编码孔径光谱成像系统利用空间光调制器对目标信息进行编码,将信号映射到二维探测器面阵上,形成空间和光谱混叠信息,通过重构算法恢复出光谱数据立方体。由于该系统的色散仅仅发生在水平方向上,为了提高编码的效率,提出只在一个方向上具有编码效果的多狭缝组合编码。与目前采用的二维随机编码比较,在取得相同重构结果的前提下,多狭缝组合编码形式简化了数学模型的建立和分析,降低了编码复杂度。在此基础上,利用液晶光阀的开关特性实现实际系统编码,结合PGP(棱镜-透射光栅-棱镜)分光组件搭建光谱成像系统,进行了不同采样率下的实验,得到了高精度的恢复结果,验证了系统编码的可行性,为编码光谱成像系统领域提供了新思路。

近年来,深度学习被广泛应用于计算成像中,并取得了令人瞩目的成果,已成为该领域的研究热点。为了深入了解现有基于深度学习的方法是如何解决众多计算成像问题的,主要介绍了该方法的基本理论和实施步骤,然后以散射成像、数字全息及计算鬼成像中的应用为例具体介绍该方法的有效性和优越性。汇总对比了一些典型应用,并对基于深度学习的计算成像方法进行了总结和展望。

计算成像技术(CIT)是一类有别于传统光学成像“所见即所得”的信息获取和处理方式的新体制成像方式。随着新型光电器件的发展和硬件计算能力的提升,计算成像技术在光电成像领域呈现出蓬勃发展的趋势。计算成像技术通过对光场信息进行采集和计算,达到传统成像无法企及的信息利用率和解译度,满足“更高(分辨率)、更远(探测距离)、更大(光学视场)”的光电成像需求。从成像全链路的信息获取与丢失过程出发,通过透过散射介质成像、偏振成像及仿生成像等几种典型的计算成像方式对光场多物理量信息获取和解译进行分析,详细介绍了计算成像技术的方法原理及实现途径。根据成像技术的发展趋势,前瞻性地提出了计算光学系统设计和超大口径望远镜的设计思想。计算成像技术在提高成像分辨率、扩大探测距离、增大成像视场及减小光学系统体积和功耗等方面具有明显的优势,有望穿透云雾、活体生物组织等实现更远距离、更大深度的成像,应用前景广阔。

深度学习与计算成像 综述

傅里叶叠层显微成像(FPM)是一种能够重建宽视场和高分辨率图像的新型成像技术。传统的FPM重建算法计算成本高,重建高质量的图像需要较大的图像采集量,这些缺点使得传统重建算法的成像性能和效率较低。因此,提出一种基于深度学习的傅里叶叠层显微成像的神经网络模型,对图像进行低分辨率到高分辨率的端到端映射,有效提高成像性能和效率。首先,借助菱形采样方法进行图像采集,加速低分辨图片采集过程。其次,结合残差结构、密集连接以及通道注意力机制等模块,拓展网络深度、挖掘有用特征,增强网络模型的表达能力和泛化能力。然后,使用子像素卷积进行高效地上采样,恢复高清图像。最后,采用主观和客观的评价方法对重建结果进行评估。结果显示,本文提出的网络模型对比传统重建算法重构效果更优,且降低了计算复杂度,平均重建时间更短。同时,在保证图像重建效果不变的情况下,低分辨率图像的采集数量比传统算法减少了约一半。

针对机载光电成像系统的大视场高分辨率成像需求,设计一种基于共心球透镜的多尺度广域高分辨率光学成像系统,该光学系统包括大尺度共心球透镜和小尺度次级相机阵列,具有结构紧凑的优点。根据共心球透镜所具有的球差和色差特性,并结合小尺度相机对像差进行进一步校正以分割视场,可以实现大视场高分辨率成像。全系统在受力以及高、低温的条件下进行实验,实验结果表明该成像系统具有良好的稳定性,且全视场范围内的调制传递函数值恒接近于系统的衍射极限,弥散斑半径的方均根值小于探测器的像元尺寸,说明该系统的成像效果良好。所提系统可以有效解决传统机载成像系统难以同时满足大视场和高分辨率的问题,为光学成像系统设计提供一种新思路。

为了校正机载共形光学窗口引入的随观察视角变化的动态像差,提出基于计算成像的共形光学系统像差校正方法。通过建立非相干成像系统模型,给出波前编码系统消除共形光学窗口动态像差的原理和成像过程,阐明基于计算成像的共形光学系统的设计准则和掩模板的优化流程,利用倾斜边缘法定量分析该系统的传递能力。实验结果表明,通过计算成像的方法可以校正机载共形光学系统的动态像差,并且无需加入复杂的校正器件,该系统具有结构简单和稳定性强的优点。