高效学习的透过未知散射介质的相位恢复方法

透过散射介质对目标进行准确的重建仍然是阻碍人们对深层生物组织成像分析和深空天文观测的主要挑战之一。基于深度学习的散射计算成像方法虽然在成像质量和效率等方面取得了很大的进展,但是针对实际系统中散射介质状态不固定,目标结构具有较高复杂度以及可获取的训练散射数据有限的情况下,单纯利用数据驱动的方法已无法进行准确高效的重建。将散斑相关原理和卷积神经网络强大的数据挖掘和映射能力进行有效的结合,进一步挖掘和利用散斑所包含的冗余信息,实现了仅利用一块薄散射介质对应的散斑数据即可实现透过具有不同统计特性散射介质的复杂目标重构。该方法针对实际散射场景复杂多变和训练样本数据有限的情况,实现了对复杂目标的高质量恢复,有力地推动了基于物理感知的学习方法在实际散射场景中的应用。     

浑浊介质光学特性的激光散斑表征

大气、海水及生物组织等都属于浑浊介质,浑浊介质的光学特性表征是近年来的研究热点.从浑浊介质光散射特性的散斑表征、散斑偏振技术的应用及在医学生物学中的应用三个方面综述了浑浊介质光学特性的激光散斑表征方法及其进展.     

用BP神经网络技术重构介质圆柱体电磁参数

将BP神经网络技术应用于介质圆柱体电磁逆散射问题研究,通过BP神经网络将原逆散射问题转化为一个回归估计问题.设置多个目标散射场观测点,分别以目标不同的电磁参数及其响应下的散射电场的幅值作为BP网络的输出与输入,采用L-M训练算法,经过适当的训练,建立起逆散射模型,再以新的散射电场作为输入,实时重构了自由空间及半空间介质圆柱体的相对介电常数和电导率.数值结果显示了该方法的有效性及准确性,为目标的实时逆散射研究提供了一种高效的方法.     

一种结合Transformer和CNN的散斑图复原网络

近年来,深度学习已成功应用于计算成像领域,并取得了显著的成果。目前,实现激光透过散射介质后的图像复原技术成为热门的研究课题,本文提出了一种包含双编码器的深度学习网络模型Trans＿CNN,从散斑图复原目标物图像,该网络融合了来自Transformer编码器和卷积神经网络编码器的信息,并将融合的编码信息传递给解码器获得复原结果,从散斑图中最大程度地学习全局特征和局部特征,从而更好地从散斑图复原出目标图像。实验结果证明Trans＿CNN网络在复原散斑图像方面具有更好的性能和复原图像质量较好。     

深度学习下的散射成像:物理与数据联合建模优化（特邀）

为了利用被散射的光信号实现成像，越来越多的散射成像方法被提出。其中深度学习以其强大的数据表征和信息提取能力在散射成像领域发挥着重要的作用。相较于传统散射成像方法，基于深度学习的散射成像方法在成像速度、质量、信息维度等方面都有着巨大的优势。但是，模型训练、模型泛化等问题也制约着该方法的发展。因此，越来越多的研究将物理过程与基于数据驱动的方法进行联合建模，利用物理先验指导神经网络优化。相较于单纯的数据驱动方法而言，物理-数据联合建模的方法对数据量、神经网络参数量的依赖程度大大降低，在保证成像质量的前提下有效降低数据获取难度及对实验环境的要求。联合建模优化的方式实现了介质、目标类型等散射成像中关键节点的泛化。同时在训练过程方面，实现了从有监督到半监督再到无监督的训练优化过程迭代，不同模型和监督方式的提出大大提升了基于深度学习方法的训练效率，在降低对硬件和时间成本的同时，提升了基于深度学习的散射成像方法在非实验室场景应用的可能性。     

计算光学成像在散射中的应用

自然界中普遍存在光散射现象。如何通过散射介质实现高分辨率成像是光学成像领域亟待解决的重要问题。在早期研究中,多重光散射被认为是雾霾、云层、生物组织等复杂介质成像中的障碍。然而,最近研究表明,散射并不是成像的基本限制:光子在经过多次散射后仍然包含了大量信息。为了深入了解新兴的计算光学成像是如何解决多重光散射问题的,文中主要介绍了波前整形、散斑相关及深度学习等方法在散射成像领域中的研究进展。最新的研究成果表明:波前整形可以实现动态散射介质内部的高分辨率快速聚焦;散斑相关能够利用单帧散斑实现非侵入式成像;基于深度学习的成像技术能恢复出隐藏在光学厚度为13.4的白色聚苯乙烯平板背后的物体。     

基于散斑相关的宽视场成像技术研究进展（特邀）

散射成像技术因具备透过生物组织等散射介质后清晰成像的能力而受到广泛关注。近年来,基于散斑自相关的成像方法以其非接触、无需先验信息且能够单帧成像的特点得到迅速发展。然而,散斑自相关成像受光学记忆效应的限制。当多个目标之间的距离在记忆效应范围之外时,基于散斑自相关的成像方法会导致目标自相关信息在相关域发生混叠,导致成像严重退化。文中在光学记忆效应及散斑自相关成像基本原理的基础上,首先介绍了基于散斑自相关和与散斑相关成像有关的其他散射成像技术。接着介绍了拓展光学记忆效应的主要技术及相关应用。最后总结了基于散斑相关的宽视场成像技术目前存在的问题,并对未来的发展应用进行了展望。     

基于无透镜散斑图像编码的集成式光谱检测

近年来,片上光谱检测技术由于其优异的集成特性在各种应用中引起了广泛的关注。得益于集成在各类便携式平台的低成本图像传感器,与波长相关的图像编码技术成为一种新兴的集成式光谱检测方法。为了准确地对图像中的光谱信息进行解码,通常需要物镜和较大的工作距离,这些都不可避免地增加了光学系统的复杂性和整个检测系统的尺寸。文中提出了一种基于卷积神经网络算法的新型散斑图像编码技术,通过将纳米散射结构直接集成到图像传感器表面进行散斑成像,实现了无需光学镜头的片上集成式光谱检测功能。这种高集成、低成本的光谱检测方法和器件利用先进算法克服了有限硬件资源造成的弱光谱检测能力,有望在现场快检和分布式传感网络等领域得到应用。     

激光投影显示中新型散射体的散斑抑制

激光的强相干性造成了激光投影显示中出现大量干涉条纹和散斑,为了消除干涉条纹和散斑对图像质量的影响,采用旋转新型散射体(Engineered DiffuserTM)的方法在一定积分时间内获得叠加的清晰图像。首先,介绍了激光投影显示中散斑的成因及采用时间平均抑制散斑的理论依据。接着,分析了传统散射体毛玻璃和Engineered DiffuserTM在结构及功能上的区别。最后,建立了旋转新型散射体抑制散斑的激光投影显示实验装置,对比验证了旋转新型散射体抑制散斑的效果。实验结果表明:散斑对比度降低到3.08%,图像质量良好,无明显干涉条纹。该方法满足商用激光投影显示体积小、简单易行等要求。     

基于散射模型的极化SAR图像相干斑抑制算法

针对地表目标散射具有随机取向特性,给出一种新的基于散射模型的极化合成孔径雷达相干斑抑制算法。首先将去取向理论用于相干斑抑制的预处理过程,之后在考虑图像中存在混合散射像素的情况下,通过Freeman分解将像素分成4种散射类型,利用欧式距离分类器对像素进行无监督分类,最后按最小均方误差准则对图像降斑处理。利用美国宇航局喷气推进实验室(NASA/JPL)的AIRSAR系统实测数据进行实验,结果表明,文中方法由于考虑了图像中目标散射的随机取向特性和混合散射情况,并采用相应的处理方法,改善了像素初始分类结果,相干斑抑制效果和分类结果明显优于LEE的基于散射模型降斑算法。     

透过薄散射介质的目标事件分类方法

现有的通过散射介质的目标分析主要针对静止目标，同时，环境或外部亮度条件对目标分析结果有着至关重要的影响，这就对图像采集设备的动态范围、时间分辨率等性能提出了极高要求。事件相机由于其高动态范围、高时间分辨率与低延迟等特点为应对上述问题提供了新的解决思路。本文针对低照度情况下运动目标透过薄散射介质探测效果差的问题，利用事件相机开展了透过薄散射介质的目标探测的研究。采用V2E算法利用灰度散斑制备“事件散斑”数据集，并采用ResNet分类网络进行目标分类，获得了94.27%的十分类精确率。实验结果表明，使用事件流在分析通过散射介质的目标信息方面有着巨大的发展潜力。     

基于BP神经网络的介质圆柱体逆散射方法研究

将人工智能技术应用于介质圆柱体电磁逆散射问题研究,通过BP神经网络将原逆散射问题转化为一个回归估计问题,重构了目标的几何与电磁参数。在TM波的照射下,设置多个目标散射场的观测点,以散射场的幅值作为BP网络的输入,相应的几何与电磁参数作为输出,经过适当的训练,建立了介质圆柱体逆散射模型,并以此模型重构了已知探测范围内的介质圆柱体的半径、相对介电常数及电导率。比较结果显示了该方法的有效性和准确性,为目标的实时逆散射研究提供了一种有效方法。     

极端学习机在立体图像质量客观评价中的应用

基于传统神经网络训练速度慢、易陷入局部极小值和泛化性能低等问题,提出采用极端学习机(ELM,extreme learning machine)对立体图像质量进行了客观评价。ELM是单隐层前馈神经网络(SLFNs)的泛化,输入权重可以随机赋值并通过解析获得输出权值。与传统神经网络算法相比,ELM算法具有参数选择简单、学习速度快及泛化性能好等优点。实验结果表明,以sigmoid为激励函数,对241幅不同等级的立体图像测试样本进行测试,其正确等级分类率达到93.85%。研究了不同激励函数条件下不同隐藏层节点数对极端学习机网络性能的影响,且将ELM和传统BP及支持向量机(SVM)在立体图像质量评价中的性能进行了分析比较。     

散斑噪声污染的激光水下图像滤波算法

水是一种特殊的介质，在激光水下图像中总存在因水的后向散射引起的散斑噪声。充分利用形态学的不同结构多元方向形态滤波的多分辨率特性，以及形态学运算固有的能将大量的复杂图像处理运算转换为基本的逻辑与移位运算的组合来完成的特点，提出了一种多方向的形态滤波算法。不仅有效地抑制了因海水后向散射引起的散斑噪声，同时保留了激光水下目标图像的几何结构细节特征，实验表明这是一种有效的滤除水下激光图像散斑噪声的快速滤波算法。     

基于相关全息原理的散射成像技术及其进展

由于随机散射效应,相干光束经过强散射介质后,出射光场变成光强呈无序分布的散斑场,因此无法直接从出射场获取入射光的信息。然而,在随机散射过程中,出射散斑场仍然携带着入射光场信息。从散斑场中获取原始信息以实现物体的重建是一个备受关注的研究课题。研究人员针对该问题提出了包括散斑相关、传输矩阵、波前调控及时间反演与相位共轭等技术。着重介绍了基于相关全息原理的散射成像技术,主要包括其原理、发展历史以及最新的研究进展,并对该技术的未来发展趋势进行了展望。     

基于深度学习的散射光场成像研究进展

散射介质会改变光子的传播方向和传输路径,导致成像质量下降甚至形成散斑。理论上,散射介质的传输矩阵可以被用来恢复目标信息,但是求解传输矩阵的过程十分复杂,而且精度也受较多因素的影响。近年来,迅速发展的深度学习技术为解决散射光场成像问题提供了新思路,其作为一种求解逆问题的常用方法可以准确恢复目标信息、提高成像质量,在散射光场成像领域发挥着重要作用并涌现出了一系列突出的科研成果。基于深度学习算法中的监督学习和无监督学习,总结了现阶段基于深度学习算法的散射光场成像技术的研究进展,并从深度学习技术的网络结构、成像质量、泛化性等方面分析比较了各类智能算法成像技术性能。最后,分析了基于深度学习算法的散射光场成像技术的优势及面临的挑战,并展望了该领域未来可能的发展趋势。     

涡旋光束经过散射介质产生散斑的理论和实验研究

研究了涡旋光束经过散射介质后形成的散斑特性 ．运用概率统计理论和光束传输理论,模 拟了不同拓扑电荷数的涡旋光束经过散射介质后形成的散斑,以及散射介质颗粒尺度对散斑 特性的影响。模拟结 果表明,随着涡旋光束拓扑电荷数的增大和散射介质颗粒尺度减小,形成 的散斑颗粒尺寸逐渐减小。实验上,利用螺旋相位板(SPP)产生涡旋光束,使其透过散射介 质后形成散斑。实验结果 表明,涡旋光束经过散射介质后,随着散射介质颗粒尺度减小,形成的散斑对比度逐渐增大 ;随着涡旋光束拓 扑电荷数的增大或散射介质颗粒的减小,所形成散斑的尺寸减小。实验结果与模拟结果 相吻合。     

一种提高神经网络集成系统泛化能力的方法

为了充分利用神经网络的原始训练数据,提高神经网络集成系统的泛化能力,提出了一种有效的神经网络集成方法.通过在训练样本上加入一定量的噪声,增大训练样本集,使得不同的个体网络在不同的训练样本上训练,在提高个体网络精度的同时,增加了集成中个体网络的差异度.实验结果表明,该方法能有效的提高神经网络集成系统的泛化能力与计算精度.     

基于深度学习的散斑投影轮廓术

针对传统的单幅散斑图像匹配算法测量精度低且无法测量复杂面型物体等问题,提出了一种基于深度学习的散斑投影轮廓术,即通过深度学习的方法实现散斑图像的逐像素匹配。设计利用孪生卷积神经网络结构,将目标散斑图像和参考散斑图像以图像块的形式输入神经网络。通过卷积层运算提取散斑图像块的特征信息,进而将子网络得到的特征信息融合为两个图像块之间的匹配系数,以获得散斑图像的视差数据,并最终可将视差数据转化为物体的三维信息。实验结果表明,该方法可以通过单幅散斑图像实现精度约为290 μm的三维轮廓测量。     

基于卷积神经网络的色散介质电磁参数重构

色散介质的经验模型适合描述等离子体、水、生物肌体组织等媒介。为了反演色散媒介的电磁参数,提出一种基于卷积神经网络的色散介质电磁参数反演方法。在电磁参数反演的过程中,利用前向算法获得色散介质的散射电场,反演算法通过卷积神经网络将原逆散射问题转化为一个回归估计问题。提取不同频率TM波照射下色散介质的散射电场值的实部和虚部作为样本信息并作为卷积神经网络的输入,色散介质电磁参数作为输出,经过适当的训练,重构出自由空间中色散介质圆柱体电磁参数。经过与BP神经网络反演结果的比较,验证了该方法的有效性及准确性。