三维测量-单像素成像-针对互反射 单像素成像是一种新型成像技术,通过单像素探测器获取目标图像信息。该技术在光学成像系统中通过一系列掩膜图案对光信号进行空间调制,并用一个单像素探测器记录其总光强,最后将一系列总光强值与对应的掩膜图案做关联运算,由此重建出目标图像。 单像素成像技术可以分为单像素成像(Single-pixel imaging)与计算鬼成像(Computational ghost imaging)两种。单像素成像是指通过一个单像素探测器记录总光强值,并将其与对应的掩膜图案做关联运算来重建目标图像。计算鬼成像则是指通过多次测量,不断迭代单像素探测值和对应调制掩膜的关联结果,逐步获取物体的空间强度分布,从而逐步提升重构图像的质量。 单像素成像技术的基础理论是将二维图像展开成向量形式,并将调制掩膜序列表示成二维矩阵形式。然后,通过已知的调制掩膜矩阵 P 和探测得到的测量信号序列 s 来解算出目标图像 I。 单像素成像技术的调制方案有多种,包括随机散斑矩阵、哈达玛矩阵、傅里叶矩阵和深度学习矩阵等。随机散斑矩阵是通过某种方式生成服从某种统计分布的矩阵序列,哈达玛矩阵是由哈达玛变换基构成的二值正交矩阵,傅里叶矩阵是将二维图像信号用二维傅里叶变换表示成空间频率的形式,深度学习矩阵是将深度学习中的自编码器应用到单像素成像中。 单像素成像技术的重建算法有多种,包括计算鬼成像算法、迭代算法、傅里叶反变换算法等。计算鬼成像算法是指通过多次测量,不断迭代单像素探测值和对应调制掩膜的关联结果,逐步获取物体的空间强度分布,从而逐步提升重构图像的质量。迭代算法是指通过不断迭代单像素探测值和对应调制掩膜的关联结果,逐步获取物体的空间强度分布。傅里叶反变换算法是指通过傅里叶反变换恢复出目标图像信息。 单像素成像技术是一种新型成像技术,通过单像素探测器获取目标图像信息。该技术有多种调制方案和重建算法,可以根据实际情况选择合适的方法来获取高质量的图像信息。
2025-11-14 19:19:12 2.03MB
1
泽尼克测量基 一种既正交又可变换的测量基,图案为圆形。可用于需要正交分解和重建的领域,如单像素成像
2022-05-02 11:04:48 11.46MB 正交基 单像素成像
1
实现基于四步傅里叶变换的单像素成像,实现《基于傅里叶光谱获取法的单像素成像》(Implementation of single pixel imaging based on four step Fourier transform)
2022-04-27 09:14:40 1.75MB 四步傅里叶变换 单像素成像
单像素成像的Fourrier的Matlab仿真源码。
2021-12-08 20:07:35 66KB 单像素成像 傅里叶变换 SPI MATLAB
1
共方方法matlab代码实现SPI 一组用于单像素成像 (SPI) 的不同重建算法。 如果您有任何问题,请随时联系卞立恒 如果此代码为您的研究提供帮助,请引用我们的出版物: 卞立恒、索金利、戴琼海和陈峰,“单像素成像算法的实验比较”,美国光学学会会刊 A,2017 年,第 2 卷。 35,没有。 1,第 78-87 页。 具有不同重建方法的单像素成像 (SPI) 代码演示,包括 [1] 差分重影成像 (DGI) [2] 梯度下降(GD) [3] 共轭梯度下降(CGD) [4]泊松最大似然(Poisson) [5] 交替投影(AP) [6] 稀疏表示压缩感知(Sparse) [7] 全变分压缩感知(TV) 公开发布 v3.0(2017 年 10 月 24 日) 内容 注意:在运行代码演示之前,请将 Matlab 当前文件夹更改为“../Code_SPI_pkg_3.0”。 ***************** 主功能 ********************* *) Demo.m :此演示使用不同的重建方法进行单像素成像的模拟。 ******************** 重建函数 ****
2021-10-18 14:21:18 14KB 系统开源
1
傅里叶单像素成像 高质量,高效的单像素成像方案Zhang,Z.,Ma,X.,&Zhong,J.(2015)。 通过傅立叶光谱采集进行单像素成像。 自然通讯,6,6225。
2021-06-24 15:13:56 69KB MATLAB
1
很好用,直接调用,输入图像,出来经过差分后得到的频谱图,可以直接作为单像素成像的仿真图像进行使用,对于线上仿真有很大的用处。
2021-04-06 17:46:24 1KB 单像素成像
1
Code demo for single-pixel imaging (SPI) with different reconstruction methods including [1] differential ghost imaging (DGI) [2] gradient descent (GD) [3] conjugate gradient descent (CGD) [4] Poisson maximum likelihood (Poisson) [5] alternating projection (AP) [6] sparse representation compressive sensing (Sparse) [7] total variation compressive sensing (TV)
1