压缩感知物理实现光场重建的算法研究
发布时间：2021-09-03 09:32
成像技术一直以来都受到了人们的广泛关注,近几年随着虚拟现实技术的发展,光场成像技术已经成为了当下的研究热点。本文结合压缩感知（Compressed Sensing,CS）理论和计算成像技术,物理实现了对真实场景低采样率的光场重建,克服了传统多相机光场成像体积大、成本高、标定难的缺点,解决了基于微透镜阵列光场成像技术中存储空间大、不便传输的问题。本文深入研究了压缩感知原理和计算成像技术。针对目前光场图像通过降低空间分辨率增加角度分辨率、占据内存较大及传输不便等问题,本文通过拍摄一幅真实场景的编码图像,基于压缩感知原理重建出25幅光场图像,在保证图像空间分辨率的同时,又降低了光场图像的存储空间,便于传输。改进了过完备字典的K-SVD训练算法。K-SVD算法是训练字典的经典算法,能够将样本集特征提取并保存在字典中。本文提出K-SVD算法正则化优化方法,通过引入不同范数解决降低字典原子误差与过拟合的问题,提高了光场重建的质量。通过仿真实验验证了改进算法的优越性,与K-SVD算法相比,重建的光场图像峰值信噪比有了很大的提升。物理实现了真实场景的编码采集过程以及对光场图像的重建。本文首先利用仿真实...
【文章来源】：郑州大学河南省 211工程院校
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
Lytro光场相机重聚焦效果
1绪论4镜阵列虽然能够采集目标物的光场信息，但是成像传感器不仅要记录目标物的角度信息，还要记录其空间信息。这种牺牲图像空间分辨率来增加角度分辨率的积分成像技术仍存在一定的不足，这就促进了压缩光场成像技术的发展。1.2.2光场重建研究现状随着光场成像技术的发展和光场设备的更新，光场数据十分庞大已是不争的事实，所以研究者们思考能否在较小的数据上通过特定的方法得到完整的光场？光场重建的研究也从此展开，并且成为了目前多个相关领域的热点研究问题[31-35]。BishopTE等[31]考虑到光场相机拍摄的光场图像是权衡空间分辨率和角度分辨率后一个场景光场的样本，但是目前的方法采集到的图像分辨率远低于传统的成像设备，所以BishopTE等首次提出了对光场图像做超分辨率重建，基于变分贝叶斯框架进行重建，并在光场相机的合成图像和真实图像上都得到了验证。之后基于光场图像的中心视图、视差关系和深度信息等，相关文献[32-41]实现了光场角度分辨率和空间分辨率的重建与优化。利用Epipolarplaneimage（EPI）对视差图的局部估计不需要进行高昂的匹配代价。2015年LiJ等[42]提出了一种确定性图，用于对初始估计深度图施加可见性约束。而VagharshakyanS等[43]利用了适应性的离散小波变换从稀疏采样光场中重建光常2017年WuG等[44]提出使用非盲去模糊操作来恢复被EPI模糊抑制的空间细节，实现小视差范围（最多5个像素）的稀疏采样光场数据。之后GaoY和VagharshakyanS等人[45-47]利用剪切波变换（ShearletTransform，ST)进行光场重建，将视差范围扩大到16个像素以上。图1.4基于神经网络的光场超分辨率重建原理框图
捶矫娴某晒ττ茫琘oonY等[55]在2015年第一次将卷积神经网络框架应用于光场图像领域。该神经网络使用垂直（水平）角度维度中的两个相邻视图通过插值法，分别进行空间和角度超分辨率重建，如图1.4所示。同年，FlynnJ等[56]基于神经网络提供端到端的训练。将场景中相邻视图的像素提交给网络，由网络直接生成不可见视图的像素，并在传统的困难场景上得到高质量的结果。2016年，KalantariNK等[57]提出从稀疏的输入视图集合中合成新的视图。以现有的视图合成技术为基础，将过程分解为视差估计和颜色估计两部分。训练流程如图1.5所示。2018年，WingFungYeungH和WangY等[58-59]在深度学习中增加引导学习和分配权重等手段提高了重建质量和速度[60]。2019年HuZ等[61]提出使用分层特征融合的方法在遮挡情况下的重建。图1.5基于视差与颜色光场重建的神经网络训练模型1.2.3压缩感知在光场重建中的研究现状DonohoDL和CandèsEJ等人[62-63]在2006年首次提出了压缩感知理论，提出利用观测矩阵对原始信号进行观测得到观测值，然后在后端进行原始信号的重建[64-65]。在压缩感知理论被提出之后，很快就成为了研究热点，而且压缩感知的应用领域也十分广泛[66-72]。2008年，DuarteMF等[73]设计了单像素相机压缩成像系统，利用快速反转的数字微透镜阵列，在短时间内获得目标物的随机测量值，由单像素探测器采集较少的像素点，求解稀疏系数，最后对稀疏系数逆变换重建出原始图像。同年，MarciaRF等[74]设计了基于编码孔径成像的压缩光场成像系统。编码板插入相机镜头与传感器之间，经过编码板调制后的光场信息被传感器所接收，使用迭代重建方法实现原始光场重建[75]。Ashok等首次尝试利用光场中固有的空间-角度相关性，与非压缩方案相比，
【参考文献】：
期刊论文
[1]基于字典学习的稠密光场重建算法[J]. 夏正德,宋娜,刘宾,潘晋孝,闫文敏,邵子惠. 物理学报. 2020(06)
[2]压缩感知在光学成像领域的应用[J]. 柯钧,张临夏,周群. 光学学报. 2020(01)
[3]图像压缩感知理论研究综述[J]. 王茁,党姜婷,李育亮,杨海鱼,杨文. 机械制造与自动化. 2019(01)
[4]压缩感知理论综述与展望[J]. 沈益,朱歌. 西华师范大学学报(自然科学版). 2018(04)
博士论文
[1]基于液晶面阵微镜的偏振光场成像方法研究[D]. 信钊炜.华中科技大学 2019
[2]光场三维成像技术研究[D]. 刘永春.南京航空航天大学 2016
硕士论文
[1]压缩感知重构算法的改进及研究[D]. 孙润润.安徽理工大学 2019
[2]基于空间光调制器的波前再现技术研究[D]. 刘洪顺.天津理工大学 2019
[3]基于微透镜阵列的光场成像技术研究[D]. 许春涛.电子科技大学 2019
[4]基于压缩感知的图像高分辨率重建技术的研究[D]. 魏子然.中国科学院大学(中国科学院光电技术研究所) 2018
[5]光场图像的超分辨率重建方法研究[D]. 邓武.合肥工业大学 2018
[6]基于压缩感知的光场采集和重建研究[D]. 阳宁凯.杭州电子科技大学 2018
[7]压缩感知光场重建及深度估计的研究[D]. 牛原野.郑州大学 2017
[8]光场的稀疏编码模型及重构算法的研究[D]. 张晓帅.浙江工业大学 2017
[9]基于压缩感知的测量矩阵研究[D]. 李小波.北京交通大学 2010
本文编号：3380865
【文章来源】：郑州大学河南省 211工程院校
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
Lytro光场相机重聚焦效果
1绪论4镜阵列虽然能够采集目标物的光场信息，但是成像传感器不仅要记录目标物的角度信息，还要记录其空间信息。这种牺牲图像空间分辨率来增加角度分辨率的积分成像技术仍存在一定的不足，这就促进了压缩光场成像技术的发展。1.2.2光场重建研究现状随着光场成像技术的发展和光场设备的更新，光场数据十分庞大已是不争的事实，所以研究者们思考能否在较小的数据上通过特定的方法得到完整的光场？光场重建的研究也从此展开，并且成为了目前多个相关领域的热点研究问题[31-35]。BishopTE等[31]考虑到光场相机拍摄的光场图像是权衡空间分辨率和角度分辨率后一个场景光场的样本，但是目前的方法采集到的图像分辨率远低于传统的成像设备，所以BishopTE等首次提出了对光场图像做超分辨率重建，基于变分贝叶斯框架进行重建，并在光场相机的合成图像和真实图像上都得到了验证。之后基于光场图像的中心视图、视差关系和深度信息等，相关文献[32-41]实现了光场角度分辨率和空间分辨率的重建与优化。利用Epipolarplaneimage（EPI）对视差图的局部估计不需要进行高昂的匹配代价。2015年LiJ等[42]提出了一种确定性图，用于对初始估计深度图施加可见性约束。而VagharshakyanS等[43]利用了适应性的离散小波变换从稀疏采样光场中重建光常2017年WuG等[44]提出使用非盲去模糊操作来恢复被EPI模糊抑制的空间细节，实现小视差范围（最多5个像素）的稀疏采样光场数据。之后GaoY和VagharshakyanS等人[45-47]利用剪切波变换（ShearletTransform，ST)进行光场重建，将视差范围扩大到16个像素以上。图1.4基于神经网络的光场超分辨率重建原理框图
捶矫娴某晒ττ茫琘oonY等[55]在2015年第一次将卷积神经网络框架应用于光场图像领域。该神经网络使用垂直（水平）角度维度中的两个相邻视图通过插值法，分别进行空间和角度超分辨率重建，如图1.4所示。同年，FlynnJ等[56]基于神经网络提供端到端的训练。将场景中相邻视图的像素提交给网络，由网络直接生成不可见视图的像素，并在传统的困难场景上得到高质量的结果。2016年，KalantariNK等[57]提出从稀疏的输入视图集合中合成新的视图。以现有的视图合成技术为基础，将过程分解为视差估计和颜色估计两部分。训练流程如图1.5所示。2018年，WingFungYeungH和WangY等[58-59]在深度学习中增加引导学习和分配权重等手段提高了重建质量和速度[60]。2019年HuZ等[61]提出使用分层特征融合的方法在遮挡情况下的重建。图1.5基于视差与颜色光场重建的神经网络训练模型1.2.3压缩感知在光场重建中的研究现状DonohoDL和CandèsEJ等人[62-63]在2006年首次提出了压缩感知理论，提出利用观测矩阵对原始信号进行观测得到观测值，然后在后端进行原始信号的重建[64-65]。在压缩感知理论被提出之后，很快就成为了研究热点，而且压缩感知的应用领域也十分广泛[66-72]。2008年，DuarteMF等[73]设计了单像素相机压缩成像系统，利用快速反转的数字微透镜阵列，在短时间内获得目标物的随机测量值，由单像素探测器采集较少的像素点，求解稀疏系数，最后对稀疏系数逆变换重建出原始图像。同年，MarciaRF等[74]设计了基于编码孔径成像的压缩光场成像系统。编码板插入相机镜头与传感器之间，经过编码板调制后的光场信息被传感器所接收，使用迭代重建方法实现原始光场重建[75]。Ashok等首次尝试利用光场中固有的空间-角度相关性，与非压缩方案相比，
【参考文献】：
期刊论文
[1]基于字典学习的稠密光场重建算法[J]. 夏正德,宋娜,刘宾,潘晋孝,闫文敏,邵子惠. 物理学报. 2020(06)
[2]压缩感知在光学成像领域的应用[J]. 柯钧,张临夏,周群. 光学学报. 2020(01)
[3]图像压缩感知理论研究综述[J]. 王茁,党姜婷,李育亮,杨海鱼,杨文. 机械制造与自动化. 2019(01)
[4]压缩感知理论综述与展望[J]. 沈益,朱歌. 西华师范大学学报(自然科学版). 2018(04)
博士论文
[1]基于液晶面阵微镜的偏振光场成像方法研究[D]. 信钊炜.华中科技大学 2019
[2]光场三维成像技术研究[D]. 刘永春.南京航空航天大学 2016
硕士论文
[1]压缩感知重构算法的改进及研究[D]. 孙润润.安徽理工大学 2019
[2]基于空间光调制器的波前再现技术研究[D]. 刘洪顺.天津理工大学 2019
[3]基于微透镜阵列的光场成像技术研究[D]. 许春涛.电子科技大学 2019
[4]基于压缩感知的图像高分辨率重建技术的研究[D]. 魏子然.中国科学院大学(中国科学院光电技术研究所) 2018
[5]光场图像的超分辨率重建方法研究[D]. 邓武.合肥工业大学 2018
[6]基于压缩感知的光场采集和重建研究[D]. 阳宁凯.杭州电子科技大学 2018
[7]压缩感知光场重建及深度估计的研究[D]. 牛原野.郑州大学 2017
[8]光场的稀疏编码模型及重构算法的研究[D]. 张晓帅.浙江工业大学 2017
[9]基于压缩感知的测量矩阵研究[D]. 李小波.北京交通大学 2010
本文编号：3380865
本文链接：https://www.wllwen.com/kejilunwen/wulilw/3380865.html
