单幅同轴全息图两步迭代收缩重建

利用压缩传感理论中的两步迭代收缩重建算法,开展单幅同轴全息图重建实验研究,实现单幅同轴全息图共轭重建像的消除并克服数字全息技术在轴向聚焦平面识别能力的不足。以数字图像和标准分辨率板为记录物体,比较分析了基于两步迭代收缩算法和菲涅尔近似衍射重建算法的重建质量;以两根裸光纤为实验样本,分析了两步迭代收缩重建算法对记录物体轴向不同焦平面的识别能力。实验结果表明两步迭代收缩重建算法可得到清晰度高于68.73%的重建信息,同时对直径为125μm的两根光纤在9mm的轴向间距条件下,显示出了比全息菲涅尔近似算法更好的聚焦平面识别能力。这一轴向聚焦识别能力有助于数字全息技术应用于功能材料梯度参数或功能涂层光学器件涂层厚度检测。

采用双树轮廓波及压缩传感的多聚焦图像融合(英文)

为了拓展压缩传感(CS)的应用潜力,提出一种结合双树轮廓波(DT-Contourlet)及CS的多聚焦图像融合方法。该方法首先采用DT-Contourlet对源图像进行分解,提取图像的多尺度信息及方向信息,克服传统轮廓波变换不具平移不变性的缺点。接着,在DT-Contourlet域,将分解系数看成包含稠密和稀疏两部分;对稠密成份,根据散焦的表现形式,采用邻域梯度作为清晰度指标,用选择法实现融合处理;对稀疏成份,则在CS框架下,通过少数线性测量的融合,依据L1范数最小化,采用两步迭代收缩的重构算法,得到融合结果。实验表明,该方法重构时收敛速度比正交匹配追踪法快,且融合结果无论在视觉质量及定量指标上都明显优于传统方法。

压缩感知测量矩阵综述

压缩感知是一种新的采样和重建数字信号的方法,可以在低于奈奎斯特采样率的条件下实现原始信号的精确恢复。在稀疏信号的精确重建中,测量矩阵十分关键。性能良好的测量矩阵可确保信号恢复的精确性,改善重建算法的性能。为比较在压缩感知中各矩阵性能的差异,本文使用两步迭代收缩阈值算法,比较高斯矩阵、伯努利矩阵、混沌矩阵、稀疏矩阵、托普利兹矩阵、循环矩阵、部分哈达玛矩阵在不同测量数目、信号稀疏度、噪声的大小对于信号重建成功率的影响。由实验结果可得,这七类矩阵中混沌矩阵为最优测量矩阵。