一种基于双域均值回归扩散模型的单曝光压缩成像方法

本发明涉及图像处理，尤其涉及一种基于双域均值恢复扩散模型增强的单曝光压缩成像方法。

背景技术：

1、1.相干衍射成像(coherent diffraction imaging，cdi)是一种无透镜成像技术，通过产生包含远场相干衍射图样的强度和相位信息的高分辨率图像，有可能实现比直接成像更高的空间分辨率。它利用光的相干性进行成像，产生高分辨率和高灵敏度的成像结果。然而，cdi的逆问题是病态的，传统的相位恢复算法的质量受到支持约束和单帧成像产生的高检测噪声的制约。这些问题限制着相干衍射成像的成像帧率和对捕捉快速移动的小目标图像的能力。为了提高数据采集效率，引入了压缩感知(compressed sensing，cs)技术，在单个帧中捕获多个时间帧，从而在单个压缩帧捕获多个高速、高空间分辨率的场景，减少了数据处理时间和成本。现有技术方案为：基于物理驱动深度学习的时间相干衍射成像[1]：压缩感知可以在单个帧中捕获多个时间帧，从而在单个压缩帧中获得多个高速、高空间分辨率的场景。结合相干衍射理论，提出了一种时间压缩相干衍射成像(tc-cdi)算法。tc-cdi采用cs技术捕获高速和高空间分辨率的场景，允许从单个快照测量中重建多达8帧。tc-cdi虽然可以实现多帧动态目标恢复，但其空间图像恢复精度有限，大幅限制了其成像帧率，需要结合频域和空间域的先验信息来提高重建质量。

2、2.基于深度神经网络的混合输入输出相位恢复[2]：一种相位检索算法，该算法利用两个深度神经网络和基于模型的混合输入输出方法。首先，训练深度神经网络以去除混合输入输出伪产物，并与混合输入输出方法迭代使用以改进重建。在这个迭代阶段之后，训练第二个深度神经网络来移除剩余的工件。数值结果证明了该方法的有效性，与混合输入输出方法相比，该方法的额外计算量很小。我们的方法不仅实现了最先进的重建性能，而且对不同的初始化和噪声水平具有更强的鲁棒性。

3、[1]z.chen,s.zheng,z.tong and x.yuan,"physics-driven deep learningenables temporal compressive coherent diffraction imaging."optica.9.6,677-680(2022).

4、[2]f.s.oktem,and a."deep iterative reconstructionfor phase retrieval."applied optics.58.20,5422-5431(2019).

5、现有技术中存在下述问题限制着相干衍射成像的成像帧率：1.频谱图损失：传感器的采集效率受到激活相机的速度的影响，会导致采集到的信息不完整，需要结合先验信息学习补充损失的信息。2.频谱图像信息冗余：传统的时间压缩相干衍射成像采用压缩感知算法，但是压缩感知算法先天存在会产生冗余信息的副作用，这些冗余信息会导致在重建解压缩过程中，形成本不属于图像的伪影和噪声，这需要结合先验信息对伪影和噪声进行去除，以得到更高质量的图像。3.传统迭代算法缺少约束条件：传统算法的迭代保真项直接来自于相机采集后解压缩，缺少约束条件，导致迭代重建的精度不高。4.传统迭代重建算法无法适应频谱图严重破坏的情况。

6、正是基于上述原因，本发明提供了一种以双域均值恢复扩散模型增强的单曝光压缩成像方法。

技术实现思路

1、本发明的目的在于克服现有技术的不足，提供一种基于均值回归扩散模型的单曝光压缩成像方法，通过采用均值回归扩散模型，能够很好的学习频率域和空间域图像的先验信息，不仅补全了频率域图像丢失的信息和去除了频率域图像的冗余信息，而且对空间域图像进行再去噪，提高了频率域和空间域图像的质量，从而大幅提高了单曝光压缩成像的成像帧率。

2、为了实现本发明的目的,本发明采用的技术方案为：

3、本发明公开了一种基于双域均值回归扩散模型的单曝光压缩成像方法，包括如下步骤，

4、s1，将传感器接收到的强度信息y恢复到具有时间关系的多帧初始图像

5、s2，使用ir-sde的基于分数生成均值回归扩散模型；

6、s3，网络模型训练；

7、s4，图像重建。

8、所述步骤s1，通过最小化最小二乘法误差求解，可以将目标优化为

9、

10、上式中，r(u)是正则化，τ是平衡参数，φ是传感矩阵。

11、所述步骤s2中，均值回归扩散模型的。

12、所述步骤s3网络模型训练时，可以将高质量图像到低质量目标的过程视为连续添加随机噪声的过程，上述过程可以建模为

13、dx＝θt(μ-x)dt+σtdw，

14、其中，μ是状态均值，θt和σt是时间相关的正参数；针对两个域的缺失信息，通过分别训练频域和空间域两个域的分数网络，可以获取两个域的先验信息。

15、所述s4图像重建过程中，使用压缩感知对时域压缩谱图进行还原为后，对图像加入随机掩码以模拟频率域图像被破坏的结果，然后单独放入训练过的频域评分网络中。

16、使用在训练阶段得到的分数分布随机微分方程被迭代反解，该过程可以重构为:

17、

18、然后使用混合输入输出算法获取图像的相位信息并恢复空间图像，这个过程表示为：

19、

20、再通过空间域的得分网络全面提升重建的图像质量。

21、本发明的有益效果在于：

22、(1)本发明通过采用均值回归扩散模型，能够很好的学习频率域图像的先验信息，从而补全频率域图像丢失的信息和去除频率域图像的冗余信息，提高了频率域图像的质量；

23、(2)本发明基于均值回归扩散模型，针对空间域图像存在的伪影和噪声进行先验信息学习，并使用学习到的空间域先验信息对重建图像进行去噪声和去伪影，提高了空间域图像的质量；

24、(3)本发明通过均值回归扩散模型，对频率域图像进行修复，使频率域图像带有更多的真实信息，为迭代过程中的约束迭代过程提供了更多的支撑信息，通过也增加了保真信息，使重建出的图像更真实；

25、(4)本发明旨在通过创新的均值回归扩散模型和相应的算法，克服现有技术的缺点，提高传统时间相干衍射成像重建图像的质量、成像帧率、鲁棒性和适用性。

技术特征：

1.一种基于双域均值回归扩散模型的单曝光压缩成像方法，其特征在于：包括如下步骤，

2.根据权利要求1所述的一种基于双域均值回归扩散模型的单曝光压缩成像方法，其特征在于：所述步骤s1，通过最小化最小二乘法误差求解，可以将目标优化为

3.根据权利要求1所述的一种基于双域均值回归扩散模型的单曝光压缩成像方法，其特征在于：所述步骤s2中，均值回归扩散模型的。

4.根据权利要求1所述的一种基于双域均值回归扩散模型的单曝光压缩成像方法，其特征在于：所述步骤s3网络模型训练时，可以将高质量图像到低质量目标的过程视为连续添加随机噪声的过程，上述过程可以建模为

5.根据权利要求1所述的一种于双域均值回归扩散模型的单曝光压缩成像方法，其特征在于：所述s4图像重建过程中，使用压缩感知对时域压缩谱图进行还原为后，对图像加入随机掩码以模拟频率域图像被破坏的结果，然后单独放入训练过的频域评分网络中；

技术总结本发明公开了一种融合跨模态技术与多准则评估的汽车造型设计方法，包括：1）进行数据信息的收集和预处理；2）训练基于新能源汽车文本、图像大数据信息的深度神经网络模型来完成二维图像方案的跨模态生成设计；3）建立用于图像生成方案情感意象二元识别分类的深度卷积神经网络感性标签识别模型，并结合形态完整度分析来进行图像生成方案的初步筛选；4）采用多准则妥协解排序法和气动性能分析进行图像生成方案的评估和验证，其中对最优方案进行三维工程建模和车体外部流场数值模拟。本发明通过跨模态生成技术高效表达设计信息，并采用量化方法评估优化，全面关注设计性、环保性、可持续性，促进新能源汽车应用及能源资源的高效清洁利用。技术研发人员：万文博,李浩,伍欣怡,许锦伟,刘且根受保护的技术使用者：南昌大学技术研发日：技术公布日：2024/8/5