基于压缩感知的偏振鬼成像系统

偏振鬼成像系统结合了强度和偏振探测,扩展了鬼成像系统的信息量,可以进行有效的目标识别和探测。常规相关偏振鬼成像系统需要大量采样数,且复原结果信噪比低。为此提出基于缩感知的偏振鬼成像系统,利用系统获取物体的强度和偏振参数,采用压缩感知算法来反演获取物体的强度和偏振信息。利用仿真实验,采用具有相同反射率但不同偏振特性的物体进行研究,结果表明采用压缩感知算法可以在很少的采样数下获取高质量的物体强度和偏振信息,提高了系统的实时性,并与相关算法进行了对比。最后采用图像融合算法对强度和偏振信息进行了融合,通过融合信息可以有效地进行多种物体的识别。     

不同压缩感知重建算法在鬼成像中的性能比较

基于鬼成像(Ghost imaging,GI)与压缩感知(Compressed sensing,CS)理论,研究了CS重建算法对GI成像性能的影响.以离散小波变换为图像的稀疏矩阵、具有高斯线型的热光源强度分布为测量矩阵,分析了基于增广拉格朗日法和交替方向法的全变分最小化算法(TVAL3)、正交匹配追踪算法(OMP)、压缩采样匹配追踪算法(CoSaMP)、梯度投影算法(GPSR_Basic)下的压缩鬼成像的质量.以均方误差、峰值信噪比、匹配度、结构相似性指标等为图像质量客观评价标准,比较了4种重建算法下压缩鬼成像的重建结果.结果表明压缩比为0.5时TVAL3算法还原度最高, CoSaMP算法重建图像失真最严重, GPSR_Basic算法获得的重建性能优于OMP算法.     

基于自适应多尺度压缩感知的语音压缩与重构

本文针对语音信号的压缩感知问题,在系数总长度不超过原信号长度的前提下,推导了Sym小波分解合成的矩阵形式,提出了语音信号多尺度压缩感知(MCS)框架.进一步分析语音信号在小波基下不同级的稀疏性,提出了自适应多尺度压缩感知(AMCS)方法,把该方法运用到语音压缩与重构中,对重构语音进行了主客观评价,并进行了说话人识别验证...     

压缩感知鬼成像中观测矩阵构造

为了提高压缩感知鬼成像(CSGI)的成像效果,解决 现阶段观测矩阵存在的稳定性差、数据庞大和不 满足非负性等问题,对观测矩阵的构造方法进行研究。首先,介绍确定性随机序列 的产生方法和 性质,可以用作观测矩阵,满足有限等距要求。针对光强的非负性,提出利用偶次幂的余弦 函数产生确定 性随机序列的方法,构造观测矩阵并证明其性质;然后,通过仿真验证该观测矩阵的正确性 ,研究了序列 的初始值和函数的幂对矩阵重构性能的影响;最后,搭建实验平台,对比常用的高斯随机矩 阵(GM),分析本文方 法的适用性和优缺点。实验结果表明,在鬼成像中,利用本文所构造的随机矩阵,重 构图像峰值信 噪比(PSNR)与GM相当,但存储的数据量大大 减少,可满足鬼成像系统的快速高效、简单方便和成本低等要求。     

光场衍射在压缩感知鬼成像中的研究

基于压缩感知的鬼成像由于采样次数少,在近些年取得重大的发展。利用数字微反射镜器件(DMD)预置光场实现单臂成像,大大推进鬼成像向实际应用发展,但也存在不少问题,比如传播过程中的光场分布变化。为了解决这个问题,首先分析光场的传播过程,透镜尺寸的限制使得光场衍射影响较大,光斑的叠加导致实际光场变得模糊偏离了预置值。计算衍射受限系统的光强度扩散函数,修正预置光场,修正光场作为观测矩阵仍然满足准确重构的互相干性条件。实验结果表明,修正的光场较好地模拟实际光场,其构成的观测矩阵用于成像,重建图像的质量更高。同样,在实际应用领域,利用光强扩散函数修正预置光场意义重大。     

鬼成像的成像质量探究

鬼成像又称为双光子成像,是一种新型物理学研究技术.使用该技术,可以在获取不到物体本体的情况下通过双向传感器成像,因而得名"鬼成像".近些年,随着科学技术的发展,鬼成像因其特殊的成像方式被学术界人士重点关注.鬼成像技术先进,潜在社会价值很高.尽管目前针对鬼成像的相关研究还未完全突破技术瓶颈进而应用于日常生活,但已有的研究...     

压缩感知重构算法在“鬼”成像中的应用研究

“鬼”成像（GI）提供了一种用常规手段很难达到的特殊的获取图像方法,在量子光学领域是近些年来的前沿和热点之一。本文中,主要研究压缩感知（CS）的重构算法在“鬼”成像中的应用。我们使用具有高斯分布的热光源强度分布,来作为压缩感知的测量矩阵,分别以离散余弦变换(DCT)和离散小波变换(DWT)作为压缩感知中图像物体的稀疏矩阵,利用正交匹配追踪算法,最终获得基于压缩感知重构算法的“鬼”成像。研究结果表明,压缩比为0.5时,基于离散余弦变换基的压缩“鬼”成像（DCT-CS）和基于小波变换基的压缩“鬼”成像(DWT-CS),比“鬼”成像原始重建算法有超过10dB的峰值信噪比提升;同时,基于DCT-CS算法的重建质量要优于DWT-CS算法。      

基于压缩感知的干涉逆合成孔径雷达成像研究

为解决传统运动目标逆合成孔径雷达图像不能对目标定位的问题,提出了一种基于压缩感知技术的干涉逆合成孔径雷达运动目标成像方法.介绍了将压缩感知理论引入到运动目标逆合成孔径雷达成像模型中的方法,研究了压缩感知逆合成孔径雷达复图像的相位误差和信噪比的关系,在此基础上,给出了基于压缩感知的干涉逆合成孔径雷达运动目标干涉测角定位方法实施流程.通过计算机仿真和实际数据处理结果验证了所提方法对运动目标成像定位的有效性. 本文的研究成果扩展了压缩感知理论在逆合成孔径雷达中的应用前景。     

A fast converging sparse reconstruction algorithm in ghost imaging

A fast converging sparse reconstruction algorithm in ghost imaging is presented. It utilizes total variation regularization and its formulation is based on the Karush-Kuhn-Tucker (KKT) theorem in the theory of convex optimization. Tests using experimental data show that, compared with the algorithm of Gradient Projection for Sparse Reconstruction (GPSR), the proposed algorithm yields better results with less computation work.     

Robust ISAR imaging based on compressive sensing from noisy measurements

the compressive sensing (CS) based ISAR imaging has exhibited high-resolution imaging quality when faced with limited spatial aperture. However, its performance is significantly dependent on the number of pulses and the noise level. In this paper, from the perspective of promoted sparsity constraint, a novel reconstruction model deducted from Meridian prior (MCS) is proposed. The detailed comparison of the proposed MCS model with the Laplace-prior-based CS model (LCS) is conducted. The Lorentz curve analysis testified the enhanced sparsity of the MCS model. Different from the algorithm for LCS model, in our solution procedure, the variance parameter is iteratively updated until the algorithm converges. Simulations and the ground truth data experiments of ISAR show that, with the decrease of the number of pulses and signal-to-noise ratio, the proposed model exhibits better performance in terms of resolution and amplitude error than that of the LCS model.     

Performance analysis of support recovery in compressed sensing

Compressed sensing is a new framework to capture sparse signals at sub-Nyquist rate. To guarantee reliable recovery from compressed measurements, the exact reconstruction of the support is necessary. In this letter, we study the probability of exact support reconstruction for maximum likelihood decoding algorithm. The recovery problem is first casted as the one of finding K one-dimensional subspaces containing the maximum energy of the received signal, where K is the sparsity level. Then, the asymptotic probability is developed based on the derived probability density function of the normalized distances between the received signal and all possible subspaces.     

基于压缩感知信号重构的wifi室内定位算法研究

针对位置指纹定位算法在训练阶段信号数据采集量大和定位精度不高的问题,提出一种压缩感知(CS,Compressed Sensing)与K均值改进支持向量机(SVM,Support Vector Machine)相结合的定位算法模型(CS-KSVM)。CS算法在训练阶段利用已采集到的部分参考点wifi信号强度数据对整个指纹信号库进行重构以降低信号采集工作量,再用K均值改进SVM算法来实现测试点的准确分类。实验仿真结果表明,CS-KSVM算法在相同采样点条件下的定位精度明显要高于传统定位算法,同时在相同定位精度条件下大大减少了定位需要的采样点数。CS-KSVM算法在3米之内的定位准确度可以达到93.2%。     

多块合并压缩感知实时成像（英文）

中长波红外成像探测器成本高昂,成为该波段高分辨成像和实时显示的巨大挑战。本文提出一种高效合并分块压缩感知方法（Multi-block Combined Compressed Sensing, MBCS）,适用于基于焦平面阵列的压缩成像系统,它结合了并行采样和快速重建优势,可通过低分辨红外探测器实现低分辨并行测量和高分辨图像快速重建。与传统的基于压缩感知超分辨成像相比,该方法可提升高分辨图像重建的质量,同时实现高速重建。本文对光学系统原型和MBCS重建模型测量矩阵构建过程进行了研究,讨论了合并块大小对重建性能的影响,发现存在最优块大小使重建速度与重建质量都最优。此外,本文还实现了基于GPU加速的MBCS重建算法,用于进一步改进并行成像系统的图像重建速度。仿真和光学实验验证了该光学系统并行采样和快速重建策略的有效性,512×512分辨率成像与显示速度可达到5 Hz。