CN116245726B 基于深度学习框架的压缩感知偏振超分辨成像方法 （长春理工大学）

polarizationaberrationcorrectdigitalmicromirrordevic基于深度学习框架的压缩感知偏振超分辨基于深度学习框架的压缩感知偏振超分辨用低分辨率分焦平面偏振探测器在较低采样率本方法在去偏振马赛克的基础上，生成的S0、DOLP和AOP图像分辨率远高于偏振探测器原始分接由原始偏振马赛克图像生成高分辨率无马赛2第一步，压缩编码采样：利用数字微镜阵列DMD对成像场景进行压缩感知编码测量采分辨率图像IHRmos，将生成的伪图像与真实的高分辨率偏振图像在鉴别器D0中进行辨别真第三步，去偏振马赛克：将第二步G0生成的图像IHRmos输入第二行评价，根据损失函数对G1和D1中的网络参数迭代更新，使生成图像不断向真实高分辨率2.根据权利要求1所述的基于深度学习框架的压缩感知偏振超分辨成像方法，其特征2.2、将不同偏振编码图像上相同位置的T个超像元测量值向量yi组合成一个向量yKi，3.根据权利要求1所述的基于深度学习框架的压缩感知偏振超分辨成像方法，其特征层对yKi进行线性映射，获得初始重建结果之后经过四个卷积层后重建生成输出结果3生成器G0由一个全连接层和四个卷积层构成，全连接层用来对压缩采样信息进行步骤2、将步骤1的重建结果与真实图像块输入进第一层生成对抗0的对抗损失为：4.根据权利要求1所述的基于深度学习框架的压缩感知偏振超分辨成像方法，其特征步骤1、将高分辨率偏振马赛克强度图像IHRmos输入第二层生成对抗网络中的生成器G1DOLPAOP；4数对生成器G1与鉴别器D1分别进行交替的重建训练，同时更新生成器G1与鉴别器D1内部的1的对抗损失函数为:5[0003]分焦平面偏振探测器是偏振成像领域的新兴技术，它将4个不同偏振方向的亚波如何去除分焦平面偏振成像中的马赛克效果是一直以来研缩感知和深度学习相结合的超分辨率技术对提高分焦平面偏振成像的分辨率有着极大的[0005]2020年GarrettC.Sargent[GarrettC.Sargent,BradleyM.Ratliff,andVijayanK.Asari,"Conditionalgenerativeadversarialnetworkdemosaicingstrategyfordivisionoffocalplanepolarimeters,"Opt.Express28,38419_38443中加入U_Net架构，判别器中加入PatchGAN架构，这种网络结构提高了高频内容的生成概6不需要由重建的偏振方向图像再次计算获得偏振特性图像的过程，可有效地避免二次误[0016]图2为DMD编码采样原理图，其中1为目标场景，2为望远物镜，3为数字微镜阵列7过DMD对成像场景进行独立的分块编码，分块后的每一块区域各自成像在分焦平面偏振探8器对生成器G0与鉴别器D0分别进行交替的重建训练，同时更新生成器G0与鉴别器D0内部的[0060]步骤1、将高分辨率偏振马赛克强度图像IHRmos输入第二层生成器G1中DOLPAOP。9卷积层用于结果输出。卷积层的激活函数为ReLU，输出卷积层激活函数为双曲正切函数器函数对生成器G1与鉴别器D1分别进行交替的重建训练，同时更新生成器G1与鉴别器D1内1与鉴别器D1。标场景1投映到数字微镜阵列DMD3的1920×1080个微镜上，通过加载随机编码矩阵控制数[0088]测量值重组过程中将编码掩模a的向量形式c按照DMD微镜与偏振探测器像元对应像元对应的区域b的向量形式f与编码矩阵Mi相乘得到偏振探测采集的结果d。原始偏振马对yKi进行线性映射，获得初始重建结果之后经过四个卷积层后重建生成输出结果测量值yKi与测量矩阵Φ对图像块进行初样信息进行初步的重建。第一个卷积层为64个3×3大小的卷积核，第一层的激活函数为G0与鉴别器D0分别有Adam优化器进行交替的重建训练，同时更新生成器G0与鉴别器D0内部的偏振成像场景图像IHRmos。如图11所示，此时IHRmos是带有偏振马赛克的高分辨率强度图[0109]步骤1、将高分辨率偏振马赛克强度图像IHRmos输入第二层生成器G1中DOLPAOP。[0115]利用偏振度与S0、DoLP和AOP之间的关系通过深度学习网络就可以建立起它们之G1与鉴别器D1分别有Adam优化器进行交替的重建训练，同时更新生成器G1与鉴别器D1内部1与鉴别器D1。得到高分辨率偏振马赛克图像IHRmos，高分辨率偏振马赛克图像IHRmos的分辨率高于原始偏16分别是S0、DOLP、AOP图像，这些图像是利用传统偏振去马赛克方法由原始偏振图像[0134]应当理解的是，上述针对DMD尺寸为1920×1080，分焦平面偏振探测器分辨率为