论文部分内容阅读
单像素成像技术是一种新兴的成像技术,其通过对光场进行编码,仅使用一个无空间分辨率的单像素探测器以较低的采样率即可重建目标图像,该技术在高灵敏度成像、多光谱成像、太赫兹成像、红外成像等诸多领域中受到了广泛关注。单像素成像技术依赖于压缩感知原理对目标进行探测和重建,在采样率和重建质量方面已经越来越难以提升。本文开展了基于深度学习的单像素成像算法的研究工作。论文介绍了研究背景及意义,总结了单像素成像技术的国内外研究现状。介绍了单像素成像的基本原理,给出了典型的D-AMP压缩感知重建算法,研究了ReconNet和DR2-Net两种基于深度神经网络的压缩感知重建算法,并对这两种深度神经网络进行了重新训练,给出了各算法的仿真结果。本文设计了基于最小二乘生成对抗网络的单像素成像网络,构建了相应的生成网络和对抗网络。该网络的生成部分由采样网络和重建网络组成,其中采样网络使用全连接网络来模拟压缩感知中的压缩采样过程,同时为了能够在数字微反射镜阵列等空间调制器件中使用,设计了二值化函数用于采样网络训练,实现对{0,1}测量矩阵或{-1,1}测量矩阵的优化。重建网络引入深度扩张卷积神经网络来实现非线性信号的重建过程,学习了测量值与重构图像之间端到端的映射关系,该网络由1个全连接层和7个卷积层组成。判别网络使用的是深度卷积神经网络,该网络包括9个卷积层、2个池化层和2个全连接层。设计了损失函数,将感知损失函数用于损失函数的求取,感知损失由均方误差损失、VGG网络损失和对抗损失三部分得到。分析了网络参数的设置对网络的影响。完成了基于最小二乘生成对抗网络的单像素成像网络的训练和测试。对于128*128分辨率,分别对采样率为0.1、0.05、0.01三种情况进行训练,得到了采样矩阵和相应的重建网络模型,与D-AMP算法、ReconNet、DR2-Net和基于无对抗成分的生成网络的单像素成像网络进行了仿真对比分析,研究结果表明,本论文方法无论主观视觉效果还是客观图像质量评价均具有明显提升,且本文方法处理速度较快。根据单像素成像实验原理,设计了实验方案,搭建了单像素成像实验平台,介绍了实验装置中各个元器件。利用搭建的实验平台开展了单像素成像实验,实验结果验证了本文方法的有效性,重建质量明显优于与现有算法的重建结果。