弱光环境下基于深度学习的单光子计数成像去噪方法

doi:10.7527/S1000-6893.2024.30531

深空光电测量与智能感知技术专栏

本期目录 | 过刊浏览 | 高级检索

前一篇 | 后一篇

弱光环境下基于深度学习的单光子计数成像去噪方法

赵志浩¹, 杨照华¹, 吴云², 余远金³()

^1.北京航空航天大学仪器科学与光电工程学院，北京 100191
^2.北京控制工程研究所，北京 100090
^3.北京理工大学自动化学院，北京 100081

收稿日期:2024-04-16 修回日期:2024-05-23 接受日期:2024-06-12 出版日期:2024-06-19 发布日期:2024-06-17
通讯作者: 余远金 E-mail:yuanjin.yu@bit.edu.cn
基金资助:
国家自然科学基金(62222304);北京控制工程研究所空间光电测量与感知实验室开放基金(LabSOMP-2022-04)

Single-photon counting imaging denoising method based on deep learning in low-light environment

Zhihao ZHAO¹, Zhaohua YANG¹, Yun WU², Yuanjin YU³()

^1.School of Instrumentation and Optoelectronic Engineering，Beihang University，Beijing 100191，China
^2.Beijing Institute of Control Engineering，Beijing 100090，China
^3.School of Automation，Beijing Institute of Technology，Beijing 100081，China

Received:2024-04-16 Revised:2024-05-23 Accepted:2024-06-12 Online:2024-06-19 Published:2024-06-17
Contact: Yuanjin YU E-mail:yuanjin.yu@bit.edu.cn
Supported by:
National Natural Science Foundation of China(62222304);Space Optoelectronic Measurement and Perception Laboratory, Beijing Institute of Control Engineering(LabSOMP-2022-04)

摘要/Abstract

摘要：

单像素单光子计数成像灵敏度高的特点使其在弱光环境下探测极具优势，但其重构图像质量依然会随着光信号的减弱而退化，为此设计了基于深度学习去噪的单像素单光子计数成像方法以提高弱光条件下重构图像的信噪比。首先，建立单像素单光子计数成像系统；然后，利用压缩感知算法对图像进行重构；最后，分别使用三维块匹配算法和深度学习算法对重构图像进行去噪，并对2种方法去噪效果进行了比较分析。实验结果表明，三维块匹配算法和深度学习算法都能提高图像信噪比，基于深度学习图像去噪的单像素单光子计数成像方法获得的图像信噪比提升了12.97 dB，极大地提升了弱光环境下的图像信噪比，且优于三维块匹配算法。因此，所提方法为提升单像素单光子成像系统在弱光环境中重构图像质量提供了一种新的思路。

关键词: 单像素成像, 光子计数成像, 图像去噪, 深度学习, 弱光探测

Abstract:

The high sensitivity of single-pixel single-photon counting imaging makes it extremely advantageous in low-light detection， but the quality of the reconstructed images with this method will still degrade with the weakening of light flux. A single-pixel single-photon counting imaging method based on deep learning denoising is designed to improve the signal-to-noise ratio of reconstructed images in low-light environment. Firstly， a single-pixel single-photon counting imaging system is established. Then， the compressed sensing algorithm is used to reconstruct the image. Finally， the 3D block matching algorithm and the deep learning algorithm are used to denoise the reconstructed image， and the denoising effects of the two algorithms are compared. Ther results show that both of the deep learning algorithm and the 3D block matching algorithm can improve the signal-to-noise ratio of the image. The signal-to-noise ratio of the image obtained by the single-pixel single-photon counting imaging method based on deep learning image denoising is increased by 12.97 dB，which has a great increase of the image signal-to-noise ratio in the low-light environment， and has a higher signal-to-noise ratio than that obtained by the 3D block matching algorithm. Therefore， this method provides a new idea for improving the quality of the image reconstructed by the single-pixel single-photon imaging system in the low-light environment.

Key words: single-pixel imaging, photon counting imaging, image denoising, deep learning, low-light detection

中图分类号:

赵志浩, 杨照华, 吴云, 余远金. 弱光环境下基于深度学习的单光子计数成像去噪方法[J]. 航空学报, 2025, 46(3): 630531.

Zhihao ZHAO, Zhaohua YANG, Yun WU, Yuanjin YU. Single-photon counting imaging denoising method based on deep learning in low-light environment[J]. Acta Aeronautica et Astronautica Sinica, 2025, 46(3): 630531.

图/表 9

图 1

图 2

图 3

图 4

图 5

图 6

图 7

图8

图 9

参考文献 27

1	KALIRAI J. Scientific discovery with the James Webb Space Telescope‍［J］. Contemporary Physics， 2018， 59（3）： 251-290.
2	STELZER E H K， STROBL F， CHANG B J， et al. Light sheet fluorescence microscopy［J］. Nature Reviews Methods Primers， 2021， 1： 73.
3	TSUCHIDA K， IWASA T， KOBAYASHI M. Imaging of ultraweak photon emission for evaluating the oxidative stress of human skin‍［J］. Journal of Photochemistry and Photobiology B： Biology， 2019， 198： 111562.
4	JOHNSON S D， MOREAU P A， GREGORY T， et al. How many photons does it take to form an image？［J］. Applied Physics Letters， 2020， 116（26）： 260504.
5	MORRIS P A， ASPDEN R S， BELL J E C， et al. Imaging with a small number of photons［J］. Nature Communications， 2015， 6： 5913.
6	MANDRACCHIA B， HUA X W， GUO C L， et al. Fast and accurate sCMOS noise correction for fluorescence microscopy‍［J］. Nature Communications， 2020， 11： 94.
7	TAKHAR D， LASKA J N， WAKIN M B， et al. A new compressive imaging camera architecture using optical-domain compression‍［C］‍∥Computational Imaging IV-Proceedings of SPIE-IS and T Electronic Imaging. 2006： 43-52.
8	DUARTE M F， DAVENPORT M A， TAKHAR D， et al. Single-pixel imaging via compressive sampling［J］. IEEE Signal Processing Magazine， 2008， 25（2）： 83-91.
9	EDGAR M P， GIBSON G M， PADGETT M J. Principles and prospects for single-pixel imaging［J］. Nature Photonics， 2019， 13： 13-20.
10	LIU X L， SHI J H， SUN L， et al. Photon-limited single-pixel imaging［J］. Optics Express， 2020， 28（6）： 8132-8144.
11	WANG H Y， BIAN L H， ZHANG J. Depth acquisition in single-pixel imaging with multiplexed illumination［J］. Optics Express， 2021， 29（4）： 4866-4874.
12	JAUREGUI-SÁNCHEZ Y， CLEMENTE P， LATORRE-CARMONA P， et al. Signal-to-noise ratio of single-pixel cameras based on photodiodes‍［J］. Applied Optics， 2018， 57（7）： B67-B73.
13	俞文凯，姚旭日，刘雪峰，等. 压缩传感用于极弱光计数成像［J］. 光学精密工程， 2012， 20（10）： 2283-2292.
	YU W K， YAO X R， LIU X F， et al. Compressed sensing for ultra-weak light counting imaging［J］. Optics and Precision Engineering， 2012， 20（10）： 2283-2292 （in Chinese）.
14	DABOV K， FOI A， KATKOVNIK V， et al. Image denoising by sparse 3-D transform-domain collaborative filtering‍［J］. IEEE Transactions on Image Processing， 2007， 16（8）： 2080-2095.
15	YAHYA A A， TAN J Q， SU B Y， et al. BM3D image denoising algorithm based on an adaptive filtering‍［J］. Multimedia Tools and Applications， 2020， 79（27）： 20391-20427.
16	LEBRUN M. An analysis and implementation of the BM3D image denoising method［J］. Image Processing On Line， 2012， 2： 175-213.
17	EKSIOGLU E M， TANC A K. Denoising AMP for MRI reconstruction： BM3D-AMP-MRI［J］. SIAM Journal on Imaging Sciences， 2018， 11（3）： 2090-2109.
18	ZHANG K， ZUO W M， CHEN Y J， et al. Beyond a Gaussian denoiser： Residual learning of deep CNN for image denoising‍［J］. IEEE Transactions on Image Processing， 2017， 26（7）： 3142-3155.
19	ZHANG K， ZUO W M， ZHANG L. FFDNet： Toward a fast and flexible solution for CNN-based image denoising［J］. IEEE Transactions on Image Processing， 2018， 27（9）： 4608-4622.
20	ZHANG K， LI Y W， ZUO W M， et al. Plug-and-play image restoration with deep denoiser prior［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2022， 44（10）： 6360-6376.
21	SANKARANARAYANAN A C， XU L N， STUDER C， et al. Video compressive sensing for spatial multiplexing cameras using motion-flow models［J］. SIAM Journal on Imaging Sciences， 2015， 8（3）： 1489-1518.
22	LI C B， YIN W T， JIANG H， et al. An efficient augmented Lagrangian method with applications to total variation minimization‍［J］. Computational Optimization and Applications， 2013， 56（3）： 507-530.
23	孙鸣捷，闫崧明，王思源. 鬼成像和单像素成像技术中的重建算法［J］. 激光与光电子学进展， 2022， 59（2）： 0200001.
	SUN M J， YAN S M， WANG S Y. Reconstruction algorithms for ghost imaging and single-pixel imaging［J］. Laser & Optoelectronics Progress， 2022， 59（2）： 0200001 （in Chinese）.
24	HE K M， ZHANG X Y， REN S Q， et al. Deep residual learning for image recognition‍［C］‍∥2016 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE Press， 2016： 770-778.
25	RONNEBERGER O， FISCHER P， BROX T. U-Net： Convolutional networks for biomedical image segmentation‍［C］‍∥International Conference on Medical Image Computing and Computer-Assisted Intervention. Cham： Springer International Publishing， 2015： 234-241.
26	李明飞，阎璐，杨然，等. 日光强度涨落自关联消湍流成像［J］. 物理学报， 2019， 68（9）： 149-156.
	LI M F， YAN L， YANG R， et al. Turbulence-free intensity fluctuation self-correlation imaging with sunlight［J］. Acta Physica Sinica， 2019， 68（9）： 149-156 （in Chinese）.
27	YU W K. Super sub-Nyquist single-pixel imaging by means of cake-cutting Hadamard basis sort［J］. Sensors， 2019， 19（19）： 4122.

E-mail：hkxb@buaa.edu.cn

关于我们

期刊社服务

专业学科

封面文章

友情链接

主管单位：中国科学技术协会主办单位：中国航空学会北京航空航天大学

[1]	徐建宇, 周莉, 王占学, 是介, 史毫. 基于快速逐线计算模型的高超声速羽流红外辐射计算方法[J]. 航空学报, 2025, 46(8): 630778-630778.
[2]	孟令捷, 李红光, 李新军. 基于地貌类别信息指导的SAR图像仿真方法[J]. 航空学报, 2025, 46(7): 331003-331003.
[3]	吴一全, 童康. 基于深度学习的无人机航拍图像小目标检测研究进展[J]. 航空学报, 2025, 46(3): 30848-030848.
[4]	柳家齐, 陈荣钱, 楼锦华, 韩旭, 吴昊, 尤延铖. 基于深度学习的高速直升机旋翼翼型气动优化设计[J]. 航空学报, 2024, 45(9): 529828-529828.
[5]	罗旭东, 吴一全, 陈金林. 无人机航拍影像目标检测与语义分割的深度学习方法研究进展[J]. 航空学报, 2024, 45(6): 28822-028822.
[6]	刘海桥, 刘萌, 龚子超, 董晶. 基于深度学习的图像匹配方法综述[J]. 航空学报, 2024, 45(3): 28796-028796.
[7]	吴跃腾, 巴顿, 杜娟, 李云飞, 常军涛. 基于深度注意力网络的压气机流场重构方法[J]. 航空学报, 2024, 45(24): 630580-630580.
[8]	王梓, 王靖皓, 李杨, 李璋, 于起峰. 基于轻量级神经网络的非合作目标位姿单目测量[J]. 航空学报, 2024, 45(22): 330248-330248.
[9]	武天才, 王宏伦, 任斌, 严国乘, 吴星雨. 基于学习的高超声速飞行器分层协调容错方法[J]. 航空学报, 2024, 45(22): 330191-330191.
[10]	樊云翔, 艾化楠, 王明振, 曹楷, 刘学军, 吕宏强. 基于深度学习的水上飞机非定常水载荷重构[J]. 航空学报, 2024, 45(20): 129882-129882.
[11]	李俊燊, 孟祥彦, 石暖暖, 李伟, 祝宁华, 李明. 光学神经网络智能处理：技术演变与未来展望[J]. 航空学报, 2024, 45(20): 630439-630439.
[12]	李少毅, 张雅淇, 程岳, 杨曦, 张良, 林健, 孟中杰. 场景抽象语义综合模型及其在红外弱小目标检测中的应用[J]. 航空学报, 2024, 45(20): 630702-630702.
[13]	孔祥锡, 秦闻远, 苏飘逸, 化永朝, 董希旺, 王丽, 苏盈, 吕坤. 基于深度学习及模糊层次分析的毁伤评估算法[J]. 航空学报, 2024, 45(19): 329503-329503.
[14]	褚昭晨, 宋韬, 金忍, 林德福. 基于视觉图像的空对空多无人机目标跟踪[J]. 航空学报, 2024, 45(14): 629379-629379.
[15]	李峻宇, 刘乾坤, 付莹. 融合注意力机制的红外小目标检测[J]. 航空学报, 2024, 45(14): 628959-628959.

弱光环境下基于深度学习的单光子计数成像去噪方法

Single-photon counting imaging denoising method based on deep learning in low-light environment

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 9

参考文献 27

相关文章 15

编辑推荐

Metrics

本文评价