y)进行排序；二是利用欧式距离对排序后的任意相邻两幅散斑图间的距离进行计算，并获得其平均距离矩阵。当K＝4000时，平均距离矩阵为：

对平均距离矩阵所有元素求和后取平均得

这说明相邻随机散斑图间的距离相对较小，即散斑图间的相似度较高。因此，只能通过增加采样次数的方式来提升鬼像质量，但这势必会增加探测和重构的时间。

原则上来说，当采样次数一定时，增大散斑图间的差异性也可以提升鬼像质量。因此，为了减小随机散斑图间的相似度，本发明利用叠加组合的形式对相邻散斑图进行变换。在此以4个相邻散斑图间叠加组合为例来进行介绍，组合后的平均距离矩阵为：

对平均距离矩阵所有元素求和后取平均得

由上可知，经过对相邻散斑图间的组合后，散斑图间的差异性较未组合前增大了3.05倍，这无疑对鬼成像质量的提升是有利的。然而，随着相邻散斑图组合个数的增加，组合后的新散斑图数量势必会降低，当新散斑图数量下降到一定程度时，从鬼成像原理上来说并不利于成像。也就是说，相邻散斑图的组合个数并非越大越好。

多散斑图组合-调制的鬼成像优化方法

方法的具体实现过程

多散斑图组合-调制的鬼成像优化方法的原理示意图如图2所示。其中，系列随机散斑图由激光照射到空间光调制器(Spatial light modulator,SLM)上来模拟实际探测环境下的光场；I_a1,I_a2,L,I_aK为原始照射目标物体的散斑图，I_b1,I_b2,L,I_bK为对应的桶探测器值；I′_b1,I′_b2,L,I′_bK为按照从小到大排序后的桶探测器值顺序，其对应的散斑图序列为I′_a1,I′_a2,L,I′_aK；l为相邻散斑图的组合个数，称为组合长度，通常情况下，K为l的整数倍；

为分别为组合-调制后的桶探测器值和散斑图序列。

图2的实现过程主要包括排序、组合、调制和关联四个部分，具体为：

(1)根据测量到的桶探测器值I_bm的大小，将其按照从小到大的顺序进行排序{I′_b1,I′_b2,L,I′_bK}，并以此为依据，对其对应的散斑图I_am(x,y)也进行重新排列{I′_a1,I′_a2,L,I′_aK}，使相邻散斑图间的差异性降低。

(2)将排序后的散斑图序列按照从左到右的顺序，将相邻的l幅散斑图进行叠加组合，形成一个新的散斑图序列

降低待关联数据间的冗余和数量。第i个新生成的散斑图为：

其中，i＝1,2,L,K/l。

(3)将叠加组合的l幅散斑图所对应的桶探测器值进行乘性调制，得到一个新的桶探测器序列值

则第i个新生成的桶探测器值为：

(4)利用TGI、DGI以及P-NGI鬼成像方法对新获得的散斑图序列

和桶探测器值序列

进行关联运算，以获得鬼像。

其中，G′_l为组合调制后的重构鬼像；*为+或-，为+时G'为正像，否则为负像；f(g)为调制函数，一般可取对数、幂指数、正(余)弦等函数。

特殊地，当组合长度l＝1时，相当于未对散斑图进行组合-调制，公式(4)等价于公式(1)；当组合长度与总采样次数相等时，即l＝K时，相当于把所有的散斑图都组合到了一起，此时是无法进行关联重构的。可见，随着组合长度l的增大，鬼像质量的提升程度并非逐渐增加，而是呈现先增大后减小的变化趋势。由于组合长度l对重构鬼像的质量有一定影响，经研究发现，其通常情况下为常数，且l∈[2,8]。

评价指标

为了更客观地说明所提方法的成像质量，本发明利用峰值信噪比、对比度两个评价指标来对重构的鬼像进行定量评价，具体如下：

(1)峰值信噪比

其中，

为均方误差，G(i,j)为每一个像素点的透过率，x和y为重构图像的尺寸；

为鬼像中最大灰度值。

(2)对比度

参照Michelson对比度对鬼成像中的对比度v进行定义，即

其中，G_P和G_V分别为重构鬼像灰度值曲线上的峰值和谷值。

数值模拟与分析

为了验证本发明所提方法的有效性，以4000幅64×64尺寸的随机散斑图来照射目标物体，并通过与未进行组合-调制前TGI、DGI和f(g)＝log₂(g)时P-NGI结果进行对比分析，来说明所提方法在鬼像质量提升方面的优势。

(1)对某特定目标图像进行重构

以未知目标图像“G”为例，利用不同的鬼成像方法分别对未组合-调制前和组合-调制后的目标图像分别进行重构，并对鬼像某一维度上的灰度值曲线进行了绘制，结果如图3所示，该实验中组合步长l＝4。在此绘制灰度值曲线的目的是为了分析和计算不同鬼像结果的对比度。图3中，(a)～(d)分别为待重构的目标图像、TGI重构结果、DGI重构结果和基于log₂(g)调制的P-NGI正像重构结果；(f)～(h)分别为三种方法重构后所对应鬼像所对应的第31列像素转置后灰度值的分布图；(i)～(l)分别为待测物体、组合长度为4时，本发明分别结合TGI、DGI和基于log₂(g)调制的P-NGI方法后所重构的鬼像结果；(m)～(p)为(i)～(l)鬼像所对应的第31列像素转置后灰度值的分布图。

由图3可知，本发明方法的重构结果可以较清晰地区分出物体区域和背景区域。利用公式(6)分别计算(b)～(d)中鬼像的峰值信噪比分别为10.9751、13.5252和11.9594，而经过多散斑图组合-调制后(j)～(l)中鬼像的峰值信噪比分别为13.3567、14.6478和13.7225。可见，散斑图经过组合-调制后再利用不同鬼成像方法所得到的峰值信噪比都得到了提升，提升度分别为21.7％、8.3％和14.7％。根据灰度值曲线(e)～(h)，利用公式(5)计算可得目标图像和未组合-调制前(b)～(d)中鬼像的对比度分别为1，0.33、0.45和0.35；而根据灰度值曲线(n)～(p)可知，经过多散斑图组合-调制后(j)～(l)中鬼像的对比度分别提升到了0.42、0.53和0.44。经比较发现，散斑图经过组合-调制后对比度较未组合-调制前分别提升了27.3％、17.8％和25.7％。

上述实验中采用的组合长度l为4，但实际上当组合长度的取值不同时，重构鬼像间也会产生差异。为了便于组合长度的合理设置，下面对不同组合长度下重构鬼像的对比度和信噪比进行分析，对应曲线图分别如图4和图5所示。其中，横坐标为组合长度，纵坐标为计算所得对比度，且图(b)是在图(a)的基础上将横坐标变换为对数显示后所得曲线图，目的是更详细的给出图(a)中曲线在上升阶段与组合长度l的对应关系。

结合图4和图5可知，当log₂(l)取值范围为[1,3]时，重构图像的对比度和峰值信噪比曲线都呈现持续上升的阶段，而当log₂(l)≥4时，峰值信噪比则呈现下降趋势。同时，由于待重构数据的数据量大小与成像质量息息相关，且随着数据量的增大，成像质量越来越好，因此当log₂(l)≥4时，随着取值的增大，待重构数据的数据量越少，并不利于成像质量的提升，即l并非越大越好。因此，当log₂(l)∈[1,3]，即l∈[2,8]时，鬼像的对比度和峰值信噪比都较高，且待重构数据的数据量也较大，更利于成像。

从图4和图5中曲线的整体趋势来看，，当组合长度l逐步增大时，对比度和峰值信噪比曲线均呈现先增加再减少的变化趋势，且取最大值的区间范围大致相同。这说明在同一合适的组合长度下，鬼像的峰值信噪比和对比度都较大，不需要对两者的取舍进行权衡。

为了说明图4、图5变化趋势对于其它目标物体的适用性，在此以5个不同目标物体为例来进行说明，且不同组合长度下重构鬼像的对比度与峰值信噪比曲线如图6所示。

由图6可知，对于不同的目标物体来说，虽然不同组合长度下目标鬼像的对比度和峰值信噪比曲线存在差异，但整体的变化趋势却类似，都呈现先增加再降低的变化趋势，这与之前的理论分析结论相符。

为了方便组合长度l的选取和设置，以20幅不同的待重构目标图像为重构对象，对峰值附近(l在2～32)区域内的重构鬼像进行分析，并以2、4、8、16和32等不同组合长度为例，利用TGI对不同组合长度下的散斑图和桶探测器进行关联运算。仍以目标图像“G”为例，当l分别为2、4、8、16和32时，重构的目标图像“G”的鬼像和灰度值分布分别如图7(a)～(e)和(f)～(j)所示。

图7中，(f)～(j)为(a)～(e)鬼像中第31列像素转置后灰度值的分布图。由图可以明显看出，在此范围内重构图像对比度与调制的步长呈正比关系，根据(f)～(j)计算可得对比度分别为0.37、0.42、0.58、0.70和0.71，整体呈现逐渐增加的趋势，且增加的幅度先增加又减小；图(a)～(e)的峰值信噪比分别为11.8739、13.3567、13.7844、13.4806和13.4362，整体呈现先增加后减小的趋势。特别地，当l为8、16和32时重构鬼像的结构已不再完整，多处连通区域出现断裂，且随着l的增大，断裂现象越加明显。此外，为了说明不同尺寸下l的选取依据，利用上述方法分别对30×30、128×128等目标图像进行了组合-调制重构，结果发现当不同尺寸下散斑采样次数与尺寸大小比例相同时，l的设置范围在2～8之间选取最优。

(2)所提方法普适性分析

由于上述结果是针对某个特定目标图像来分析的，并不能说明所提方法对其它目标图像重构的有效性。因此，为了验证方法的泛化性，在此以20幅不同的待重构目标图像为重构对象，利用TGI对多散斑图组合-调制前后的鬼像分别进行了重构，并计算得到了各重构结果所对应的峰值信噪比和对比度，如图8所示。

对图8中结果进行对比发现，散斑图经过组合-调制后所得鬼像的峰值信噪比和对比度都得到了提升，提升幅度如图9所示。

由图9可知，利用本发明方法对待重构目标图像集中的目标图像进行重构时，鬼像的峰值信噪比和对比度均有不同程度的提升，峰值信噪比和对比度均提升15％/30％以上的占比为85％/50％，且对比度的提升程度略高于峰值信噪比，提升程度在15％/30％以上的占比可达90％/55％。可见，该方法在提升重构目标质量方面具有较好的普适性和推广价值。

Claims (2)

1.基于多散斑图组合-调制的鬼成像优化方法，其特征在于：包括以下步骤：

(1)根据测量到的桶探测器值I_bm的大小，将其按照从小到大的顺序进行排序得到序列{I′_b1,I′_b2,…,I′_bK}，并以此序列{I′_b1,I′_b2,…,I′_bK}为依据，对桶探测器值I_bm对应的散斑图I_am(x,y)也进行重新排列得到序列；

(2)对排序后的散斑图序列{I′_a1,I′_a2,…,I′_aK}，依次将相邻的l幅散斑图进行叠加组合，形成一个新的散斑图序列

降低待关联数据间的冗余和数量；第i个新生成的散斑图为：

其中，i＝1,2,…,K/l；

(3)将叠加组合的l幅散斑图所对应的桶探测器值进行乘性调制，得到一个新的桶探测器序列值

则第i个新生成的桶探测器值为：

(4)利用鬼成像方法对新获得的散斑图序列

和桶探测器值序列

进行关联运算，以获得鬼像。

2.根据权利要求1所述的基于多散斑图组合-调制的鬼成像优化方法，其特征在于：l∈[2,8]。

Images