基于鬼成像的光学加密及物体分类方法研究

发布时间：2020-11-09 03:01

　　 量子关联成像技术,又称为“鬼成像”,是一种起源于量子理论、利用量子的纠缠特性或光场的强度涨落特性进行成像的全新方式。与传统的成像方式不同的是鬼成像可以在不包含物体的光路上恢复出物体图像,这一特性称为非定域性。因此,近些年来成为量子光学领域的前沿和热点之一。论文研究了鬼成像在光学加密和物体分类中的应用方法,具体内容如下:(1)论文在基于计算鬼成像、光学加密理论的基础上,考虑到分数阶傅立叶变换具有独特的变换阶数这一特性,提出一种基于分数阶傅立叶变换的鬼成像光学加密方法。在此方法中,将分数阶傅里叶变换引入鬼成像,使得设计的散斑具有分数阶阶数的性质。用接收到的桶探测值恢复物体的像的时候,若不能准确地知道预先设定的分数阶阶数,那么就无法恢复正确的图像,因此分数阶傅里叶变换具有加密的作用。在此基础上,进行了相关的仿真和实验,仿真和实验结果证明了基于分数阶傅立叶变换的鬼成像光学加密方法的可行性,并且具有很高的成像安全性。(2)物体分类一直是机器学习和深度学习的核心问题,论文将鬼成像技术应用于物体的分类中,提出一种基于线性判别分析的鬼成像物体分类方法。与传统的物体分类方法不同的是,本方法首先需要设计出用于特定任务的散斑,然后可以在不需要事先得到未知物体的图片便可对未知物体进行分类;同时通过理论分析可知用该方法进行鬼成像时,照射的散斑次数较少,即只需物体的类别数减一个散斑。论文对本文提出的方法进行了手写体数字识别的仿真,根据美国国家标准技术研究所混合数据库(Mixed National Institute of Standards and Technology data base,MNIST)设计出用于鬼成像物体分类的散斑。仿真结果表明,对于十类手写体数字的分类识别,本文所提出的方法仅仅使用9个散斑就能以96.91%的准确率对未知数字图像进行分类。
【学位单位】：南京邮电大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TP391.41;O431.2
【部分图文】：

便于更快地将该技术投入实际的运用，因此热光鬼成像的研学信息处理高速且多维度隐藏信息的特点使其在信息加密领域也方法的数据加密技术[13-20]近年来成为研究热点，尤其是以双随机方法以其良好的性能正得到越来越广泛的运用。此外，物体分类个经典的问题。将一个未知物体的图像输入到某种物体分类的机器对应的物体分类结果，即得到物体的类别信息。鬼成像基本理论上的光学成像是通过探测器直接记录物体的反射或者透射光强，者相位信息进行关联就能得到物体的像。而鬼成像与传统成像不阶关联，通过对多个探测器的探测结果进行一个符合计数的关联典热光鬼成像的原理如图 2.1 所示。

源包含大量彼此独立发光的子光源，而且这些子光源（原子、分子）随机出热光。热光源的各个发光子光源的位随机差是随机变化的且光场强度服此人们发现，常见的热光源的涨落速度太快，实验测量设备并不能满足鬼要求；并且，自然界中的热光源光强相对较低，这导致仪器设备很难捕捉。解决上述问题，研究人员提出了一个猜想：假若可以通过人为的调制制备拟热光源，是否就能解决热光源涨落速度太快和光强弱的问题从而用于鬼rtienssen 等人在 1964 年制备出了一种可以模拟热光的人造光源，由于这种拥有相似的统计特性，因此被称作为赝热光。这种光源制备过程很简单，射一块旋转且转速可调的毛玻璃就可以获得，这种人为可控的赝热光源的动了热光鬼成像的实现。 年，Scarcelli 等人便通过采用人为控制的赝热光源实现了热光源鬼像的实图 2.2 所示：

图 2.3 空间光调制器鬼成像实验方案当 / 1（D=2M+1）时，即此时处于远场情况，由于光场 ( , )在 SLM 中的作可以通过计算得到物体平面处的光场分布 ( , )和扫描探测器坐标点所在平面的 ( , )的相干函数表达式，可表示为下式所示： ( ) = | |/式(2.17)中，其中 ≈ 和 ≈ 必须都满足联合高斯分布条件。因此我们可以在2 20 2 122( )/21 200 1 0 20 1 0 2,0 1 20 1 2,'( , ) ( )2sin( / 2 ) sin( / 2 )/ 2 / 2sin[ ( ) / 2 ]sin[ ( ) / 2 ]ik Lu x yu x yP dK eD Lk du L k du Lk du L k du Lk D u u Lk d u u L-=== ′ ÷ ÷è -′ ÷ -÷è r rr rl
【相似文献】

相关期刊论文 前10条

1 张起荣;陈善雄;余廷忠;王燕;;二维合并双向可调拉普拉斯逆线性判别分析算法[J];贵州工程应用技术学院学报;2017年03期

2 马家军;;针对人脸个体差异性的核线性判别分析[J];商洛学院学报;2016年02期

3 马冯艳;;主分量分析和线性判别分析在分类问题中的应用[J];科技视界;2015年13期

4 王金甲;胡备;;脑机接口的广义核线性判别分析方法研究[J];中国生物医学工程学报;2012年01期

5 高建强;范丽亚;;模糊线性判别分析中距离对面部识别的影响[J];井冈山大学学报(自然科学版);2012年03期

6 郑秋梅;吕兴会;时公喜;;基于双向二维直接线性判别分析的人脸表情识别[J];中国石油大学学报(自然科学版);2010年05期

7 杨昔阳;;基于模糊线性判别分析的控制规则约简[J];泉州师范学院学报;2010年06期

8 刘笑嶂;冯国灿;;多重核线性判别分析及其权值优化[J];计算机应用;2009年09期

9 胡煜;;线性判别分析和主分量分析法应用于基因芯片数据分析[J];海南广播电视大学学报;2007年04期

10 姚棣荣;;逐步非线性判别分析[J];科技通报;1988年03期

相关博士学位论文 前10条

1 刘笑嶂;核方法的若干关键问题研究及其在人脸图像分析中的应用[D];中山大学;2010年

2 潘志斌;半监督排序的若干关键问题研究[D];华中科技大学;2014年

3 袁大林;代谢组学与中药研究中复杂体系的解析方法及应用研究[D];中南大学;2010年

4 刘忠宝;基于核的降维和分类方法及其应用研究[D];江南大学;2012年

5 刘俊;人脸图像的子空间表示研究[D];南京航空航天大学;2007年

6 张明锦;基于特征选择的多变量数据分析方法及其在谱学研究中的应用[D];华东理工大学;2011年

7 文颖;数字、字符识别及其应用研究[D];上海交通大学;2009年

8 尹学松;半监督聚类分析策略设计及其拓展性研究[D];南京航空航天大学;2009年

9 沈道义;基于最小化训练误差的子空间分类算法研究[D];中国科学技术大学;2008年

10 赵松;人脸识别中的姿态估计、识别算法和融合算法的研究[D];中国科学技术大学;2009年

相关硕士学位论文 前10条

1 车志勇;基于线性判别分析（FDA）的迁移学习方法[D];广东工业大学;2019年

2 陈莎;基于鬼成像的光学加密及物体分类方法研究[D];南京邮电大学;2019年

3 滕君;基于度量学习的行人再识别技术研究[D];重庆邮电大学;2018年

4 王馨彤;函数型线性判别分析[D];新疆大学;2019年

5 董良;基于线性判别分析与特征加权支持向量机的选股模型研究[D];河北工业大学;2016年

6 郭月;基于正交线性判别分析的高光谱空谱联合分类方法[D];辽宁工程技术大学;2018年

7 雷振风;基于噪声比LDA和类内隶属度KNN的蛋白质亚细胞定位的研究[D];云南大学;2017年

8 陈倩倩;基于线性判别分析与小波分析的支持向量机股票交易择时策略[D];上海外国语大学;2018年

9 王东;改进的二维直接线性判别分析方法及在人脸识别中的应用[D];云南大学;2015年

10 刘超;非迭代三维线性判别分析及其在人脸识别中的应用[D];云南财经大学;2016年

本文编号：2875778