[发明专利]基于单一分布和深度学习的超分辨率计量方法

权利要求书

1.一种用于确定表征物理对象的特定维度的几何特征的固有几何参数的值的方法，所述方法包括：

a. 将以第一波长和奇点位置为特征的单一光分布投影到物理对象上；

b. 检测由被激发的单一光分布激发的光，所述被激发的单一光分布已经与所述几何特征相互作用并且撞击在检测器上，所述光构成所检测的光；

c. 识别并量化单一光分布的一个或多个位置处的返回能量分布作为固有几何参数的量化；以及

d. 基于固有几何参数的值来确定固有几何参数的值。

2.一种方法，其中以检索单个或成组的固有几何参数的方式执行权利要求1的方法的连续应用。

3.根据权利要求1所述的方法，其中，所述固有几何参数是点对象的尺寸。

4.根据权利要求1所述的方法，其中，所述固有几何参数是点对象的椭圆度。

5.根据权利要求1所述的方法，进一步包括确定作为横向于线的偏移的位移的测量。

6.根据权利要求1所述的方法，其中，所述固有几何参数是线的宽度。

7.根据权利要求1所述的方法，其中，所述固有几何参数基于所述几何特征的模型形状。

8.根据权利要求1所述的方法，其中，检测光包括采用像素化检测器。

9.一种用于表示学习的方法，用于将场景分类为静态或动态的至少一个几何形状，所述几何形状由适当的成组的参数量化，每个几何形状对发光对象建模，所述方法包括：

a. 将光的单一分布投影到场景上；

b. 检测光分布，所述光分布在由所述单一光分布照明时由所述场景重新发射，所述单一光分布已经与每个发光对象相互作用并且撞击在检测器上，所检测的光构成所检测的光；

c. 在给定位置测量单一分布的至少一个投影，以获得关于场景的成组的测量；以及

d. 采用深度学习或神经网络层，使用检测到的光作为神经网络层的直接输入，适于将场景分类为静态或动态的多个形状，所述形状是通过学习预先确定或获取的成组的形状的一部分。

10.根据权利要求9所述的方法，其中，所述至少一个几何形状是动态的。

11.根据权利要求9所述的方法，其中，所述至少一个几何形状是静态的。

12.根据权利要求9所述的方法，还包括获取作为由CODIM硬件获取的成像数据的数据。

13.根据权利要求9所述的方法，还包括获取作为由计量应用硬件获取的计量数据的数据。

14.根据权利要求9所述的方法，其中，还包括获取作为由CODIM硬件获取的成像数据的数据，其中所得分类信息用于驱动计量硬件来实现根据权利要求1所述的方法。

15.根据权利要求9所述的方法，还包括提供控制硬件和控制过程以驱动计量硬件来实现根据权利要求1所述的方法。

16.根据权利要求9所述的方法，还包括将数据馈送到所述神经网络，所述神经网络已经在不同时间获得，并且所述方法包括神经网络识别过程中的发光对象的时间相关性。