一种水下智能动态跟瞄的单像素成像方法、系统及设备

1.本发明涉及临地安防技术体系中的涉水光学、水下安防的技术领域，具体涉及一种水下智能动态跟瞄的单像素成像方法、系统及设备。


背景技术：

2.水下单像素成像技术是临地安防技术体系中涉水光学、水下安防的重要技术之一。单像素成像的标志特点是只使用一个没有空间分辨率的单像素探测器来记录图像信息。最初的单像素探测成像技术是由pittman使用双光子纠缠的方法实现，通过使用激光穿过非线性晶体发生参量下转换效应产生的纠缠双光子对作为光源，将其分为信号光和闲置光两部分，再通过实验探测实现对目标的成像，原理是通过使用一系列掩膜图案调制目标，并用一个单像素探测器记录其总光强，最后将一系列总光强值与对应的掩膜图案做关联运算，便可以重建出目标图像。后来经过bennink等证实经典光源成像的可行性，将单像素成像从量子领域引入到经典光学领域。2008年shapiro提出省略闲置光路的方法，使用空间光调制器(spatial light modulator,slm)或者数字微镜器件(digital micromirror device,dmd)进行相位或振幅调制，来产生预制光场，不需要相机进行探测，可以直接使用桶探测器接收探测目标的光强信号，采用强度二阶关联算法，加权平均，最终反演出目标图像。
3.现有技术中的水下及类似高散射环境中成像时，由于水下物体为动态的，传统的相机直接对水下物体进行拍摄，其拍摄得到的图像模糊，甚至无法成像，故现有技术利用单像素成像方法对动态物体成像；然而，利用单像素成像方法对动态物体成像时，先将散斑投影到物体上，然后依次采集视场中每个像素点的光强值，然后对所有光强值进行求和，得到所有散斑下对应的图像的光强值序列，利用差分鬼成像的物理方法对光强值序列进行迭代处理，由于差分鬼成像方法的需要对光强值序列中的每个光强总值进行迭代处理，并在每次迭代处理的同时需要对散斑的信息进行检索，因此，该方法的处理效率低，处理过程繁琐，影响成像效率。
4.因此，需要提供一种水下智能动态跟瞄的单像素成像方法、系统及设备以解决上述问题。


技术实现要素：

5.本发明提供一种水下智能动态跟瞄的单像素成像方法，通过，以解决现有的单像素成像需要拍摄很多照片，然后，对拍摄的照片进行多次处理，处理过程繁琐，影响成像效率问题。
6.本发明的一种水下智能动态跟瞄的单像素成像方法采用如下技术方案：包括：
7.预制多个散斑，并获取每个散斑下对应的调制光场；
8.获取自然环境下目标物体的多张实际图像，将每种调制光场投射在每张实际图像中得到每种调制光场下含有光斑的最终图像，根据每张实际图像的每个最终图像的光强总
值，获取每张实际图像对应的一维光强序列b，将每个实际图像的一维光强序列b作为神经网络的输入，将每个实际图像作为输出，对神经网络训练得到训练好的神经网络；
9.获取每个调制光场照射到水中移动的目标物体上时的含有光斑的目标图像，根据每个目标图像的光强总值获取一维光强序列a；
10.将待成像的目标物体对应的目标图像的一维光强序列a，输入训练好的神经网络，得到待成像的目标物体的成像图像。
11.优选的，获取每个调制光场照射到水中移动的目标物体上时的含有光斑的目标图像的步骤，包括：
12.获取指引灯瞄准的水下目标物体在相机视场中的位置；
13.根据相机视场中的光强度信号，使相机对移动的目标物体跟瞄，并采集目标物体的含有光斑的目标图像。
14.优选的，使相机对移动的目标物体跟瞄的步骤，包括：
15.获取相机视场中目标物体上指引灯照射形成亮斑区域的质心坐标；
16.获取质心坐标和相机视场中心坐标的坐标差值；
17.根据坐标差值控制三维转台带动相机跟随目标物体移动，即相机对移动的目标物体跟瞄。
18.优选的，采集目标物体的含有光斑的目标图像的步骤，包括：
19.根据预制的散斑大小，对目标图像进行裁剪，得到裁剪图像；
20.对裁剪图像进行均值滤波去噪得到含有光斑的目标图像。
21.优选的，预制多个散斑的步骤，包括：
22.获取服从设定的光场分布的伪随机数，并将伪随机数作为掩膜矩阵；
23.并将掩膜矩阵加载到空间光调制器上来模拟散斑。
24.优选的，获取每个目标图像的总光强值的步骤，包括：
[0025][0026]
式中，ii表示第i个散斑对应的目标图像的总光强值；
[0027]ai
(,y)为第i个散斑对应的目标图像中像素点(x,y)的光强值；
[0028]
m表示第i个散斑对应的目标图像的长度；
[0029]
n表示第i个散斑对应的目标图像的宽度。
[0030]
优选的，获取每个散斑下对应的调制光场的步骤包括：
[0031]
将预制的多个散斑依次导入到光场调制设备的空间光调制器中，得到每个散斑下对应的空间光调制器；
[0032]
将激光照射在每个散斑下对应的空间光调制器上得到对应的调制光场。
[0033]
优选的，根据每个目标图像的光强总值获取一维光强序列a的步骤包括：
[0034]
将目标物体的所有目标图像的光强总值按照目标图像获取的顺序进行排列，得到一维光强序列a。
[0035]
一种水下智能动态跟瞄的单像素成像系统，包括：
[0036]
光场调制模块，用于预制多个散斑，并获取每个散斑下对应的调制光场；
[0037]
神经网络模块，用于获取自然环境下目标物体的多张实际图像，将每种调制光场投射在每张实际图像中得到每种调制光场下含有光斑的最终图像，根据每张实际图像的每个最终图像的光强总值，获取每张实际图像的一维光强序列b，将每个实际图像的一维光强序列b作为神经网络的输入，将每个实际图像作为输出，对神经网络训练得到训练好的神经网络；
[0038]
图像采集模块，用于获取每个调制光场照射到水中移动的目标物体上时的含有光斑的目标图像，根据每个目标图像的光强总值获取一维光强序列a；
[0039]
成像模块，用于将待成像的目标物体对应的目标图像的一维光强序列a，输入训练好的神经网络，得到待成像的目标物体的成像图像。
[0040]
一种水下智能动态跟瞄的单像素成像设备，包括：处理器及存储介质，存储介质上存储有成像程序，成像程序在被处理器执行时实现一种水下智能动态跟瞄的单像素成像方法的步骤。
[0041]
本发明的有益效果是：
[0042]
1、通过自然环境下目标物体的多张实际图像，将每种调制光场投射在每张实际图像中得到每种调制光场下含有光斑的最终图像，根据每个最终图像的光强总值获取每张所述实际图像的一维光强序列b，通过一维光强序列b来反映目标物体的实际图像的特征，然后，充分利用深度学习神经网络高效搜索信息的特点，挖掘一维强度信号和成像图像之间的联系，从而得到根据一维光强序列b即可实现目标物体成像的神经网络，从而水下的目标物体在所有调制光场下对应的一维强度序列a输入神经网络，即可实现水下的待成像的目标物体的高效成像。
[0043]
2、其次，本发明通过ccd相机可以直接获取相机视场内的所有像素点的光强值，故光强总值的计算效率相对于传统单像素成像方法对每个像素点的光强值获取，然后再获取光强总值的效率更高。
附图说明
[0044]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0045]
图1为本发明一种基于深度学习的水下智能动态单像素成像方法流程图；
[0046]
图2为本发明中捕获水下移动的目标物体在指引灯照射下的图像和消除指引灯影响的对比图；
[0047]
图3为本发明一种基于深度学习的水下智能动态单像素成像方法中利用散斑掩膜编码后图像成像过程的示意图；
[0048]
图4为本发明一种基于深度学习的水下智能动态单像素成像方法的神经网络的结构示意图；
[0049]
图5为本发明一种基于深度学习的水下智能动态单像素成像设备的结构示意图。
[0050]
图中：1、水池；2、光源；3、空间光调制器；4、ccd相机；5、计算机；6、三维转台。
具体实施方式
[0051]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0052]
本发明的一种水下智能动态跟瞄的单像素成像方法的实施例，如图1所示，包括：
[0053]
s1、预制多个散斑，并获取每个散斑下对应的调制光场；
[0054]
具体的，步骤11、预制多个散斑包括：获取服从设定的光场分布(光场分布)的伪随机数，并将伪随机数作为掩膜矩阵；并将掩膜矩阵加载到空间光调制器上来模拟散斑，即本实施例中，预制的散斑是三维数据，由(i,m,n)组成，其中，i代表将所有散斑排序后得到的散斑序列中第i个散斑，m和n分别代表单张散斑的长度和宽度。
[0055]
步骤12、获取每个散斑下对应的调制光场包括：将预制的多个散斑依次导入到光场调制设备的空间光调制器中，得到每个散斑下对应的空间光调制器，即空间光调制器表面由许多小型铝制反射镜面组成，具有一定的偏转角；将激光照射在每个散斑下对应的空间光调制器上得到对应的调制光场，即在导入预制的散斑到空间光调制器后，通过反射镜面片偏转角的变换来实现不同灰度值的模拟，从而得到每种散斑对应的调制光场。
[0056]
s2、获取神经网络；
[0057]
具体的，获取自然环境下目标物体的多张实际图像，将每种调制光场投射在每张实际图像中得到每种调制光场下含有光斑的最终图像，根据每张实际图像的每个最终图像的光强总值，获取每张实际图像的一维光强序列b，将每个实际图像的一维光强序列b作为神经网络的输入，将每个实际图像作为输出，对神经网络训练得到训练好的神经网络。
[0058]
其中，构建神经网络，如图4所示，图3为本实施例神经网络所采用的结构。
[0059]
具体的，获取神经网络训练时训练集的过程，即获取一维光强序列b和对应的实际图像
[0060]
首先，实际图像的隐函数表示为：
[0061][0062]
其中，ψ表示的是神经网络模型中的参数；
[0063]
建立的是输入一维光强序列和输出图像之间的映射关系；
[0064]
i表示一维光强序列；
[0065]
训练集的格式为其中n表示的是数据集中训练数据的个数，gn表示的是第n个实际图像，是第n个实际图像对应的一维光强序列，m表示的是预制的散斑的个数，即调制光场投射的次数。
[0066]
在pytorch框架下，训练时训练集为2000个实际图像与对应的一维光强序列，自然环境下目标物体的多张实际图像是从现有的div2k和coco数据集中直接获取的，其2000个实际图像包含了各种移动的目标物体的图像，例如鱼、潜艇、水草等，具体的，本实施例以投射的500个调制光场为例，则每个实际图像对应的一维光强序列就包含500个光强总值。
[0067]
通过下述公式将实际图像转化为灰度图像：
[0068]
i(x,y)＝0.299
×
r(,y)+0.587
×
g(,y)+0.114
×
b(,y)
[0069]
其中，r(x,y)表示实际图像在r通道上相应位置(,y)处的通道值的大小；
[0070]
g(x,y)表示实际图像在g通道上相应位置(,y)处的通道值的大小；
[0071]
b(x,y)表示实际图像在b通道上相应位置(,y)处的通道值的大小；
[0072]
再利用已知顺序和分布的500个预制散斑的对应的调制光场，按照调制光场将调制光场依次投射到灰度图像上，采集得到每个调制光场下对应的含有光斑最终图像，然后将500最终图像的总光强值依次排列得到长度为500的一维光强序列，将每个实际图像的一维光强序列b作为神经网络的输入，将每个实际图像作为输出，并在输入的一维光强序列中加入随机噪点来模拟水下高散射环境下出现的图像退化现象，对神经网络训练得到训练好的神经网络。
[0073]
其中，网络在训练阶段使用随机梯度下降的算法来优化神经网络的损失函数：
[0074][0075]
式中，l()表示神经网络的损失函数；
[0076]
n表示数据集中训练数据的个数，本实施例为2000；
[0077]
‖‖表示求二范数；
[0078]
表示输入的第n个实际图像的一维光强序列和第n个实际图像之间的映射关系，即输入一维光强序列后神经网络输出的预测图像；
[0079]gn
表示第n个实际图像；
[0080]
需要说明的是，网络训练中使用的小批量大小为90，共训练了200代，学习率大小为10-3
；其次，神经网络的损失函数公式为现有技术公式本实施例不在进行赘述。
[0081]
s3、获取目标图像以及一维光强序列a；
[0082]
具体的，获取每个调制光场照射到水中移动的目标物体上时的含有光斑的目标图像，根据每个目标图像的光强总值获取一维光强序列a。
[0083]
步骤31、获取每个调制光场照射到水中移动的目标物体上时的含有光斑的目标图像的步骤，包括：获取指引灯瞄准的水下目标物体在相机视场中的位置；根据相机视场中的光强度信号，使相机对移动的目标物体跟瞄，并采集目标物体的强度图像；具体的，本实施例中，使相机对移动的目标物体跟瞄的步骤，包括：获取相机视场中目标物体上指引灯照射形成亮斑区域的质心坐标；获取质心坐标和相机视场中心坐标的坐标差值；根据坐标差值控制三维转台带动相机跟随目标物体移动，即相机对移动的目标物体跟瞄。
[0084]
其中，如图5所示，相机对移动的目标物体跟瞄，本实施例中将相机设置在三维转台上，打开相机和三维转台，通过捕获相机视场中光强值大于等于255的像素点，即相机采用ccd相机4捕获水池1中的被测目标物体，将目标物体的质心坐标和相机视场中心坐标之间的误差传输给计算机5，通过计算机5将误差转换为控制信号，并将控制信号指令发送给三维转台6，控制三维转台6对目标物体进行跟瞄，将计算机5中预制的散斑加载到空间光调制器，手动将激光的光源2照射到空间光调制器3上，将空间光调制器3的反射出来的调制光场投射到目标物体上，由ccd相机4采集每种预制光场下的目标物体的图像获取图像中的光强值，所以每个像素点的值即灰度值，取值范围在0-255，然后，获取相机视场中亮斑的质心作为目标物体的初始位置i(x1,y1)，确定目标物体的初始位置i(x1,y1)和相机视场中心o(x0,y0)的相对位置，使用传统的相机在水下成像时，由于水下弱光和高散射的环境特点，采集到的图片质量差，且在实际应用中，使用声呐等设备首先在水下环境中探测到移动物体，
再手动使用激光导指引到物体，在移动物体逐渐逼近的过程中，最先捕获的信号是来自导引激光的回波信号，由于回波信号较为稀疏，传统相机的传感器灵敏度远低于ccd相机4，故本实施使用ccd相机4来捕获回波信号，即可得到调制光场照射到水中移动的目标物体上时的强度图像。
[0085]
其中，在确定目标物体的初始位置i(x1,y1)和相机视场中心o(x0,y0)的相对位置时，设置相机的采样率，在每次相机获取图片之后，均计算当下捕获的图像中亮斑的质心的坐标和视场中心的坐标差值，然后，利用pid算法获取对三维转台的三个方向的控制变量，即本实施例只需要控制三维转台的x方向和y方向的控制变量，保证随着物体移动，始终将物体置于相机视场的中心位置，具体的，捕获的图像中亮斑的质心坐标和视场中心的坐标差值error_x和error_y，其中：
[0086]
error_x＝x
1-x0[0087]
error_y＝
1-y0[0088]
其中，为了减少计算量，且减少噪声的干扰，本实施例采集目标物体的含有光斑的目标图像的步骤，包括：根据预制的散斑大小，对目标图像进行裁剪得到裁剪图像，即消除图像中的灯光噪声，具体的，如图2所示为水下移动的目标物体在指引灯照射下的图像和消除指引灯影响的对比图，即对非目标物体的部分进行裁除，保证得到裁剪图像的大小和对应的散斑大小相同，从而实现图像冗余信息的去除；然后对裁剪后的图像进行均值滤波去噪得到含有光斑的目标图像。
[0089]
步骤32、根据每个目标图像的光强总值获取一维光强序列a的步骤包括：
[0090]
其中，根据下式计算每个目标图像的总光强值：
[0091][0092]
式中，ii表示第i个散斑对应的目标图像的总光强值；
[0093]ai
(,y)为第i个散斑对应的目标图像中像素点(x,y)的光强值；
[0094]
m表示第i个散斑对应的目标图像的长度；
[0095]
n表示第i个散斑对应的目标图像的宽度。
[0096]
s4、获取待成像的目标物体的成像图像；
[0097]
具体的，将待成像的目标物体对应的目标图像的一维光强序列a，输入训练好的神经网络，得到待成像的目标物体的成像图像。
[0098]
具体的，本实施例的成像时，以待成像的目标物体对应的目标图像的一维光强序列a为例，本实施例具体预制有500个散斑，即也会得到500个含有光斑的目标图像，并将500个目标图像对应的总光强值转化为长度为500的一维光强序列a。
[0099]
步骤4.1，如图4阶段(1)，将一维光强序列a输入1024
×
1的全连接层。
[0100]
步骤4.2，如图4阶段(2)，对步骤4.1中的输出如果经过4094
×
1的全连接层进行预处理。
[0101]
步骤4.3，如图4阶段(3)，对步骤4.2中的输出结果进行reshape操作，得到64
×
64大小，通道数为16的输出，至此，步骤4.1到步骤4.3集为预处理过程。
[0102]
步骤4.4，如图4阶段(4)，对步骤4.3中的输出结果分别进行一次密集块连接处理，
其中密集块处理中加入diconv(dilated convolition，扩张卷积)的操作，其中扩张率为2，卷积核的大小为5
×
5，然后经过批标准化bn(batch normalization)处理，再经过激活函数，得到32
×
32大小，通道数为26的输出。
[0103]
步骤4.5，如图4阶段(5)，对步骤4.4中的输出结果分别进行一次密集块连接处理，批标准化bn处理(批量归一化处理)，再经过激活函数，以及一次步长为1，卷积核大小为1
×
1的卷积操作，最后再经过舍弃概率等于0.05的舍弃层和平均池化处理，得到16
×
16大小，通道数为31的输出。
[0104]
步骤4.4，如图4阶段(6)，对步骤4.5中的输出结果分别进行一次密集块连接处理，批标准化bn处理，再经过激活函数，以及一次步长为1，卷积核大小为1
×
1的卷积操作，最后再经过舍弃概率等于0.05的舍弃层和平均池化处理，得到8
×
8大小，通道数为33的输出。
[0105]
步骤4.7，如图4阶段(7)，对步骤4.4中的输出结果分别进行一次密集块连接处理，批标准化bn处理，再经过激活函数，以及一次步长为1，卷积核大小为1
×
1的卷积操作，最后再经过舍弃概率等于0.05的舍弃层和平均池化处理，得到4
×
4大小，通道数为34的输出。
[0106]
步骤4.8，如图4阶段(8)，对步骤4.3中的输出结果分别进行一次密集块连接处理，批标准化bn处理，再经过激活函数，以及一次步长为1，卷积核大小为1
×
1的卷积操作，最后再经过舍弃概率等于0.05的舍弃层和平均池化处理，得到2
×
2大小，通道数为35的输出。
[0107]
步骤4.9，如图4阶段(9)，对步骤4.8中的输出结果分别进行一次密集块连接处理，批标准化bn处理，再经过激活函数，以及一次步长为1，卷积核大小为1
×
1的卷积操作，最后再经过舍弃概率等于0.05的舍弃层和平均池化处理，得到1
×
1大小，通道数为35的输出。
[0108]
步骤4.10，如图4阶段(10)，对步骤4.9中的输出结果的每个通道之间都进行跳转连接，得到1
×
1大小，通道数为34的输出，这里的连接可以看作是一种残差块，采用拼接形式连接，用公式表示为x
l
＝h
l
(x1,x2,...,x
l-1
)，所有层的输入都来源于前面所有层在通道维度的连接，其中h
l
表示为一个组合函数，x
l
表示经由h
l
处理后的结果，l表示层数。阶段(10)中对步骤4.9的结果经过批归一化处理，激活函数和扩张率为2，卷积核大小5
×
5的扩张卷积处理，得到大小为1
×
1，通道数为36的输出。
[0109]
步骤4.11，如图4阶段(11)，对步骤4.10中的输出结果分别进行一次卷积核大小为3
×
3的卷积操作，经过激活函数，以及一次上采样操作，引入注意力机制ag(attention gate)，使用注意力机制ag处理步骤4.9和步骤4.10的结果，得到2
×
2大小，通道数为36的输出。
[0110]
步骤4.12，如图4阶段(12)，对步骤4.10中的输出结果分别进行一次卷积核大小为3
×
3的卷积操作，经过激活函数，以及一次上采样操作，引入注意力机制，使用注意力机制ag处理步骤4.8和步骤4.11的结果，得到4
×
4大小，通道数为36的输出。
[0111]
步骤4.13，如图4阶段(13)，对步骤4.10中的输出结果分别进行一次卷积核大小为3
×
3的卷积操作，经过激活函数，以及一次上采样操作，引入注意力机制，使用注意力机制ag处理步骤4.7和步骤4.12的结果，得到8
×
8大小，通道数为36的输出。
[0112]
步骤4.14，如图4阶段(14)，对步骤4.10中的输出结果分别进行一次卷积核大小为3
×
3的卷积操作，经过激活函数，以及一次上采样操作，引入注意力机制，使用注意力机制ag处理步骤4.4和步骤4.13的结果，得到14
×
14大小，通道数为36的输出。
[0113]
步骤4.15，如图4阶段(15)，对步骤4.10中的输出结果分别进行一次卷积核大小为3×
3的卷积操作，经过激活函数，以及一次上采样操作，引入注意力机制，使用注意力机制ag处理步骤4.5和步骤4.14的结果，得到32
×
32大小，通道数为36的输出。
[0114]
步骤4.14，如图4阶段(16)，对步骤4.10中的输出结果分别进行一次卷积核大小为3
×
3的卷积操作，经过激活函数，以及一次上采样操作，引入注意力机制，使用注意力机制ag处理步骤4.4和步骤4.114的结果，得到64
×
64大小，通道数为36的输出。
[0115]
步骤4.17，如图4阶段(17)，对步骤4.14中的输出结果进行一次1
×
1的卷积操作，再经过激活函数，得到64
×
64大小，通道数为1的输出。
[0116]
步骤4.18，如图4阶段(18)，对步骤4.17中的输出结果进行标准化后，再经过线性变换可以得到最终64
×
64的待成像的目标物体的成像图像。
[0117]
其中，图3表明了利用散斑掩膜编码后图像成像过程的示意图，从图像中可以看出经本方法的网络处理光强序列后，生成的图像和原图很接近，即成像效果好。
[0118]
一种水下智能动态跟瞄的单像素成像系统，包括：光场调制模块、神经网络模块、图像采集模块以及成像模块；其中，光场调制模块用于预制多个散斑，并获取每个散斑下对应的调制光场；神经网络模块用于获取自然环境下目标物体的多张实际图像，将每种调制光场投射在每张实际图像中得到每种调制光场下含有光斑的最终图像，根据每张实际图像的每个最终图像的光强总值，获取每张实际图像的一维光强序列b，将每个实际图像的一维光强序列b作为神经网络的输入，将每个实际图像作为输出，对神经网络训练得到训练好的神经网络；图像采集模块用于获取每个调制光场照射到水中移动的目标物体上时的含有光斑的目标图像，根据每个目标图像的光强总值获取一维光强序列a；成像模块用于将待成像的目标物体对应的目标图像的一维光强序列a，输入训练好的神经网络，得到待成像的目标物体的成像图像。
[0119]
本实施了的一种水下智能动态跟瞄的单像素成像设备，包括：处理器及存储介质，存储介质上存储有成像程序，成像程序在被处理器执行时实现一种水下智能动态跟瞄的单像素成像方法的步骤，具体的，如图5所示，成像设备的处理器和存储介质为计算机5的处理器和存储介质，计算机5与三维转台6、ccd相机4、空间光调制器3电连接，使用时，打开ccd相机4和三维转台6，通过ccd相机4捕获相机视场中光强值大于等于255的像素点，即相机采用ccd相机4捕获水池1中的被测目标物体，将目标物体的质心坐标和相机视场中心坐标之间的误差传输给计算机5，通过计算机5的存储介质的成像程序对目标物体进行成像。
[0120]
综上所述，本发明实施例提供的一种水下智能动态跟瞄的单像素成像方法、系统及设备，通过自然环境下目标物体的多张实际图像，将每种调制光场投射在每张实际图像中得到每种调制光场下含有光斑的最终图像，根据每个最终图像的光强总值获取每张所述实际图像的一维光强序列b，通过一维光强序列b来反映目标物体的实际图像的特征，然后，充分利用深度学习神经网络高效搜索信息的特点，挖掘一维强度信号和成像图像之间的联系，从而得到根据一维光强序列b即可实现目标物体成像的神经网络，从而水下的目标物体在所有调制光场下对应的一维强度序列a输入神经网络，即可实现水下的待成像的目标物体的高效成像。
[0121]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种水下智能动态跟瞄的单像素成像方法，其特征在于，包括：预制多个散斑，并获取每个散斑下对应的调制光场；获取自然环境下目标物体的多张实际图像，将每种所述调制光场投射在每张所述实际图像中得到每种所述调制光场下含有光斑的最终图像，根据每张所述实际图像的每个最终图像的光强总值，获取每张所述实际图像对应的一维光强序列b，将每个实际图像的一维光强序列b作为神经网络的输入，将每个实际图像作为输出，对神经网络训练得到训练好的神经网络；获取每个所述调制光场照射到水中移动的目标物体上时的含有光斑的目标图像，根据每个目标图像的光强总值获取一维光强序列a；将待成像的目标物体对应的目标图像的一维光强序列a，输入训练好的神经网络，得到待成像的目标物体的成像图像。2.根据权利要求1所述的一种水下智能动态跟瞄的单像素成像方法，其特征在于，获取每个所述调制光场照射到水中移动的目标物体上时的含有光斑的目标图像的步骤，包括：获取指引灯瞄准的水下目标物体在相机视场中的位置；根据相机视场中的光强度信号，使相机对移动的所述目标物体跟瞄，并采集所述目标物体的含有光斑的目标图像。3.根据权利要求2所述的一种水下智能动态跟瞄的单像素成像方法，其特征在于，使相机对移动的所述目标物体跟瞄的步骤，包括：获取相机视场中所述目标物体上指引灯照射形成亮斑区域的质心坐标；获取所述质心坐标和相机视场中心坐标的坐标差值；根据所述坐标差值控制三维转台带动相机跟随所述目标物体移动，即相机对移动的所述目标物体跟瞄。4.根据权利要求1所述的一种水下智能动态跟瞄的单像素成像方法，其特征在于，采集所述目标物体的含有光斑的目标图像的步骤，包括：根据预制的散斑大小，对目标图像进行裁剪，得到裁剪图像；对裁剪图像进行均值滤波去噪得到含有光斑的目标图像。5.根据权利要求1所述的一种水下智能动态跟瞄的单像素成像方法，，其特征在于，预制多个散斑的步骤，包括：获取服从设定的光场分布的伪随机数，并将所述伪随机数作为掩膜矩阵；并将掩膜矩阵加载到空间光调制器上来模拟散斑。6.根据权利要求1所述的一种水下智能动态跟瞄的单像素成像方法，，其特征在于，获取每个目标图像的总光强值的步骤，包括：式中，i
i
表示第i个散斑对应的目标图像的总光强值；a
i
(x,y)为第i个散斑对应的目标图像中像素点(x,y)的光强值；m表示第i个散斑对应的目标图像的长度；
n表示第i个散斑对应的目标图像的宽度。7.根据权利要求1所述的一种水下智能动态跟瞄的单像素成像方法，，其特征在于，获取每个散斑下对应的调制光场的步骤包括：将预制的多个散斑依次导入到光场调制设备的空间光调制器中，得到每个散斑下对应的空间光调制器；将激光照射在每个散斑下对应的空间光调制器上得到对应的调制光场。8.根据权利要求1所述的一种水下智能动态跟瞄的单像素成像方法，，其特征在于，根据每个目标图像的光强总值获取一维光强序列a的步骤包括：将目标物体的所有目标图像的光强总值按照目标图像获取的顺序进行排列，得到一维光强序列a。9.一种水下智能动态跟瞄的单像素成像系统，其特征在于，包括：光场调制模块，用于预制多个散斑，并获取每个散斑下对应的调制光场；神经网络模块，用于获取自然环境下目标物体的多张实际图像，将每种所述调制光场投射在每张所述实际图像中得到每种所述调制光场下含有光斑的最终图像，根据每张所述实际图像的每个最终图像的光强总值，获取每张所述实际图像的一维光强序列b，将每个实际图像的一维光强序列b作为神经网络的输入，将每个实际图像作为输出，对神经网络训练得到训练好的神经网络；图像采集模块，用于获取每个所述调制光场照射到水中移动的目标物体上时的含有光斑的目标图像，根据每个目标图像的光强总值获取一维光强序列a；成像模块，用于将待成像的目标物体对应的目标图像的一维光强序列a，输入训练好的神经网络，得到待成像的目标物体的成像图像。10.一种水下智能动态跟瞄的单像素成像设备，其特征在于的步骤，包括：处理器及存储介质，所述存储介质上存储有成像程序，所述成像程序在被处理器执行时实现权利要求1-8中任意一项所述的一种水下智能动态跟瞄的单像素成像方法的步骤。

技术总结
本发明涉及临地安防技术体系中的涉水光学、水下安防的技术领域，具体涉及一种水下智能动态跟瞄的单像素成像方法、系统及设备，包括：预制多个散斑，并获取每个散斑下对应的调制光场；获取神经网络，获取目标图像以及一维光强序列A；获取待成像的目标物体的成像图像。本方法提高了水下的目标物体的成像效率。本方法提高了水下的目标物体的成像效率。本方法提高了水下的目标物体的成像效率。


技术研发人员：李学龙 陆鑫 孙哲
受保护的技术使用者：西北工业大学
技术研发日：2023.07.05
技术公布日：2023/10/15