基于深度学习的压缩光子计数激光雷达

压缩光子计数雷达是光子计数激光雷达技术与单像素成像技术的结合,具有低成本、超高灵敏度等优点,但在进行高分辨率成像时,需要大量的测量和迭代计算进行重建,导致所需成像时间很长。当前的研究热点深度学习压缩重建网络被证明可避免迭代运算实现快速压缩测量重建,但已有文献报道的深度学习压缩重建网络,采用传统的图像处理数据库的无噪声图片或在图片上加高斯噪声进行训练网络,网络应用于实际的压缩光子计数雷达系统,性能有待进一步验证。自主设计了基于FPGA的同步控制测量模块,搭建出压缩光子计数雷达系统,提出了基于蒙特卡洛模拟压缩光子计数雷达系统的方法来制作训练数据,并设计深度学习压缩重建网络DFC-Net进行采样和重建联合优化。实验结果表明:在10%、15%、20%、25%、30%采样率下,DFC-Net重建性能优于现有的重建网络Dr2-Net和传统的压缩重建算法TVAL3。