基于精确物理模型的数据集构建及深度学习无透镜成像算法研究

作     者：宋恭渝 

作者单位：浙江师范大学 

学位级别：硕士

导师姓名：任志君;许富洋

授予年度：2023年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 080203[工学-机械设计及理论] 0835[工学-软件工程] 0802[工学-机械工程] 0803[工学-光学工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：无透镜成像 深度学习 菲涅尔孔径编码 维纳滤波 数据集模拟 

摘      要：可穿戴设备、植入式医疗机器人等新兴应用要求成像系统更加小型化、集成化、智能化。相较于透镜成像系统,无透镜成像系统的尺寸显著减小,仅用一个轻薄的光学掩膜进行光场编码。无透镜成像系统采集场景的编码图像,通过重构算法恢复原始场景的像。近年来,基于深度学习的重构算法使得图像恢复速度和质量都得到了显著的提升。深度学习算法的性能主要取决于神经网络的结构和数据集的质量。传统网络训练需要拍摄数以万计的图像构建数据集,工作量巨大。采用模拟的数据集只需要拍摄少量图片,极大的减少了数据采集的难度,但是如何保证模拟数据集与实际采集数据集的一致程度还面临较多问题。另外,目前的成像算法也存在改进之处。为此,本论文以菲涅尔孔径编码成像为例开展研究,包括以下三个方面:首先,提出了一种精确的数据集生成模型,该模型考虑了真实成像系统的卷积过程、非线性校正和噪声因素。针对卷积过程中光强衰减问题,分析了成像系统的正向模型,得到了光强衰减矩阵。针对成像时图像暗部细节丢失、颜色失真的问题,进行了成像系统的非线性标定,获得了成像系统的伽马变换值和颜色变换矩阵。针对成像过程中的噪声问题,通过噪声标定的方式,获得了高斯噪声和泊松噪声分布。实验表明,按照该方法模拟生成的数据与真实数据的一致性高。其次,提出了一种多通道去噪的神经网络重构算法,该算法包含物理模型初步恢复和神经网络优化两个部分。在物理模型部分,提出了改进的维纳滤波算法,引入新的去噪系数,并采用神经网络多通道训练维纳滤波的系数。在神经网络方面,提出了一种新的网络结构,该网络在U-Net后连接Res Net,并引入长跳跃连接和注意力机制,帮助网络收敛。采用该网络训练的重构算法,其恢复图像的PSNR、SSIM、CC在模拟数据的测试集上达到了20.718 d B、0.581、0.933,在实拍的数据集上也能达到19.233 d B、0.531、0.902,效果优于传统的U-Net模型。在训练时间和恢复速度方面,该网络也表现优异。最后,搭建了菲涅尔编码孔径成像系统,该系统包括实验硬件和上位机软件两部分。在实验系统的硬件方面,进行了菲涅尔波带片掩膜板的设计制作。实验系统的上位机软件是基于Py Qt5开发的,具有PSF的获取与处理、成像系统对准、数据集拍摄与无透镜成像实时恢复等功能。该成像系统能够为后续的研究提供便利。