[发明专利]一种基于压缩感知观测矩阵分割减小关联成像计算开销的方法

说明书

本发明公开了一种基于压缩感知观测矩阵分割减小关联成像计算开销的方法，包括：将实验获得的关联成像测量数据利用压缩感知算法进行图像重构；针对重构成像需要大量的数据，导致进行压缩感知运算时出现的内存溢出问题，尝试将压缩感知进行优化并解决问题。实验结果表明：该方法可以有效的减少压缩感知重构算法中的内存溢出问题，并且能够成功的重构出所需的图像。

技术领域

本发明属于基于压缩感知的关联成像领域，特别涉及一种压缩感知对内存的优化方法。

背景技术

关联成像是近年来兴起的一种新型的成像方式，其基于光场的二阶甚至高阶关联信息，通过两个或者多个探测器进行符合测量，实现待测目标的关联重构。关联成像技术因其特殊的非定域成像性质及其优秀的抗噪声性能吸引了大量研究者的关注。关联成像装置结构简单，具有一定的超分辨能力，所以拥有着非常广阔的应用前景。

但是在关联成像中想获得较高质量的重构图像，就必须要采集大量的实验数据，并且耗时较长。这样会导致后期的解算工作量偏大，而这也是关联成像发展所面临的巨大挑战。

而压缩感知进入了研究者的视线，压缩感知能够在一定程度上缓解这一个问题。压缩感知弥补了原有关联成像在信号采集处理技术中需要大量的数据采集的缺陷。压缩感知只需要比传统奈奎斯特采样处理数据量较少的采样数据量就可以非常快速并且准确的恢复原始信号，提高了信息的处理速度。虽然如此，但是压缩感知应用在大量关联成像数据处理时同样面临着对内存需求较大的问题，这也是亟待解决的问题。

发明内容

本发明的目的是克服现有技术中存在的不足，提供一种压缩感知在关联成像重构时需要大量内存的问题的优化方法。

本发明提供的技术方案为：

一种压缩感知应用在关联成像的优化方法，包括：

根据需求将压缩感知的A矩阵进行纵向选列，并进行压缩感知图像重构；

根据需求将压缩感知的A矩阵进行横向选行，并进行压缩感知图像重构。

进行关联成像实验，获得图像重构所需的每一帧参考臂光场，并获得对应的bucket数据；

将第一帧的参考臂光场进行读取，得到一个M*M的光场强度矩阵；

将光场强度矩阵顺时针旋转90°，得到旋转后的光场强度矩阵；

优选的是，所得到的结果将进行A矩阵的纵向的选列。具体包括：

将旋转后的光场强度矩阵经过reshape操作变成一个包含M*N个元素的一维数组；

根据需求截取一维数组中的连续P*N个元素(旋转后的光强矩阵的连续P行)；

将截取到的一维数组进行reshape操作，重组为P*N的光场强度矩阵；

将得到的光场强度矩阵进行遍历并将其写入新的文件中；

对每一帧参考臂光场矩阵均进行相同的操作并按照序号写入对应的新的文件中；

优选的是，压缩感知的A矩阵纵向选列后进行压缩感知图像重构，如何进行A矩阵的构建，具体包括：

将处理后的光场强度矩阵文件进行逐帧读取；

将第一帧光场读取得到P*N的光场矩阵进行reshape操作，将其变成包含P*N个元素的一维数组；

构建一个空的A矩阵，并将reshape后的一维数组加入A矩阵作为第一行；

继续读取第二帧光场强度矩阵文件，进行reshape后将其作为A矩阵的第二行。进行如上操作直到将所有光场强度矩阵文件全部读取并处理。

优选的是，所述的压缩感知图像重构还包括：