HTML
-
基于稀疏约束关联成像光谱相机(Ghost Imaging via Sparsity Constraints,GISC)的系统光路图如图1所示,目标物体置于焦距为
${f_1}$ 的透镜焦平面上,经焦距为${f_2}$ 的前置成像透镜成像到视场光阑所在的前置成像面上,在前置成像面上获得一幅宽波段图像。调制模块中的空间相位调制器将前置成像面上宽波段图像上每个点发出的光场进行随机相位调制,经调制后形成一幅散斑图样。中继成像透镜将调制后的散斑图放大成像于面阵光电探测器上。通过对散斑场的单次曝光探测,结合事先标定的测量矩阵和压缩感知等重构算法,利用计算机重构出目标的三维光谱图像[15]。在实际探测时,探测面获取的光强分布为:
式中:
${I_c}({r_t})$ 表示探测面上的光强分布;${I_b}({r_i},{\lambda _l})$ 表示多光谱物体的光强分布;${h_I}({r_t};{r_i},{\lambda _l})$ 表示物面上${r_i}$ 处位置波长为${\lambda _l}$ 的单色点光源发出的光在探测面上产生的光强分布。对前置成像面上视场范围进行如下的像素网格划分:1,1 1,2 $ \cdots $ 1,Q 2,1 2,2 $ \cdots $ 2,Q $ \vdots $ $ \vdots $ $ \ddots $ $ \vdots $ P,1 P,2 $ \cdots $ P,Q 对探测面进行像素网格划分(每个网格代表探测器上的一个像元):
1,1 1,2 $ \cdots $ 1,N 2,1 2,2 $ \cdots $ 2,N $ \vdots $ $ \vdots $ $ \ddots $ $ \vdots $ M,1 M,2 $ \cdots $ M,N 多光谱关联成像探测过程如下:
式中:
${X}_{pq}^{{\lambda }_{s}}\left(p=1,\cdots ,P;\;q=1,\cdots ,Q\right)$ 表示前置成像面上第p行q列像素在s个谱段中$s\left( {s = 1, \cdots ,S} \right)$ 重构的多光谱图像信息;${A}_{mn,pq}^{{\lambda }_{s}}\left(m=1,\cdots ,M; \;n=1,\cdots ,N\right)$ 表示成像系统标定点光源在物面上第p行q列像素上移动时,探测面CCD第m行n列像元得到的光强度值;$y_{mn}$ 表示成像时探测面上第m行n列探测信号的强度分布;$\varsigma $ 表示探测信号噪声。设探测面上的探测信号强度分布为:
根据GISC相机成像模型,目标物体的多光谱图像重构通过求解如下优化问题实现:
其中,A为前置成像面上各个像素发出的单色光经过空间相位调制器生成的散斑矩阵:
X为需要计算重构的多光谱图像信息按像素网格中先列后行顺序排列而成的列向量:
${\left\| {\left. {{\nabla _{i,j}}X} \right\|} \right._1}$ 为梯度范数,相当于提取图像的分段边缘,使变换后的图像更加稀疏;${\left\| {\left. X \right\|} \right._ * }$ 表示矩阵核范数,表明多光谱图像矩阵的低秩性;${\mu _1},{\mu _2} \geqslant 0$ 为各约束项的权重系数。文中采用TV-RANK压缩感知算法进行图像重构[16]。上述GISC成像过程示意图如图2所示。
首先,通过单次曝光获取CCD探测信号,代入公式(4)得到重构的多光谱灰度图像,然后对不同光谱的重构图像进行伪彩色处理,最后通过图像融合算法将不同波长的多光谱图像合成一幅彩色图像。