[发明专利]基于贝叶斯估计的光子计数集成成像迭代重构方法

说明书

本发明公开了一种基于贝叶斯估计的光子计数集成成像迭代重构方法，根据光子计数过程的泊松分布以及图像空间相关性，建立光子数多点估计的后验概率模型，在迭代过程中引入泊松去噪算法来更新后验概率模型的参数。本发明实现光子计数集成成像系统在极少量光子数探测情况下的成像，提高目标三维重构质量。

技术领域

本发明属于光子计数成像领域，具体涉及一种基于贝叶斯估计的光子计数集成成像迭代重构方法。

背景技术

集成成像由于能够记录三维目标不同视角的2D图像，捕捉光线的方向和强度信息，因而在三维成像领域得到了广泛的关注，同时在目标识别、深度估计以及遮拦物去除等多个应用方向体现其独特的优势。集成成像可以借助微透镜阵列或者相机阵列来实现，而合成孔径集成成像系统则是通过单个相机的平移对三维场景进行多通道观测，每个通道即代表每次相机对场景的图像采集，采集得到的二维图像则被称为元素图像。

光子计数成像系统摆脱了传统成像系统需要大量光子的局限性，能够在微弱光条件下实现少量光子成像。由于光子计数过程的泊松分布特性，修复光子计数图像的问题变成了对泊松分布期望值的有效估计，而集成成像对于场景数据采集的冗余性恰巧弥补了单张光子计数图像采样不足的劣势，因此借助集成成像的系统平台，光子计数技术能够更好地应用在微弱光成像领域。

在光子计数集成成像重构领域中，通常采用泊松分布来建立光子计数探测模型，传统方法是将极大似然估计(MLE)用于集成成像的深度重构，极大似然估计算法尽管能够产生比较好的结果，但缺乏目标物体的先验信息，在重建效果方面仍有不足，当环境光子低到一定程度时，其应用则会受到限制。因此，人们提出采用Gamma分布作为元素图像的先验分布，对场景进行贝叶斯估计重构，然而Gamma分布并不是描述目标特性最恰当的分布，它只能作为一种粗略描述。而另一种重构方向是将集成成像的重构问题转变成求逆问题，构造成像系统矩阵H，引入正则化因子进行罚似然最大期望值(PMLEM)估计重构，该方法由于达到最优结果的条件时迭代式中惩罚项的选择以及参数调节的不确定性，从而导致该方法场景自适应性不强。

发明内容

本发明的目的在于提供一种基于贝叶斯估计的光子计数集成成像迭代重构方法，实现极微弱光环境下目标高质量三维成像的方法。

实现本发明的技术解决方案为：一种基于贝叶斯估计的光子计数集成成像迭代重构方法，步骤如下：

第一步，通过光子计数泊松过程的仿真，得到集成成像的光子计数元素图像C_kl，建立光子数估计的贝叶斯后验概率模型；

第二步，根据贝叶斯理论，通过第一步贝叶斯后验概率模型的后验概率及其先验分布，计算贝叶斯后验概率模型的后验均值作为像素光子数的贝叶斯估计值

第三步，利用第二步元素图像像素光子数的贝叶斯估计值进行目标图像重构，即通过虚拟的小孔阵列将元素图像按比例放大，其放大比例为M＝z/g，由重构目标距离相机透镜的距离z以及相机透镜与传感器的距离g决定；放大翻转后的元素图像在同一平面上相互叠加，从而重构出了z深度的贝叶斯重构的目标图像而虚化了不属于该深度位置的目标；

第四步，对第三步得到的重构的目标图像进行泊松去噪处理，得到深度切片图像利用深度切片图像以及元素图像C_kl更新参数ζ和η，回到第二步代入计算，若深度切片图像与前一次该步骤的去噪结果均方误差小于设定阈值ε，则步骤终止，将第三步的作为重构结果；如果不小于设定阈值ε，利用以及元素图像C_kl更新参数ζ和η，并回到第二步代入计算，直到达到设置的迭代次数。

本发明与现有技术相比，其显著优点:(1)采用迭代的方式更新贝叶斯估计的参数，更接近光子数探测的真实值。(2)基于图像空间相关性，利用邻域像素建立多点贝叶斯估计模型。(3)引入泊松去噪算法，更好地估计了像素间的强度关系，优化了贝叶斯估计的参数。

下面结合附图对本发明作进一步详细述。