شبح نگاری کامپیوتری با استفاده از یادگیری عمیق
چکیده
شبح نگاری کامپیوتری (CGI) یک تکنیک تصویر برداری تک پیکسل می باشد که از همبستگی های بین الگوی های اتفاقی معلوم و شدت اندازه گیری شده ی نور عبور یافته ( یا منعکس شده) توسط یک شی، استفاده می کند. با وجود این که CGI می تواند تصویر های دو یا سه بعدی را با استفاده از یک یا چندین آشکار ساز پیمانه ای ( آشکار ساز های تک پیکسلی با نام آشکار ساز های پیمانه ای نیز شناخته می شوند) به دست بیاورد، در اثر نویز در روند بازسازی تصویر از الگوهای اتفاقی، کیفیت تصویر های بازسازی شده پایین می آید. در این مطالعه، ما کیفیت تصویر برداری های CGI را با استفاده از یادگیری عمیق بهبود می دهیم. یک شبکه ی عصبی عمیق در این مطالعه مورد استفاده قرار گرفته است تا این شبکه بتواند به صورت خودکار ویژگی های تصویر های CGI آلوده به نویز را یاد بگیرد. بعد از تمرین ، این شبکه می تواند تصویر هایی با نویز پایین را از تصویر های CGI آلوده به نویز، پیش بینی کند.
1. مقدمه
شبح نگاری کامپیوتری (CGI) [1] ، توجه زیادی را در سال های اخیر به خودش جلب کرده است و به عنوان یکی از روش های تصویر برداری تک پیکسلی امید بخش، معرفی شده است. در این روش، ما الگوهای اتفاقی مختلف را بر روی چیزی که قرار است از آن تصویر گفته شود انداخته می اندازیم و سپس یک لنز برای جمع آوری کردن نور های رد شده یا منعکس شده از تصویر، استفاده می کنیم. شدت های نور با استفاده از یک آشکار ساز پیمانه ای ( آشکار ساز های تک پیکسلی با نام آشکار ساز پیمانه ای هم شناخته می شوند) مانند فوتودیود ها اندازه گیری می شود. سپس با محاسبه کردن همبستگی های بین الگوهای اتفاقی معلوم و شدت های نوری اندازه گیری شده، تصویر آن شی ایجاد می شود. CGI می تواند از اشیا در محیط های نویز دار نیز تصویر برداری کند.در اصل، CGI تنها می تواند شدت نور اشیا را اندازه گیری کند، اما روش های مختلفی برای اندازه گیری فاز نوزی نیز ارائه شده است [2و3]. زمان اکتساب برای طرح های CGI نیز طولانی می باشد زیرا این روش ها نیازمند تعداد زیادی از الگوهای اتفاقی نور پردازی بر روی شی می باشند. اخیرا، این شرایط با استفاده از روش های نورپردازی اتفاقی با سرعت بالا [4و5] بهبود پیدا کرده است. به علاوه، روش های سه بعدی [6] و چند طیفی از CGI [7] نیز توسعه پیدا کرده است. به دلیل این که الگوهای اتفاقی در این قسمت برای ایجاد کردن تصویر اشیا مورد استفاده قرار می گیرد، تصویر های بازسازی شده توسط نویز آلوده می شود. برای بهبود کیفیت تصویر های CGI ، روش های محاسبه ی همبستگی بهبود یافته ارائه شده است، مانند CGIهای تفاضلی [8] و CGI نرمال شده [9]. طرح های بهینه سازی مکرر مبتنی بر الگوریتم های گرچبرگ – ساکستون [10] همراه با روش های سنجش فشرده [7 و 11] نیز برای CGI مورد استفاده قرار گرفته است. در این مطالعه، ما یک روش برای بهبود کیفیت تصویر های CGI با استفاده از یادگیری عمیق [12] استفاده می کنیم و از طریق شبیه سازی ها نشان می دهیم که این روش، قدرت و کارایی کافی دارد. شبکه های عصبی عمیق (DNN ها) می تواند ویژگی ها را از تصویر های نویز دار بازسازی شده توسط طرح های CGI به صورت خودکار، یاد بگیرد. ما از یک مجموعه داده متشکل از 15000 تصویر و بازسازی های CGI به منظور تمرین دادن یک شبکه، استفاده کردیم. بعد از تمرین، این شبکه می تواند تصویر هایی با نویز کمتر را از تصویر های CGI نویز دار جدید پیش بینی کند که این تصاویر از قبل در مجموعه ی تمرینی این شبکه قرار نداشته اند. در بخش 2 ، ما طرح CGI مبتنی بر DNN را ارائه می کنیم. در بخش سوم نیز ما نتایج شبیه سازی ها را ارائه کرده و کارایی روش های پیشنهاد شده را نشان می دهیم. در نهایت، بخش 4 نیز نشان دهنده ی جمع بندی این مطالعه می باشد.
abstract
Computational ghost imaging (CGI) is a single-pixel imaging technique that exploits the correlation between known random patterns and the measured intensity of light transmitted (or reflected) by an object. Although CGI can obtain two- or three-dimensional images with a single or a few bucket detectors, the quality of the reconstructed images is reduced by noise due to the reconstruction of images from random patterns. In this study, we improve the quality of CGI images using deep learning. A deep neural network is used to automatically learn the features of noise-contaminated CGI images. After training, the network is able to predict low-noise images from new noise-contaminated CGI images.
1. Introduction
Computational ghost imaging (CGI) [1] has garnered attention in recent years as a promising single-pixel imaging method. In CGI, we project several known random patterns onto the object to be imaged and then use a lens to collect the light transmitted an object or reflected by an object. The light intensities are measured by a bucket detector, such as a photodiode. An image of the object is then created by calculating the correlations between the known random patterns and the measured light intensities. CGI can image objects even in noisy environments. Originally, CGI only measured the light intensity of objects, but methods have also been devised for measuring its phase [2,3]. The acquisition time for CGI schemes is long as they require a large number of illuminating random patterns to objects. Recently, the situation has been improved by using high-speed random pattern illumination [4,5]. In addition, three-dimensional [6] and multi-spectrum CGI [7] have been developed. Since random patterns are used to create the object images, the reconstructed images are contaminated by noise. To improve the quality of CGI images, improved correlation calculation methods have been devised, such as differential [8] and normalized CGI [9]. Iterative optimization schemes based on the Gerchberg–Saxton algorithm [10] as well as compressed sensing [7,11] have also been applied to CGI. In this study, we propose an approach to improve CGI image quality by using deep learning [12] and confirm our technique’s effectiveness through simulations. Deep neural networks (DNNs) can learn features for the noisy images reconstructed by CGI schemes automatically. We used a dataset of 15,000 images and their CGI reconstructions to train a network. After training, the network could predict lower-noise images from new noisy CGI images that were not included in the training set. In Section 2, we describe our DNN-based CGI scheme. Section 3 presents the simulation results and demonstrates the effectiveness of the proposed method. Finally, Section 4 presents the conclusions of this study.
چکیده
1. مقدمه
2. روش ارائه شده
2.1 شبح نگاری کامپیوتری
2.2 بهبود کیفیت تصویر برداری با استفاده از شبکه عصبی عمیق
3-نتایج
4. جمع بندی
abstract
1. Introduction
2. Proposed method
2.1. Computational ghost imaging
2.2. Improving image quality using a deep neural network
3. Results
4. Conclusions
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه