近红外单像素成像系统及算法研究
发布时间：2021-09-22 19:45
随着近年来微电子集成电路的迅猛发展,大规模CCD或CMOS集成传感器阵列的加工技术日渐成熟,成本越来越低。因此,依托于CCD或CMOS集成传感器阵列的传统图像及视频采集的技术,在可见光波段,已经实现低成本地采集庞大的原始数据进行成像。但是由于信号固有的稀疏性,庞大的原始数据在造成采集资源浪费的同时也造成了存储资源和传输资源的浪费。此外,基于大规模CCD或CMOS集成传感器阵列的成像系统在近红外波段的成本十分昂贵。压缩感知采样方案借助信号稀疏性,该方案结合恢复算法促成单像素相机的诞生。单像素相机通过空间光调制器上的观测矩阵对场景的反射光或透射光进行编码得到一系列的压缩观测值,结合恢复算法实现压缩成像。基于压缩感知采样方案,本文设计基于离轴牛顿反射式望远镜的近红外单像素相机,通过Zemax建模及参数优化,得到获取较强的目标场景微弱近红外辐射的参数。观测矩阵对目标场景进行压缩编码,其可决定成像的质量和分辨率。本文通过设计不同种类的观测矩阵对不同场景进行不同分辨率的成像仿真获得优选矩阵。此外对三种不同的恢复算法进行探究,结合观测矩阵进行联合仿真,使得不同观测矩阵和不同恢复算法的组合分别高效地应...
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：59 页
【学位级别】：硕士
【部分图文】：
不同采样率下的采样信号恢复波形
?~10倍）在面对庞大观测信号时需要采集很多观测值，然而不可能为了避免混叠问题而无限提升采样频率，对硬件设备提出了极高要求。压缩感知采样充分利用信号稀疏性，绕开了宽带、高频率的采样要求，直接探测原始信号和观测矩阵的內积（即观测值），最终利用重构算法对原始信号进行重建。2.2.2压缩感知信号采样原理信号稀疏性在图像压缩处理领域早已得到广泛应用，JPEG算法正是利用信号稀疏性，将图像变换到离散余弦域，得到近似稀疏的矩阵，抛弃小于设定阈值的成分，只保留较大值，最终实现压缩。JPEG算法压缩与恢复的效果如图2-2所示。a)原图b)10%DCT系数恢复结果图2-2基于DCT变换的JPEG压缩算法通过计算可以知道，原图在离散余弦域（DiscreteCosineTransform，DCT）系数主要集中在一个很小的区域里，因此在设定DCT系数阈值为9.5的情况下，仅利用10%DCT系数得到的重建图与原图基本相同，结构相似性（structuralsimilarityindex，SSIM）达到了0.9687。传统图像压缩首先对图像进行全采样，紧接着才是做变换，在变换域里丢弃小系数完成压缩。既然图像的大部分信息是冗余的，我们就可以在采样的过程同
哈尔滨工业大学工学硕士学位论文-10-时进行压缩，因此压缩感知便利用此采样策略。对信号进行压缩采样的前提是对原始信号进行某变换域的稀疏化表示，一般用离散余弦变换域、离散小波变换域和傅里叶变换域的正交基底进行表示。假设x是维度为N的K稀疏信号即Nx（K稀疏意味着原始信号含有K个较大的稀疏系数，这K个稀疏系数足够不失真地保留原始信号的主要信息，另外的NK个接近或为零的系数影响不大），且12,...NΨψψψ是某一变换域的一组正交基，将原始信号x用Ψ表示为公式（2-2）：1NiiisxψΨs(2-2)式中iψ——某一维度的基；s——N1的变换系数列向量。通过变换域正交基的表示，原始信号变成了N1维的等价稀疏系数列向量T12[,...]Nssss。通过这种变换域的等价变换，就可以利用压缩感知原理设计相应的观测矩阵进行压缩采样。如图2-3所示为压缩采样原理图。图2-3压缩采样原理图如图2-3所示，Nxàs是N1维的原始信号，MN为维度为MN的观测矩阵，My是M1维的压缩采样值，并且KMN。尽管利用信号稀疏特性可以实现压缩采样，但为了能够完成原始信号的恢复，Candès在相关的数学证明给出观测次数M需要符合一定的条件，如公式（2-3）所示：MO(Klog(N/K))(2-3)因此，依据压缩感知原理和信号可压缩性，考虑实际采样过程系统噪声、环境噪声等因素，压缩采样的线性测量公式（2-4）所示：yxeΨsese(2-4)式中.——传感矩阵=；e.——噪声项。
【参考文献】：
期刊论文
[1]Compressive sensing for small moving space object detection in astronomical images[J]. Rui Yao and Yanning Zhang Shaanxi Key Laboratory of Speech & Image Information Processing,School of Computer Science,Northwestern Polytechnical University,Xi’an 710129,P.R.China. Journal of Systems Engineering and Electronics. 2012(03)
本文编号：3404283
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：59 页
【学位级别】：硕士
【部分图文】：
不同采样率下的采样信号恢复波形
?~10倍）在面对庞大观测信号时需要采集很多观测值，然而不可能为了避免混叠问题而无限提升采样频率，对硬件设备提出了极高要求。压缩感知采样充分利用信号稀疏性，绕开了宽带、高频率的采样要求，直接探测原始信号和观测矩阵的內积（即观测值），最终利用重构算法对原始信号进行重建。2.2.2压缩感知信号采样原理信号稀疏性在图像压缩处理领域早已得到广泛应用，JPEG算法正是利用信号稀疏性，将图像变换到离散余弦域，得到近似稀疏的矩阵，抛弃小于设定阈值的成分，只保留较大值，最终实现压缩。JPEG算法压缩与恢复的效果如图2-2所示。a)原图b)10%DCT系数恢复结果图2-2基于DCT变换的JPEG压缩算法通过计算可以知道，原图在离散余弦域（DiscreteCosineTransform，DCT）系数主要集中在一个很小的区域里，因此在设定DCT系数阈值为9.5的情况下，仅利用10%DCT系数得到的重建图与原图基本相同，结构相似性（structuralsimilarityindex，SSIM）达到了0.9687。传统图像压缩首先对图像进行全采样，紧接着才是做变换，在变换域里丢弃小系数完成压缩。既然图像的大部分信息是冗余的，我们就可以在采样的过程同
哈尔滨工业大学工学硕士学位论文-10-时进行压缩，因此压缩感知便利用此采样策略。对信号进行压缩采样的前提是对原始信号进行某变换域的稀疏化表示，一般用离散余弦变换域、离散小波变换域和傅里叶变换域的正交基底进行表示。假设x是维度为N的K稀疏信号即Nx（K稀疏意味着原始信号含有K个较大的稀疏系数，这K个稀疏系数足够不失真地保留原始信号的主要信息，另外的NK个接近或为零的系数影响不大），且12,...NΨψψψ是某一变换域的一组正交基，将原始信号x用Ψ表示为公式（2-2）：1NiiisxψΨs(2-2)式中iψ——某一维度的基；s——N1的变换系数列向量。通过变换域正交基的表示，原始信号变成了N1维的等价稀疏系数列向量T12[,...]Nssss。通过这种变换域的等价变换，就可以利用压缩感知原理设计相应的观测矩阵进行压缩采样。如图2-3所示为压缩采样原理图。图2-3压缩采样原理图如图2-3所示，Nxàs是N1维的原始信号，MN为维度为MN的观测矩阵，My是M1维的压缩采样值，并且KMN。尽管利用信号稀疏特性可以实现压缩采样，但为了能够完成原始信号的恢复，Candès在相关的数学证明给出观测次数M需要符合一定的条件，如公式（2-3）所示：MO(Klog(N/K))(2-3)因此，依据压缩感知原理和信号可压缩性，考虑实际采样过程系统噪声、环境噪声等因素，压缩采样的线性测量公式（2-4）所示：yxeΨsese(2-4)式中.——传感矩阵=；e.——噪声项。
【参考文献】：
期刊论文
[1]Compressive sensing for small moving space object detection in astronomical images[J]. Rui Yao and Yanning Zhang Shaanxi Key Laboratory of Speech & Image Information Processing,School of Computer Science,Northwestern Polytechnical University,Xi’an 710129,P.R.China. Journal of Systems Engineering and Electronics. 2012(03)
本文编号：3404283
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3404283.html
最近更新
教材专著
