蔣宗鏵,田 昕,楊晉陵
(武漢大學(xué) 電子信息學(xué)院,湖北 武漢 430072)
鬼成像(ghost imaging,GI)又稱為關(guān)聯(lián)成像,是量子成像的一種。與傳統(tǒng)光學(xué)成像基于光分布測(cè)量成像相比,鬼成像是基于光波能量的關(guān)聯(lián)測(cè)量,如果把世界看成一個(gè)由光子組成的量子場(chǎng),那么量子場(chǎng)中每一個(gè)光子的狀態(tài)都能被精準(zhǔn)地計(jì)算,通過(guò)對(duì)這些光子能量探測(cè)和計(jì)算,便能為每一個(gè)成像目標(biāo)反演出我們所需的圖像,所以鬼成像能獲取很多傳統(tǒng)光學(xué)成像獲取不到的信息。鬼成像最早起源于量子糾纏光源實(shí)現(xiàn)的量子成像[1-2],是一種利用雙光子復(fù)合探測(cè)恢復(fù)待測(cè)物體空間信息的新型成像技術(shù)。鬼成像的原理可以簡(jiǎn)單概括為通過(guò)光學(xué)方式將場(chǎng)景信息復(fù)用為一維測(cè)量值,并通過(guò)關(guān)聯(lián)計(jì)算將二維目標(biāo)圖像解復(fù)用的過(guò)程。最早研究者們認(rèn)為糾纏光子對(duì)是實(shí)現(xiàn)鬼成像的必要條件,直到2002年Rochester 大學(xué)的Bennink 等人[3]成功使用由HeNe 激光器和振幅掩模器件組成的經(jīng)典光源完成了鬼成像實(shí)驗(yàn)才打破了人們對(duì)鬼成像的傳統(tǒng)認(rèn)知。隨后,研究人員也陸續(xù)用理論和實(shí)驗(yàn)證明了用經(jīng)典光源實(shí)現(xiàn)鬼成像的可行性[4-7]。各種波段的電磁波如贗熱光源[8]、非相干光源[9]、X 射線[10]和太赫茲[11]等,也陸續(xù)被作為光源來(lái)實(shí)現(xiàn)鬼成像。經(jīng)過(guò)一段時(shí)間的發(fā)展,傳統(tǒng)雙臂鬼成像的弊端也逐漸被發(fā)現(xiàn),因其具有雙臂的特點(diǎn),成像系統(tǒng)更復(fù)雜,集成化難度提高;另外,由于還要多采集一路攜帶空間信息的信號(hào),對(duì)硬件存儲(chǔ)和傳輸?shù)囊蟾?,在?shí)用化方面亦受到了很大限制。因此,計(jì)算鬼成像應(yīng)運(yùn)而生[12-13]。計(jì)算鬼成像的出現(xiàn),對(duì)鬼成像技術(shù)實(shí)用化起到了至關(guān)重要的推動(dòng)作用。在計(jì)算鬼成像中使用空間光調(diào)制器(spatial light modulator,SLM)和數(shù)字微鏡器件對(duì)出射光進(jìn)行調(diào)制。單臂式計(jì)算鬼成像不同于傳統(tǒng)雙臂鬼成像,不需要帶有電荷耦合元件陣列探測(cè)器的參考光路,僅需要一個(gè)帶有桶探測(cè)器的信號(hào)光路,因此簡(jiǎn)化了實(shí)驗(yàn)裝置,減少了實(shí)驗(yàn)過(guò)程,同時(shí)也降低了鬼成像實(shí)驗(yàn)的復(fù)雜度。近年來(lái),計(jì)算鬼成像陸續(xù)涌現(xiàn)出大量相關(guān)應(yīng)用,如遙感[14]、光學(xué)加密[15]和三維重建[16]等。
在鬼成像領(lǐng)域中,Katz 等人[17]引入了壓縮感知方法[18-19],他們利用壓縮感知的算法突破了Nyquist-Shannon 采樣頻率極限,讓數(shù)據(jù)能同時(shí)被壓縮和采集。但利用傳統(tǒng)壓縮感知算法成像質(zhì)量仍然較低,隨著全變分正則化(total variation regularization,TV)方法的出現(xiàn),其重構(gòu)的結(jié)果較傳統(tǒng)壓縮感知的結(jié)果更精確,重構(gòu)圖片也會(huì)保持一定的光滑性。TV 重構(gòu)的圖像可能會(huì)存在邊緣細(xì)節(jié)上的一些模糊,只能利用局部信息對(duì)重建圖像進(jìn)行優(yōu)化,所以有時(shí)并不能達(dá)到比較符合預(yù)期的重建效果。
在傳統(tǒng)光學(xué)不能應(yīng)用的極端場(chǎng)景,例如大霧天氣,水下等[20-21],鬼成像都能較好地完成成像任務(wù),但是成像質(zhì)量一直是其被詬病的地方。為了提高成像質(zhì)量,本文提出一種非局部廣義全變分的計(jì)算鬼成像重建方法(nonlocal generalized total variation,NLGTV),通過(guò)權(quán)重函數(shù)構(gòu)建成像模型,并采取ADMM[22](alternating direction method of multipliers)算法獲得模型的較優(yōu)解。該方法優(yōu)勢(shì)主要體現(xiàn)在:1)NLGTV 可以在重構(gòu)時(shí)讓類似噪聲結(jié)構(gòu)的振幅變小,這樣重構(gòu)圖像邊緣會(huì)變得更加突出和銳利;2)NLGTV 使用了不同的平滑懲罰權(quán)重和非局部稀疏懲罰項(xiàng),可以很好地把重構(gòu)圖像的紋理與主要結(jié)構(gòu)區(qū)分開(kāi)來(lái),解決了階梯效應(yīng)的問(wèn)題。
相比較于TV 而言,非局部廣義全變分模型會(huì)全局考慮圖像的信息[23]。給定輸入圖像f(x),像素x∈Ω( Ω代表整個(gè)圖像域)處的非局部廣義全變分被定義為所有像素y∈Ωx( Ωx代表x周圍的圖像域)對(duì)于x的偏導(dǎo)數(shù)向量?w f(x,y),即:
式中W(x,y)是權(quán)重函數(shù),定義如下:
式中:h代 表正濾波參數(shù);Gσ是一個(gè)標(biāo)準(zhǔn)差為 σ的高斯 核;f(x+t)代表以x為中心的大小為n×n的塊。
空間光調(diào)制器(SLM)是提供實(shí)時(shí)或準(zhǔn)實(shí)時(shí)的一維或二維光學(xué)傳感器件和運(yùn)算器件,在此系統(tǒng)中參與對(duì)輸入光的調(diào)制。在擴(kuò)束鏡與液晶空間光調(diào)制器的后面分別添加起偏器和檢偏器,由于液晶空間光調(diào)制器的工作原理是在兩片偏光板之間通過(guò)電壓控制液晶分子的轉(zhuǎn)動(dòng)來(lái)進(jìn)行相位調(diào)制,這樣可以使激光未被調(diào)制的部分完全消光,以保證調(diào)制后的光束在強(qiáng)度較高的情況下?lián)碛休^好的性能,過(guò)濾掉未曾被液晶空間光調(diào)制器調(diào)制的雜散光,減少雜散光的影響。圖1 為設(shè)計(jì)的單臂計(jì)算鬼成像測(cè)量反射式探測(cè)物示意圖。激光通過(guò)擴(kuò)束準(zhǔn)直系統(tǒng)之后由液晶空間光調(diào)制器進(jìn)行強(qiáng)度調(diào)制,調(diào)制光被物體反射,由透鏡會(huì)聚之后被PIN 管接收,PIN 管將獲得的攜帶物體信息的激光總光強(qiáng)信息經(jīng)過(guò)數(shù)字模擬轉(zhuǎn)換器之后傳輸進(jìn)入電腦,然后利用全局平滑懲罰權(quán)重和非局部稀疏懲罰項(xiàng)構(gòu)建一種新型的計(jì)算鬼成像成像模型,通過(guò)ADMM 算法對(duì)成像模型進(jìn)行求解,從而得到一個(gè)相比于其他重建方法細(xì)節(jié)更清晰、邊緣更突出、對(duì)比度更好的重建圖像。
圖1 計(jì)算鬼成像測(cè)量反射式探測(cè)物示意圖Fig.1 Schematic diagram of computational ghost imaging measurement for reflective detectors
實(shí)驗(yàn)中輸入的調(diào)制信息是m組連續(xù)的隨機(jī)矩陣。m的計(jì)算公式為
式中:a為 矩陣的行數(shù):b為 矩陣的列數(shù):fs為圖像采樣率。在得到光強(qiáng)隨時(shí)間變化的曲線后通過(guò)切分處理得到m個(gè)光強(qiáng)信息,這樣可以獲得測(cè)量光強(qiáng)向量Sm和調(diào)制信息Pm。所以最初的計(jì)算鬼成像重建公式可寫為
式中:< >代表求算術(shù)平均值:R(x,y)為物體的反射率。將(4)式和(5)式關(guān)聯(lián)就可獲得重構(gòu)圖像u(x,y)。
基于非局部廣義全變分約束,可以將新的成像模型表示為如下式所示優(yōu)化問(wèn)題:
其中第1 項(xiàng)為數(shù)據(jù)保真項(xiàng),第2 項(xiàng)是先驗(yàn)規(guī)范化項(xiàng),λ>0用于平衡數(shù)據(jù)保真項(xiàng)和先驗(yàn)項(xiàng)。
本文采用ADMM 算法將上述優(yōu)化問(wèn)題分解成易于處理的子問(wèn)題。通過(guò)引入輔助變量c(該變量被約束為u),將該優(yōu)化問(wèn)題改寫為
其增廣拉格朗日形式L(u,c,z)如下式所示:
式中:μ為正則化參數(shù);z代表相關(guān)的拉格朗日乘數(shù)?;贏DMM 算法,可以得到如下子問(wèn)題:
1)u迭代問(wèn)題
通過(guò)采用迭代重加權(quán)策略[24-25],(9)式的解為
式中O(x,y)為權(quán)重矩陣,其計(jì)算方式為
式中ε是一個(gè)微小值,避免除數(shù)為零。
2)c迭代問(wèn)題
通過(guò)求解(10)式中對(duì)c的導(dǎo)數(shù),并令其為零,可得到c的解為
3)z迭代問(wèn)題
通過(guò)(11)式直接更新z。這樣NLGTV 的重建算法的偽代碼如表1所示。
表1 NLGTV 的圖像重建算法偽代碼Table 1 Pseudo code of NLGTV image reconstruction algorithm
本節(jié)的工作主要是進(jìn)行了仿真實(shí)驗(yàn)來(lái)驗(yàn)證所提方法的有效性。為了量化方法的性能,引入了2 個(gè)量化指標(biāo):1)峰值信噪比(peak signal-noiseratio,PSNR),它描述兩幅圖像之間每個(gè)像素的差異;2)結(jié)構(gòu)相似度(structural similarity,SSIM),它衡量重建圖像與真實(shí)圖像的結(jié)構(gòu)相似性。
本工作將所提方法與其他6 種常用的重建算法進(jìn)行了比較,即:差分鬼成像(differential ghost imaging,DGI)法[26]、梯度下降(gradient descent,GD)法、共軛梯度下降(conjugate gradient descent,CGD)法、交替投影(alternating projection,AP)法[27]、稀疏表示(sparse representation)法[28]及全變分正則化法(TV)[29]。仿真時(shí)設(shè)置所用Cameraman 圖的分辨率為48×48 pixel,采樣率為0.5,仿真1 的結(jié)果如圖2所示。為了進(jìn)一步驗(yàn)證結(jié)論的普適性,分別采用了如下幾種方法進(jìn)行參數(shù)的改變:1)仿真2 更換了仿真圖片,將仿真圖片由Cameraman 圖更換為L(zhǎng)ena 圖,采樣率和分辨率與仿真1 保持一致,重建效果如圖3所示;2)仿真3 改變了原圖的采樣率,改變后的分辨率為48×48 pixel,采樣率為1,重建效果如圖4所示;3)仿真4 改變了原圖的分辨率,改變后的分辨率為64×64 pixel,采樣率為0.5,重建效果如圖5所示。
圖2 仿真1 不同算法的視覺(jué)比較結(jié)果Fig.2 Visual comparison results of different algorithms for simulation 1
圖3 仿真2 不同算法的視覺(jué)比較結(jié)果Fig.3 Visual comparison results of different algorithms for simulation 2
圖4 仿真3 不同算法的視覺(jué)比較結(jié)果Fig.4 Visual comparison results of different algorithms for simulation 3
圖5 仿真4 不同算法的視覺(jué)比較結(jié)果Fig.5 Visual comparison results of different algorithms for simulation 4
從圖2(b)和圖2(c)中可以直觀地看出DGI和GD 這兩種方法重建的圖像被噪聲掩蓋,整個(gè)圖像畫面細(xì)節(jié)幾乎全部丟失。圖2(g)的TV 方法重建的效果雖然相較于前幾個(gè)方法的效果有了明顯的提升,重建結(jié)果更準(zhǔn)確,但是整個(gè)圖像邊緣呈現(xiàn)出階梯效應(yīng)。而圖2(h)的本文方法在保證噪聲最少的同時(shí),圖像對(duì)比度相較之前的方法也有所提升,圖像細(xì)節(jié)更加豐富,相較于TV 也并未出現(xiàn)明顯的階梯效應(yīng)。
Lena 圖的細(xì)節(jié)部分更加豐富,更適合觀察算法對(duì)細(xì)節(jié)部分的處理。從圖3 可以看出在其他方法均存在大量噪聲的情況下,只有圖3(g)的TV 方法和圖3(h)的本文方法重建圖像的對(duì)比度較好,噪聲較少,且所提方法較TV 細(xì)節(jié)更加豐富,整體主觀視覺(jué)效果更佳。
從圖4 可以看出,在設(shè)置原圖采樣率為1 這種比較極端的情況下,所有方法的重建效果都有不同程度的提升。特別是圖4(d)中CGD 重建還原程度明顯提高,但其重建時(shí)迭代次數(shù)多,噪聲也沒(méi)有完全去除。圖4(h)中本文方法基于非局部梯度先驗(yàn)可減少迭代次數(shù),重建圖像的噪聲也更小。
從圖5 可以看出在增大圖像分辨率的情況下,圖像的細(xì)節(jié)部分得到了更好的還原,圖像重建誤差減小。圖5(h)的本文方法所重建的圖像噪聲也是最小的,也并未像圖5(g)的TV 方法那樣有明顯的階梯效應(yīng),重建的視覺(jué)效果是所有方法中最佳的。
為了對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行客觀的分析,本工作采用了PSNR 和SSIM 這2 個(gè)量化指標(biāo)對(duì)結(jié)果進(jìn)行了驗(yàn)證。PSNR 和SSIM 定義分別為
式中:X和Y分別代表分辨率為M×N的真實(shí)圖像和重建的圖像;Imax表示X顏色的最大值;γX和 γY分別為X和Y的平均值;和分別代表X和Y的方差;δXY表示X和Y的協(xié)方差;其中l(wèi)=255 為像素的最大值,k1和k2是常數(shù)。
從(15)式可以看出,如果PSNR 值越大,則說(shuō)明圖像重建的效果越好。而SSIM 取值范圍為[0,1],它的取值越接近于1,表示圖像失真越小,圖像重建的效果越好。分析結(jié)果如表2所示。
表2 不同算法兩種評(píng)價(jià)指標(biāo)的比較結(jié)果Table 2 Comparison results of two evaluation indicators for different algorithms
從表2 可以看出,在仿真實(shí)驗(yàn)的4 種情況下本文方法的PSNR 值一直為最大,SSIM 值也更接近于1。在采樣率達(dá)到1 這種比較極端的情況下,其他方法特別是CGD 方法2 個(gè)指標(biāo)的增長(zhǎng)雖然也很明顯,但和所提方法相比還存在著差距,這也驗(yàn)證了所提方法的有效性。
在仿真后,本文設(shè)計(jì)并搭建實(shí)驗(yàn)光路對(duì)仿真結(jié)果進(jìn)行驗(yàn)證。實(shí)驗(yàn)使用波長(zhǎng)為632.8 nm 的氦氖激光器??臻g光調(diào)制器采用的是大恒光電空間分辨率為1 024×768 pixel 的SLM-T1 系列。探測(cè)器為PIN 管,其光譜范圍為400 nm~800 nm,靈敏度為3.3 mV/μW。A/D 轉(zhuǎn)換裝置為阿爾泰公司的USB3136A,其通過(guò)USB 與電腦相連,利用Labview 上自主編寫的接收程序獲得桶探測(cè)器中對(duì)應(yīng)的強(qiáng)度值,讓其與SLM的輸入矩陣的值一一對(duì)應(yīng),通過(guò)轉(zhuǎn)換成Matlab 上可處理的數(shù)據(jù)格式,使用Matlab 讓數(shù)據(jù)得到進(jìn)一步的處理。為了較好模擬現(xiàn)實(shí)中比較惡劣的探測(cè)環(huán)境,實(shí)驗(yàn)選取的激光器功率較低,PIN 管探測(cè)響應(yīng)靈敏度不高,從而增加整個(gè)系統(tǒng)的探測(cè)難度。搭建的整個(gè)系統(tǒng)如圖6所示。
圖6 計(jì)算鬼成像測(cè)量反射式探測(cè)物系統(tǒng)圖Fig.6 Systematic diagram of computational ghost imaging measurement for reflective detectors
在實(shí)驗(yàn)中本文選擇了“武”和“漢”字作為重建目標(biāo)。在采樣率均為0.5 的情況下設(shè)置了分辨率為48×48 pixel 和32×32 pixel 的“武”字實(shí)驗(yàn)1 和實(shí)驗(yàn)3,分辨率為48×48 pixel 的“漢”字實(shí)驗(yàn)2。為了讓PIN 管有足夠的響應(yīng)時(shí)間,設(shè)置每個(gè)矩陣的調(diào)制時(shí)間為0.1 s。鑒于在仿真實(shí)驗(yàn)中DGI 一直表現(xiàn)不佳,在操作實(shí)驗(yàn)中將不再驗(yàn)證這種方法。
以分辨率為48×48 pixel 的“武”字為例,其PIN管接收到的波形數(shù)據(jù)如圖7所示。
圖7 PIN 管接收到的數(shù)據(jù)波形Fig.7 Waveform of data received by PIN diode
首先將PIN 管的波形按照接收時(shí)間劃分成1 152 組。此時(shí)如何將近600000 個(gè)數(shù)據(jù)處理為1 152 組可用的數(shù)據(jù)是其中的難點(diǎn)。如圖8所示,由于在SLM 切換散斑矩陣時(shí)PIN 管的響應(yīng)速度較慢,所以部分PIN 管接收到的數(shù)據(jù)強(qiáng)度會(huì)為0。為了避免這些數(shù)據(jù)對(duì)實(shí)驗(yàn)結(jié)果造成的影響,我們?nèi)∶拷M數(shù)據(jù)中間1/5 部分,再對(duì)其取平均值計(jì)算出1 152 組數(shù)據(jù),處理后的數(shù)據(jù)曲線如圖8所示。這些數(shù)據(jù)就是我們需要的Sm值,而Pm值是已知的,從而就可以通過(guò)所提算法重建出圖像。
圖8 切分平均處理之后的數(shù)據(jù)波形Fig.8 Waveform of data after segmentation and averaging
實(shí)驗(yàn)1、2、3 的重建結(jié)果分別如圖9、圖10、圖11所示。
圖9 實(shí)驗(yàn)1 不同算法的視覺(jué)比較結(jié)果Fig.9 Visual comparison results of different algorithms for experiment 1
圖10 實(shí)驗(yàn)2 不同算法的視覺(jué)比較結(jié)果Fig.10 Visual comparison results of different algorithms for experiment 2
圖11 實(shí)驗(yàn)3 不同算法的視覺(jué)比較結(jié)果Fig.11 Visual comparison results of different algorithms for experiment 3
從圖9(b)、9(c)、9(e)和圖10(b)、10(c)、10(e)中可以看出,GD、CGD 和Sparse 重建的圖像噪聲過(guò)多,圖9(f)和圖10(f)的TV 重建圖像雖然也取得了一定的效果,但是整個(gè)畫面中仍然存在一些噪聲,圖像對(duì)比度也不是最佳。圖9(d)和圖10(d)的AP 雖然保證了圖像的對(duì)比度和灰度,但仍然存在一些散粒噪聲。圖9(g)和圖10(g)所示本文方法在較好地還原了圖像細(xì)節(jié)的同時(shí)能夠保證圖像的平滑和灰度,整體圖像的對(duì)比度較強(qiáng),噪聲也是所有方法中最少的。
從圖11 中可以看出,在不改變圖像采樣率而降低圖像分辨率的情況下,圖11(b)、11(c)、11(e)的GD、CGD、Sparse 方法的重建效果更加不理想。圖11(f)的TV 方法“武”下面部分已經(jīng)較難辨認(rèn),圖11(d)中AP 圖像的對(duì)比度較低。只有圖11(g)即本文方法重建的圖像細(xì)節(jié)部分能較為清晰地辨認(rèn),對(duì)比度為所有方法中最高,重建效果最佳。
在這項(xiàng)研究中,本文提出將非局部廣義全變分方法用于鬼成像的重建。傳統(tǒng)鬼成像重建方法要求數(shù)據(jù)采樣率高、迭代的次數(shù)較多,計(jì)算量龐大,重建出來(lái)的圖像細(xì)節(jié)部分也不一定清晰,而TV 方法重建會(huì)出現(xiàn)一定的階梯效應(yīng)。本文方法利用非局部的相關(guān)性權(quán)重來(lái)設(shè)計(jì)梯度算子,重建的圖像有較好的對(duì)比度效果,且細(xì)節(jié)部分能被很好地還原,階梯效應(yīng)也不明顯。在仿真中,本文利用主觀視覺(jué)評(píng)價(jià),并引入2 個(gè)客觀評(píng)價(jià)指標(biāo)PSNR 和SSIM對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行了驗(yàn)證,最后通過(guò)實(shí)驗(yàn)來(lái)對(duì)所提方法進(jìn)行了進(jìn)一步的驗(yàn)證,所示結(jié)果證實(shí)了所提方法的重建效果更好。
當(dāng)然,所提方法仍然存在一些不足之處,比如實(shí)驗(yàn)輸入的測(cè)量矩陣的分辨率不能過(guò)高,這也導(dǎo)致了所獲取的重建圖像受到分辨率的制約。因?yàn)楦鶕?jù)(3)式,在采樣率為0.5、分辨率為128×128 pixel 的情況下,需要輸入的測(cè)量矩陣圖片數(shù)量要達(dá)到8 192 個(gè),進(jìn)一步增加分辨率將會(huì)提高實(shí)驗(yàn)對(duì)計(jì)算機(jī)硬件的要求。因?yàn)橐?jì)算全局的權(quán)重因子,算法所需時(shí)間相較于TV 來(lái)說(shuō)更長(zhǎng),如何提升算法的運(yùn)行效率是未來(lái)要解決的問(wèn)題之一。另外,所提方法在一些圖像細(xì)節(jié)過(guò)于豐富的地方可能會(huì)出現(xiàn)過(guò)度平滑的情況,導(dǎo)致一些微小細(xì)節(jié)的丟失。在未來(lái)的研究中我們會(huì)從以下幾個(gè)方面進(jìn)行改進(jìn):1)進(jìn)一步完善算法,通過(guò)推導(dǎo)得出更權(quán)威的非局部權(quán)重因子,減少重建圖像細(xì)節(jié)部分過(guò)度平滑的情況并提升算法運(yùn)行的效率;2)設(shè)計(jì)更好的光路方案,對(duì)光路透鏡進(jìn)行更加嚴(yán)格的篩選,并進(jìn)一步設(shè)計(jì)光路,增加實(shí)驗(yàn)儀器以獲得待測(cè)物體的深度和距離信息。