联合物理噪声模型的高分辨率单光子成像方法与系统技术方案

本发明专利技术公开了一种联合物理噪声模型的高分辨率单光子成像方法与系统，其中，方法包括：建立单光子探测阵列的物理噪声模型；校准单光子探测阵列参数，对单光子探测阵列的光子探测效率、光子的泊松过程、探测阵列的串扰、后脉冲等噪声因素进行模拟；将高分辨率图片下采样成多张低分辨率图片并加入上述噪声模型，生成低分辨率的含噪数据集；搭建深度学习神经网络，将低分辨率含噪图片作为输入，将高分辨率图片作为真值，对网络进行训练，得到优化后的网络模型参数；最后使用训练好的网络从低分辨率含噪图片恢复出高分辨率无噪声图片。该方法联合实际物理模型，能够有效减少单光子探测阵列的测量噪声，同时有效提高单光子探测阵列的成像分辨率。分辨率。分辨率。

【技术实现步骤摘要】
联合物理噪声模型的高分辨率单光子成像方法与系统


[0001]本专利技术涉及计算摄像学
，特别涉及一种联合物理噪声模型的高分辨率单光子成像方法与系统。

技术介绍

[0002]从上世纪九十年代以来，单光子探测器开始在科学与工业环境中有着越来越重要的作用。单光子探测器是一种固体探测器，有着先进的光子计数以及光子计时功能，灵敏度在可见光或者近红外单光子水平范围。
[0003]目前，单光子探测器在科学和工业领域有着广泛应用。如显微探测领域是最先使用这些高灵敏度探测器的领域之一。共聚焦激光扫描显微镜，荧光寿命成像显微，荧光相关光谱等技术都使用了单光子探测器，现代的超分辨技术如模拟发射-损耗显微镜和成像扫描显微镜等技术也是单光子探测器的重要应用领域之一。
[0004]最近，微电子单光子探测器如单光子雪崩二极管(SPAD)，在显微领域取得了重要进步，其具有可靠性、鲁棒性、易于操作、高探测效率和低时间抖动等优点。单光子雪崩二极管本质上是超出击穿电压的反偏P-N结，从而可以吸收一个光子，产生一个可以自我维持的雪崩过程，最终转化为一个宏观电流，宏观电流可以被外部鉴别电路直接探测到。硅基SPAD备用来探测可见波段的光子，其谱段在于400到1000nm，基于其他材料的SPAD可以探测近红外谱段的信号。
[0005]然而，目前的SPAD探测器存在以下两个影响成像质量的问题：(1)分辨率低，现有的SPAD探测阵列分辨率一般包括：20*20，40*40以及60*60等分辨率，难以应用于实际场景；(2)含有多种噪声，包括泊松噪声、光子探测效率、光子相应不均匀性以及串扰等等噪声。

技术实现思路

[0006]本专利技术旨在至少在一定程度上解决相关技术中的技术问题之一。
[0007]为此，本专利技术的一个目的在于提出一种联合物理噪声模型的高分辨率单光子成像方法，能够针对SPAD阵列采集图像进行有效的去噪处理，从而得到更准确的图像信息。
[0008]本专利技术的另一个目的在于提出一种联合物理噪声模型的高分辨率单光子成像系统。
[0009]为达到上述目的，本专利技术一方面实施例提出了一种联合物理噪声模型的高分辨率单光子成像方法，包括以下步骤：建立单光子探测阵列的物理噪声模型，噪声因素包括单光子探测阵列的光子探测效率、散粒噪声和串扰和后脉冲；校准所述单光子探测阵列的参数，对所述单光子探测阵列的光子探测效率、光子的泊松过程、探测阵列的串扰和后脉冲进行模拟；将高于第一预设分辨率图片下采样成多张低于第二预设分辨率图片并加入所述物理噪声模型，生成含噪数据集；搭建深度学习神经网络，将所述多张低于第二预设分辨率图片作为输入，将所述高于第一预设分辨率图片作为真值，对所述神经网络进行训练，得到优化后的网络模型参数；使用训练好的网络恢复出高分辨率无噪声图片。
[0010]本专利技术实施例的联合物理噪声模型的高分辨率单光子成像方法，联合单光子探测器的实际物理噪声模型，模拟实际单光子探测器阵列参数，通过低分辨率带噪声数据集和高分辨率无噪声数据集训练去噪网络，利用训练好的超分辨率去噪网络重建高分辨率无噪的图像信息，从而能够有效减少单光子探测阵列的测量噪声，同时有效提高单光子探测阵列的成像分辨率，对科学研究和工业探测等领域的发展具有重要的意义。
[0011]另外，根据本专利技术上述实施例的联合物理噪声模型的高分辨率单光子成像方法还可以具有以下附加的技术特征：
[0012]进一步地，在本专利技术的一个实施例中，所述对所述单光子探测阵列的光子探测效率、光子的泊松过程、探测阵列的串扰和后脉冲进行模拟，包括：生成0和1的子帧，通过所述物理噪声模型，在所述子帧中加入物理噪声仿真，得到具有信号相关噪声以及信号不相关噪声的图像。
[0013]进一步地，在本专利技术的一个实施例中，所述神经网络具有编码器和解码器，以利用下采样卷积将输入图片编码为向量，并利用上采样卷积重建出图像，上采样过程中拷贝对应的下采样层的特征图，并拼接在一起。
[0014]进一步地，在本专利技术的一个实施例中，所述使用训练好的网络恢复出高分辨率无噪声图片，包括：通过所述神经网络使用SPAD阵列采集现实图像，将所述现实图像输入网络后重建所述高分辨率无噪声图片。
[0015]为达到上述目的，本专利技术另一方面实施例提出了一种联合物理噪声模型的高分辨率单光子成像系，包括：建立模块，用于建立单光子探测阵列的物理噪声模型，噪声因素包括单光子探测阵列的光子探测效率、散粒噪声和串扰和后脉冲；校准模块，用于校准所述单光子探测阵列的参数，对所述单光子探测阵列的光子探测效率、光子的泊松过程、探测阵列的串扰和后脉冲进行模拟；采样模块，用于将高于第一预设分辨率图片下采样成多张低于第二预设分辨率图片并加入所述物理噪声模型，生成含噪数据集；训练模块，用于搭建深度学习神经网络，将所述多张低于第二预设分辨率图片作为输入，将所述高于第一预设分辨率图片作为真值，对所述神经网络进行训练，得到优化后的网络模型参数；恢复模块，用于使用训练好的网络恢复出高分辨率无噪声图片。
[0016]本专利技术实施例的联合物理噪声模型的高分辨率单光子成像系统，联合单光子探测器的实际物理噪声模型，模拟实际单光子探测器阵列参数，通过低分辨率带噪声数据集和高分辨率无噪声数据集训练去噪网络，利用训练好的超分辨率去噪网络重建高分辨率无噪的图像信息，从而能够有效减少单光子探测阵列的测量噪声，同时有效提高单光子探测阵列的成像分辨率，对科学研究和工业探测等领域的发展具有重要的意义。
[0017]另外，根据本专利技术上述实施例的联合物理噪声模型的高分辨率单光子成像系还可以具有以下附加的技术特征：
[0018]进一步地，在本专利技术的一个实施例中，所述校准模块进一步用于生成0和1的子帧，通过所述物理噪声模型，在所述子帧中加入物理噪声仿真，得到具有信号相关噪声以及信号不相关噪声的图像。
[0019]进一步地，在本专利技术的一个实施例中，所述神经网络具有编码器和解码器，以利用下采样卷积将输入图片编码为向量，并利用上采样卷积重建出图像，上采样过程中拷贝对应的下采样层的特征图，并拼接在一起。
[0020]进一步地，在本专利技术的一个实施例中，所述恢复模块进一步用于通过所述神经网络使用SPAD阵列采集现实图像，将所述现实图像输入网络后重建所述高分辨率无噪声图片。
[0021]本专利技术附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。
附图说明
[0022]本专利技术上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
[0023]图1为根据本专利技术一个实施例的联合物理噪声模型的高分辨率单光子成像方法的流程图；
[0024]图2为根据本专利技术一个实施例的物理噪声模型；
[0025]图3为根据本专利技术一个实施例的网络结构样例图；
[0026]图4为根据本专利技术一个实施例的网络训练策略；
[0027]图5为根据本专利技术一个实施例的联合物本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种联合物理噪声模型的高分辨率单光子成像方法，其特征在于，包括以下步骤：建立单光子探测阵列的物理噪声模型，噪声因素包括单光子探测阵列的光子探测效率、散粒噪声和串扰和后脉冲；校准所述单光子探测阵列的参数，对所述单光子探测阵列的光子探测效率、光子的泊松过程、探测阵列的串扰和后脉冲进行模拟；将高于第一预设分辨率图片下采样成多张低于第二预设分辨率图片并加入所述物理噪声模型，生成含噪数据集；搭建深度学习神经网络，将所述多张低于第二预设分辨率图片作为输入，将所述高于第一预设分辨率图片作为真值，对所述神经网络进行训练，得到优化后的网络模型参数；以及使用训练好的网络恢复出高分辨率无噪声图片。2.根据权利要求1所述的方法，其特征在于，所述对所述单光子探测阵列的光子探测效率、光子的泊松过程、探测阵列的串扰和后脉冲进行模拟，包括：生成0和1的子帧，通过所述物理噪声模型，在所述子帧中加入物理噪声仿真，得到具有信号相关噪声以及信号不相关噪声的图像。3.根据权利要求1所述的方法，其特征在于，所述神经网络具有编码器和解码器，以利用下采样卷积将输入图片编码为向量，并利用上采样卷积重建出图像，上采样过程中拷贝对应的下采样层的特征图，并拼接在一起。4.根据权利要求3所述的方法，其特征在于，所述使用训练好的网络恢复出高分辨率无噪声图片，包括：通过所述神经网络使用SPAD阵列采集现实图像，将所述现实图像输入网络后重建所述高分辨率无噪声...

【专利技术属性】
技术研发人员：边丽蘅，宋昊泽，张军，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：