本發(fā)明屬于光子計數成像領域，具體涉及一種基于貝葉斯估計的光子計數集成成像迭代重構方法。
背景技術：
：集成成像由于能夠記錄三維目標不同視角的2d圖像，捕捉光線的方向和強度信息，因而在三維成像領域得到了廣泛的關注，同時在目標識別、深度估計以及遮攔物去除等多個應用方向體現其獨特的優(yōu)勢。集成成像可以借助微透鏡陣列或者相機陣列來實現，而合成孔徑集成成像系統則是通過單個相機的平移對三維場景進行多通道觀測，每個通道即代表每次相機對場景的圖像采集，采集得到的二維圖像則被稱為元素圖像。光子計數成像系統擺脫了傳統成像系統需要大量光子的局限性，能夠在微弱光條件下實現少量光子成像。由于光子計數過程的泊松分布特性，修復光子計數圖像的問題變成了對泊松分布期望值的有效估計，而集成成像對于場景數據采集的冗余性恰巧彌補了單張光子計數圖像采樣不足的劣勢，因此借助集成成像的系統平臺，光子計數技術能夠更好地應用在微弱光成像領域。在光子計數集成成像重構領域中，通常采用泊松分布來建立光子計數探測模型，傳統方法是將極大似然估計(mle)用于集成成像的深度重構，極大似然估計算法盡管能夠產生比較好的結果，但缺乏目標物體的先驗信息，在重建效果方面仍有不足，當環(huán)境光子低到一定程度時，其應用則會受到限制。因此，人們提出采用gamma分布作為元素圖像的先驗分布，對場景進行貝葉斯估計重構，然而gamma分布并不是描述目標特性最恰當的分布，它只能作為一種粗略描述。而另一種重構方向是將集成成像的重構問題轉變成求逆問題，構造成像系統矩陣h，引入正則化因子進行罰似然最大期望值(pmlem)估計重構，該方法由于達到最優(yōu)結果的條件時迭代式中懲罰項的選擇以及參數調節(jié)的不確定性，從而導致該方法場景自適應性不強。技術實現要素：本發(fā)明的目的在于提供一種基于貝葉斯估計的光子計數集成成像迭代重構方法，實現極微弱光環(huán)境下目標高質量三維成像的方法。實現本發(fā)明的技術解決方案為：一種基于貝葉斯估計的光子計數集成成像迭代重構方法，步驟如下：第一步，通過光子計數泊松過程的仿真，得到集成成像的光子計數元素圖像ckl，建立光子數估計的貝葉斯后驗概率模型；第二步，根據貝葉斯理論，通過第一步貝葉斯后驗概率模型的后驗概率及其先驗分布，計算貝葉斯后驗概率模型的后驗均值作為像素光子數的貝葉斯估計值第三步，利用第二步元素圖像像素光子數的貝葉斯估計值進行目標圖像重構，即通過虛擬的小孔陣列將元素圖像按比例放大，其放大比例為m＝z/g，由重構目標距離相機透鏡的距離z以及相機透鏡與傳感器的距離g決定；放大翻轉后的元素圖像在同一平面上相互疊加，從而重構出了z深度的貝葉斯重構的目標圖像而虛化了不屬于該深度位置的目標；第四步，對第三步得到的重構的目標圖像進行泊松去噪處理，得到深度切片圖像利用深度切片圖像以及元素圖像ckl更新參數ζ和η，回到第二步代入計算，若深度切片圖像與前一次該步驟的去噪結果均方誤差小于設定閾值ε，則步驟終止，將第三步的作為重構結果；如果不小于設定閾值ε，利用以及元素圖像ckl更新參數ζ和η，并回到第二步代入計算，直到達到設置的迭代次數。本發(fā)明與現有技術相比，其顯著優(yōu)點:(1)采用迭代的方式更新貝葉斯估計的參數，更接近光子數探測的真實值。(2)基于圖像空間相關性，利用鄰域像素建立多點貝葉斯估計模型。(3)引入泊松去噪算法，更好地估計了像素間的強度關系，優(yōu)化了貝葉斯估計的參數。下面結合附圖對本發(fā)明作進一步詳細述。附圖說明圖1是合成孔徑集成成像系統示意圖。圖2是正常光照條件下集成成像7*8幅元素圖像。圖3是正常光照下z＝97cm處目標重構圖像。圖4(a)列是np＝100、150、200、300、500五種情況下的部分光子計數元素圖像；(b)列是np＝100、150、200、300、500五種情況下的極大似然估計重構的目標圖像；(c)列是np＝100、150、200、300、500五種情況下基于貝葉斯估計的光子計數集成成像迭代重構結果。圖5是基于貝葉斯估計的光子計數集成成像迭代重構方法原理示意圖。具體實施方式結合圖5，本發(fā)明基于貝葉斯估計的光子計數集成成像迭代重構方法，步驟如下：第一步，通過光子計數泊松過程的仿真，得到集成成像的光子計數元素圖像ckl，建立光子數估計的貝葉斯后驗概率模型；第二步，根據貝葉斯理論，通過第一步貝葉斯后驗概率模型的后驗概率及其先驗分布，計算貝葉斯后驗概率模型的后驗均值作為像素光子數的貝葉斯估計值第三步，利用第二步元素圖像像素光子數的貝葉斯估計值進行目標圖像重構，即通過虛擬的小孔陣列將元素圖像按比例放大，其放大比例為m＝z/g，由重構目標距離相機透鏡的距離z以及相機透鏡與傳感器的距離g決定；放大翻轉后的元素圖像在同一平面上相互疊加，從而重構出了z深度的貝葉斯重構的目標圖像而虛化了不屬于該深度位置的目標；第四步，對第三步得到的重構的目標圖像進行泊松去噪處理，得到深度切片圖像利用深度切片圖像以及元素圖像ckl更新參數ζ和η，回到第二步代入計算，若深度切片圖像與前一次該步驟的去噪結果均方誤差小于設定閾值ε(ε根據場景的差異需要人為設置)，則步驟終止，將第三步的作為重構結果；如果不小于設定閾值ε，利用以及元素圖像ckl更新參數ζ和η，并回到第二步代入計算，直到達到設置的迭代次數，迭代次數一般為2-5次。在第一步中，建立光子數估計的貝葉斯后驗概率模型為：其中符號的上標p、p’代表像素在元素圖像上的位置；下標k、l代表元素圖像在x、y軸方向上的位置，取值范圍分別為0～k-1、0～l-1；為光子計數元素圖像上p點的探測值，為p點相鄰像素p’點的探測值，則是p點光子數的期望值，其先驗分布服從形狀參數α和尺度參數β的gamma分布。在第二步中，計算后驗均值作為像素光子數的貝葉斯估計值如下式：定義形狀參數尺度參數η＝(2+β)-1作為迭代算法參數，迭代初始值令參數ζ＝0，η＝1，整個迭代過程中ζ和η進行更新。在第四步中，利用以及元素圖像ckl更新參數ζ和η的步驟如下：(1)由于元素圖像的稀疏性，認為以p點為中心的鄰域空間u(p)(u(p)默認表示元素圖像上以像素位置p為中心的3*3鄰域空間)里至多一個像素值不為0；因此，對于不為0的元素圖像像素點保留其原值，即ζ＝0，η＝1；(2)對于為0的像素點利用其鄰域像素點進行估計，更新公式如下：其中指去噪后的深度切片圖像上與元素圖像上相對應的目標像素點，同理，是與對應的目標像素點。實施例結合圖5，本發(fā)明基于貝葉斯估計的光子計數集成成像迭代重構方法，步驟如下:第一步，在正常光照條件下，對目標場景進行2-d圖像采集，得到一系列元素圖像如圖2。如圖1所示，在正常光照條件下，以sx＝sy＝5mm的間隔沿著x、y軸移動相機，對目標場景進行2d橫向采樣，獲得7*8幅、尺寸為200*153的強度元素圖像，如圖2。第二步，引入可調節(jié)的單幅元素圖像光子總數np，由強度元素圖像仿真光子計數元素圖像，計算公式如下：cx～poisson(npλx)其中ix為強度元素圖像，下標x代表元素圖像上的像素位置，n為元素圖像總像素數，cx為光子計數元素圖像上x位置的泊松分布采樣，該位置泊松分布的期望值為npλx。當np＝100、150、200、300、500時，部分光子計數元素圖像如圖4(a)列所示。第三步，根據第二步得到的光子計數元素圖像ckl，建立光子數估計的貝葉斯后驗概率模型：其中符號的上標p代表像素在元素圖像上的位置；下標k、l代表元素圖像在x、y軸方向上的位置，取值范圍分別為0～k-1、0～l-1；f為后驗概率。為光子計數元素圖像上p點的探測值，為p點相鄰像素p’點的探測值。則是p點光子數的期望值，其先驗分布服從形狀參數為α和尺度參數為β的gamma分布。第四步，計算第三步貝葉斯后驗均值作為像素光子數的貝葉斯估計如下式：定義形狀參數尺度參數η＝(2+β)-1作為本發(fā)明的迭代算法參數，迭代初始值令參數ζ＝0，η＝1，迭代過程中ζ和η進行更新。第五步，利用第四步元素圖像像素光子數的估計值進行目標圖像重構。通過虛擬的小孔陣列將元素圖像以一定比例放大，其放大因子為m＝z/g，由重構目標距離相機透鏡的距離z以及相機透鏡與傳感器的距離g決定；放大翻轉后的元素圖像在同一平面上相互疊加，從而重構出了z深度的目標圖像而虛化了不屬于該深度位置的目標，計算公式如下：已知相機透鏡與傳感器的間隔g＝4cm，場景中的目標離相機透鏡的距離z＝97cm，這個深度的目標重構圖像如圖3。在元素圖像光子總數np＝100、150、200、300、500的條件下分別進行光子計數集成成像重構。根據步驟一集成成像系統的采集參數，元素圖像的放大因子m＝z/g＝24.25，元素圖像的排布間隔sx＝sy＝5mm，元素圖像在x、y軸方向的采樣數k＝8、l＝7。第六步，對第五步得到的貝葉斯重構圖像進行泊松去噪處理，這里的泊松去噪算法采用基于方差穩(wěn)定變換的三維塊匹配(bm3d)算法。若去噪后的深度切片圖像與前一次該步驟的去噪結果均方誤差小于設定閾值ε＝0.01，則步驟終止，將第五步驟的作為本發(fā)明的重構結果；否則，利用以及元素圖像ckl更新參數ζ和η，并回到第四步。參數更新方法如下：1.由于元素圖像的稀疏性，認為以p點為中心的鄰域空間u(p)(u(p)默認表示元素圖像上以像素位置p為中心的3*3鄰域空間)里至多一個像素值不為0。因此，對于不為0的元素圖像像素點保留其原值，即ζ＝0，η＝1；2.對于為0的像素點利用其鄰域像素點進行估計，更新公式如下：其中指去噪后的深度切片圖像上與元素圖像上相對應的目標像素點，同理，是與對應的目標像素點。圖4(b)為極大似然估計在z深度重構的目標圖像。采用提出的基于貝葉斯估計的光子計數集成成像迭代重構方法對z深度的目標重構結果如圖4(c)所示。將圖4(b)、(c)的重構圖像結合表1列出的不同np條件下重構圖像峰值信噪比數據，可以看出隨著np的變化，本發(fā)明重構圖像的峰值信噪比呈現遞增性；與mle進行對比，當np較小時，迭代重構算法優(yōu)于mle的差距并不大，而隨著np的增加，這種差距逐漸增大，本發(fā)明體現出顯著的優(yōu)勢性。當np＝500時，本發(fā)明提出的算法高出mle達到3.3db，圖像目標的輪廓以及細節(jié)更加清晰。表1不同np條件下的光子計數重構圖像峰值信噪比npmle本發(fā)明10013.1435db13.9796db15013.2019db14.5406db20013.2541db14.9824db30013.3567db15.7778db50013.5626db16.8864db當前第1頁12