专利汇可以提供一种基于压缩感知理论的全息图像高分辨率重建方法及系统专利检索,专利查询,专利分析的服务。并且本 发明 提供一种基于 压缩 感知 理论的 全息图像 高 分辨率 重建方法,包括以下步骤:步骤S1,获取多 角 度全息数据;步骤S2,将多幅低分辨率序列图像进行融合,提取先验信息,近似到一幅目标图像中;步骤S3, 自学习 稀疏字典重构,获取所述目标图像下 采样 图像,构成字典样本库,进行过完备字典训练,通过稀疏编码求稀疏表达系数,更新每个字典 原子 ,采用重构 算法 求解目标方程以得到多个高分辨率图像 块 ,然后对所述高分辨率图像块进行拼接,得到高分辨率全息图像。本发明还提供了相应的全息图像高分辨率重建系统。本发明提供的全息图像高分辨率重建方法和系统简化了重建过程,改善了重建效果。,下面是一种基于压缩感知理论的全息图像高分辨率重建方法及系统专利的具体信息内容。
1.一种基于压缩感知理论的全息图像高分辨率重建方法,包括以下步骤:
步骤S1,通过控制电子快门开闭操作实现多角度照明,照明位置改变将在样品检测器平面上形成物体全息图的一个位移,使得子像素产生偏移,从而获取同一场景的不同光照角度的低分辨率序列图像;
步骤S2,提取每个所述低分辨率序列图像的物理图像块,计算所述物理图像块与目标图像的像素网格的相对位移,对所述低分辨率序列图像的像素值和所述目标图像的像素值进行矩阵变换,通过权重方程估计所述低分辨率序列图像的像素值,约束方程最小化以获取所述目标图像;
步骤S3,获取所述目标图像下采样图像,构成字典样本库,进行过完备字典训练,通过稀疏编码求稀疏表达系数,更新每个字典原子,采用重构算法求解目标方程以得到多个高分辨率图像块,然后对所述高分辨率图像块进行拼接,得到高分辨率全息图像。
2.如权利要求1所述的全息图像高分辨率重建方法,其特征在于,步骤S2包括以下步骤:
步骤S21,将每一幅低分辨率序列图像的所有像素值转化为一个行向量,Xk=[xk,1,xk,2,...,xk,M],目标图像所有像素值转化为一个向量Y=[y1,y2,...,yN];
步骤S22,根据权重方程 计算出对于给定Y的低分辨率序列
图像像素值,其中 表示给定Y的低分辨率序列图像像素值i=1,...,M,Wk,i,j是由成像传感器有源区的2D光敏图决定的权重系数;
步骤S23,通过最小化约束方程 得到目标图
像,其中,第一项是计算的低分辨率序列图像像素值和目标图像恢复的像素值的平方差,第二项是目标图像高频分量补偿的正规化过程,Yfil是目标图像的高通滤波器,是给定高频的权重。
3.如权利要求2所述的全息图像高分辨率重建方法,其特征在于,将Wk,i,j近似为目标L2像素的高斯分布。
4.如权利要求2所述的全息图像高分辨率重建方法,其特征在于,步骤S23中,
5.如权利要求1所述的全息图像高分辨率重建方法,其特征在于,步骤S3包括以下步骤:
步骤S31,建立自学习字典样本库Q=Q1∪Q2x∈Q,Q1和Q2图像块分别取自低分辨率图n
像YL和低分辨率图像的下采样图像 其中,Q1={(xL)1,(xL)2,...,(xL)p1|(xL)i∈R }Q2={(xLF)1,(xLF)2,...,(xLF)p2|(xLF)i∈Rn}, H是下采样矩阵;
步骤S32,进行过完备字典训练,初始化稀疏表达字典D∈Rn×k,k为字典所包含原子数目,训练的字典要求训练样本库中的每一个信号(xd)i∈Q都可以通过少量原子线性叠加表示,即对于(xd)i∈Q满足||xd-Dβ||2<ε,其中,β为稀疏表达系数;
步骤S33,稀疏编码求解稀疏表达稀疏β,使用OMP算法求出βi,i=1,2,...,N,使得β=argmin||β||0 s.t.||x-Dβ||2<ε;
步骤S34,更新字典,D=argmin||x-Dβ||2计算 选择Ek中dk所表达的列
组成 最后应用奇异值分解分解EkR=UΔVT,对应分解出u1和v1来减小Ek误差分量,以更新每一个字典原子dk;
步骤S35,先对目标图像分块,在一定的图像重叠条件下逐个图像块进行如下处理:求解 其中H是下采样矩阵,D是过完备自学习字典,解决
L0范数问题,采用迭代加权最小二乘法进行凸优化问题的求解,对每一个重构的高分辨率图像块进行拼接,拼接为最终的高分辨率图像。
6.如权利要求5所述的全息图像高分辨率重建方法,其特征在于,在步骤S31中,图像块的大小与重建的图像块大小一致。
7.如权利要求5所述的全息图像高分辨率重建方法,其特征在于,在步骤S35中,采用L1范数问题的求解代替所述L0范数问题的求解,即求解目标方程
8.一种基于压缩感知理论的全息图像高分辨率重建系统,其特征在于,包括:数字全息图像采样模块,用于通过控制电子快门开闭操作实现多角度照明,照明位置改变将在样品检测器平面上形成物体全息图的一个位移,使得子像素产生偏移,从而获取同一场景的不同光照角度的低分辨率序列图像;
图像先验融合模块,用于提取每个所述低分辨率序列图像的物理图像块,计算所述物理图像块与目标图像的像素网格的相对位移,对所述低分辨率序列图像的像素值和所述目标图像的像素值进行矩阵变换,通过权重方程估计所述低分辨率序列图像的像素值,约束方程最小化以获取所述目标图像;以及
自学习稀疏字典重构模块,用于获取所述目标图像下采样图像,构成字典样本库,进行过完备字典训练,通过稀疏编码求稀疏表达系数,更新每个字典原子,采用重构算法求解目标方程以得到多个高分辨率图像块,然后对所述高分辨率图像块进行拼接,得到高分辨率全息图像。
9.如权利要求8所述的全息图像高分辨率重建系统,其特征在于,所述图像先验模块还进一步用于:
将每一幅低分辨率序列图像的所有像素值转化为一个行向量,Xk=[xk,1,xk,2,...,xk,M],目标图像所有像素值转化为一个向量Y=[y1,y2,...,yN];
根据权重方程 计算出对于给定Y的低分辨率序列图像像素
值,其中 表示给定Y的低分辨率序列图像像素值i=1,...,M,Wk,i,j是由成像传感器有源区的2D光敏图决定的权重系数;
通过最小化约束方程 得到目标图像,其中,第
一项是计算的LR像素值和目标图像恢复的像素值的平方差,第二项是目标图像高频分量补偿的正规化过程,Yfil是目标图像的高通滤波器,是给定高频的权重。
10.如权利要求8所述的全息图像高分辨率重建系统,其特征在于,所述自学习稀疏字典重构模块还进一步用于:
建立自学习字典样本库Q=Q1∪Q2x∈Q,Q1和Q2图像块分别取自低分辨率图像YL和低分辨率图像的下采样图像 其中,Q1={(xL)1,(xL)2,...,(xL)p1|(xL)i∈Rn}Q2={(xLF)1,(xLF)2,...,(xLF)p2|(xLF)i∈Rn}, H是下采样矩阵;
进行过完备字典训练,初始化稀疏表达字典D∈Rn×k,k为字典所包含原子数目,训练的字典要求训练样本库中的每一个信号(xd)i∈Q都可以通过少量原子线性叠加表示,即对于(xd)i∈Q满足||xd-Dβ||2<ε,其中,β为稀疏表达系数;
稀疏编码求解稀疏表达稀疏β,使用OMP算法求出βi,i=1,2,...,N,使得β=argmin||β||0 s.t.||x-Dβ||2<ε;
更新字典,D=argmin||x-Dβ||2计算 选择Ek中dk所表达的列组成
最后应用奇异值分解分解EkR=UΔVT,对应分解出u1和v1来减小Ek误差分量,以更新每一个字典原子dk;以及
先对目标图像分块,在一定的图像重叠条件下逐个图像块进行如下处理:求解其中H是下采样矩阵,D是过完备自学习字典,解决L0
范数问题,采用迭代加权最小二乘法进行凸优化问题的求解,对每一个重构的高分辨率图像块进行拼接,拼接为最终的高分辨率图像。
标题 | 发布/更新时间 | 阅读量 |
---|---|---|
一种三维模型生成方法 | 2020-05-11 | 6 |
基于稀疏表示的杂波抑制方法 | 2020-05-13 | 26 |
一种加权多尺度字典学习框架的行星轮轴承故障辨识方法 | 2020-05-08 | 443 |
一种基于低秩和稀疏约束的地震数据重建方法 | 2020-05-12 | 531 |
一种用于互质采样星载SAR的成像处理方法 | 2020-05-12 | 839 |
一种基于麦克风阵列的电子交警系统 | 2020-05-12 | 702 |
一种基于块稀疏贝叶斯模型的辐射源直接定位方法 | 2020-05-13 | 967 |
一种基于深度学习的高效车辆颜色识别方法 | 2020-05-08 | 769 |
基于去噪卷积神经网络的远程监督实体关系抽取方法 | 2020-05-08 | 373 |
一种基于迭代法构建相关滤波响应的目标跟踪方法 | 2020-05-11 | 878 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。