用于光子计数单像素成像的去块状采样网络

将光子计数技术和单像素成像结合,能实现高灵敏、低成本的光子计数成像,但存在采样时间和重建时间长的问题。基于深度学习的压缩采样和重建网络,将去除偏置和激活函数的全连接层作为测量矩阵,通过从数据中学得高效的测量矩阵和避免传统迭代算法带来的巨大计算量,实现了更快、更高质量的图像重建。但利用全连接层进行高分辨图像的分块压缩感知时,重建图像会产生块状效应。针对该问题提出了重叠分块采样网络(Os_et)、嵌套采样网络(Ns_et)、卷积采样网络(Cs_et)等三种方法以取代全连接层采样。在重建网络的设计中,使用线性映射网络对图像进行重建,设计实验结果表明Cs_et的去块状化效果最好。将Cs_et二值化后应用于光子计数单像素成像系统,实验结果表明Cs_et除块状化明显优于传统算法TVAL3,且Cs_et在重建质量上也同样取得了较好的效果。

用于单光子压缩成像的抗噪重建网络的设计与训练

将光子计数技术与单像素成像结合的单光子压缩成像方法具有成本低、灵敏度高的特点,但该方法使用传统压缩重建算法时重建时间长。基于深度学习的压缩重建网络不仅实现了快速重建,而且可获得更好的重建质量。最近用于单像素成像的压缩重建网络主要基于光探测器工作在模拟方式,采用无噪声或带有加性高斯白噪声的系统仿真数据进行训练。对此,建立了单光子压缩成像系统噪声模型,提出了一种用于单光子压缩成像的抗噪声重建网络(RN)训练方法,使用含有泊松噪声的测量值仿真数据对神经网络进行训练,并搭建单光子压缩成像系统进行验证。实验结果表明,RN能明显提高各种已有压缩重建网络的图像重建质量。在此基础上,提出了一种用于单光子压缩成像的抗噪重建网络(RPN-net),该网络采用跨越式连接结构与阶段式训练方法,实验结果表明其重建性能优于现有的压缩重建网络。

智能光子计数单像素显微成像系统

设计并验证了一套智能光子计数单像素显微成像系统。物品经显微物镜成像在数字微镜(DMD)上,加载一系列掩模到DMD上对像进行调制,调制后的光强由无空间分辨的单光子探测器进行探测,然后利用深度学习网络重建图像。利用Zynq平台的可编程逻辑端精确的多路时序控制性能实现DMD偏转和光子计数,同时利用平台内嵌的Arm处理器实时部署深度学习重建网络,实现DMD偏转控制、光子计数和网络重建功能的集成软硬件协同工作,具有集成度高、轻便和成本低的优势。实验结果表明:Zynq上实现DFC-Net的图像重建质量在低采样率下优于经典的TVAL3重建算法;增加测量次数可获得高质量的重建图像,但应确保每次测量的时间足以抑制泊松散粒噪声。