基于卷积神经网络的计算鬼成像方法研究

摘要

针对低采样下重构图像的成像质量和成像速度问题,提出一种基于卷积神经网络的计算鬼成像方法.首先,利用关联计算方法重建的一组训练集图像和相应的无损图像训练一个卷积神经网络;然后,将通过关联计算重建的测试集图像作为卷积神经网络的输入层,使其能够学习传感模型并最终能够预测出相应的图像;最后,将经卷积神经网络还原的图像分别与计算鬼成像和结合压缩感知算法重建的图像进行详细的对比实验分析.实验结果表明:本文方法在0.08采样率下能优质量地还原出被测物体的像,且成像质量均高于其他方法;同时,在不牺牲图像质量的条件下,执行程序所需的单张图像重建耗时约0.06s,极大地提高了图像重建的速度.分别通过数值模拟和光学实验,验证了本方法的有效性,对工程应用具有重要意义.