【信号与噪声】在众光子中辨识少数：为光子高效主动成像分离信号与噪声（Matlab代码实现）

  💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

 ⛳️赠与读者

💥1 概述

📚2 运行结果

🎉3 参考文献

🌈4 Matlab代码、数据、文献

---

 ⛳️赠与读者

👨‍💻做科研，涉及到一个深在的思想系统，需要科研者逻辑缜密，踏实认真，但是不能只是努力，很多时候借力比努力更重要，然后还要有仰望星空的创新点和启发点。当哲学课上老师问你什么是科学，什么是电的时候，不要觉得这些问题搞笑。哲学是科学之母，哲学就是追究终极问题，寻找那些不言自明只有小孩子会问的但是你却回答不出来的问题。建议读者按目录次序逐一浏览，免得骤然跌入幽暗的迷宫找不到来时的路，它不足为你揭示全部问题的答案，但若能让人胸中升起一朵朵疑云，也未尝不会酿成晚霞斑斓的别一番景致，万一它居然给你带来了一场精神世界的苦雨，那就借机洗刷一下原来存放在那儿的“躺平”上的尘埃吧。

     或许，雨过云收，神驰的天地更清朗.......🔎🔎🔎

💥1 概述

摘要： 传统的LiDAR系统需要每个像素数百到数千次的光子探测，以形成精确的深度和反射率图像。近期的光子高效计算成像方法即使在每个像素仅探测到1.0到3.0个光子的情况下也表现出显著的效果，但它们尚未在信噪比（SBR）低于1.0的条件下得到展示，因为它们在高背景噪声存在下的成像准确性会大幅降低。我们引入了一种新的深度和反射率估计方法，侧重于信号和噪声源贡献的分离。在图像的每个像素处，自适应确定并应用短暂的范围门，以剔除可能由噪声导致的探测。对于探测次数过少而无法准确执行此筛选的像素，结合来自邻近像素的数据以改善深度估计，其中邻域的构建也适应于场景内容。算法性能在不同噪声水平的实验数据上得到了验证。结果显示，无论是反射率还是深度估计，与现有先进技术相比，该方法均展现出更好的性能，尤其是在低SBR时。特别是，展示了在低至0.04的SBR下也能实现精确成像。这一光子高效且耐受噪声方法的验证，证明了快速、远距离、低功耗LiDAR成像技术的可行性。

非接触式深度测量有着广泛的应用领域，从工业到军事或科研等多个方面。相较于雷达或超声波方法，主动光学方法，比如光探测与测距（LiDAR）系统，因其较高的空间分辨率而尤为有用[1]。因此，LiDAR已被成功应用于森林生物量估测[2]、地质勘查[3]、地雷探测[4]以及自主导航[5][6]等各种领域。近年来，LiDAR系统开始采用单光子雪崩二极管（SPAD）探测器替代先前使用的光电倍增管（PMT）。这些SPAD探测器能够测量来自遥远、反射性差或斜面的表面的低强度信号，或用于隐蔽成像及移动应用中的功率受限系统[7][8]。通过形成数百至数千次重复测量的直方图，光子计数系统可以近似PMT的全波形输出，并利用互相关或最大似然（ML）估计来确定场景的深度[9][10]。

新型的光子计数LiDAR系统在光子效率方面取得了显著提升，能够从每个像素实际上探测到的一个光子或平均每像素大约1.0个探测到的光子出发，形成精确的深度和反射率图像[11]，或者如[12]至[14]所示，这得益于对单个光子探测的概率模型的利用以及受典型场景结构启发的正则化处理。[11]和[12]的关键贡献之一是采用了逐光子处理方法，试图移除可能由背景噪声引起的探测。尽管这种审查也利用了空间结构，但它主要是为了去除在存在背景噪声的情况下，深度ML估计固有的非凸性问题。而且，这种方法仅应用于深度估计，而不适用于反射率估计。[14]中的审查也仅应用于深度估计，并基于全场景离散化后深度的稀疏性。虽然这些方法在光照条件较差、直方图技术表现不佳的场景下有效，但在存在高强度背景噪声的情况下，其成像准确性会显著下降。这对于日间长距离或低功耗测量尤为重要，此时来自环境光的光子探测率可能远高于主动照明的探测率。

主要基于[12]，本文重新审视了低通量检测作为不均匀泊松混合过程的模型。鉴于在信号与噪声水平相等时已证明了从少量探测中进行估计的可能性，我们的目标是利用模型的新见解，在噪声水平提高二十五倍（信号水平和其他成像条件不变）的情况下，使准确成像成为可能。核心思想是通过有效地分离信号和噪声的贡献，可以计算出几乎与仅使用信号探测的先知同样好的估计值。这里我们利用检测时间及泊松过程模型的直觉，在每个像素上近似分离信号和噪声的贡献。我们还引入空间自适应性，以克服因探测到的信号光子过少而导致的深度估计可靠性低的问题。尽管一些关键概念首先在一个像素级的ML估计框架内介绍，类似于以往工作[11][12][14][15]，但我们最终应用正则化以改善图像生成。详细文章间第4部分。

📚2 运行结果

部分代码：

function unmixing_demo(dataSet, SBR, meanSigDetect, tau_FA, maxDsp)  %% Unmixing Demo
  
%   clear; close all; clc;
  
  %% Set parameters and run 
  addpath('functions');
  
  % parameters to choose:
   dataSet = dataSet;
   SBR = SBR;               % Signal to Background ratio
   meanSigDetect = meanSigDetect;      % Mean number of signal photons per pixel (Valid choices for mannequin dataset are 2, 3, or 4)
   tau_FA = tau_FA;          % Probability of false acceptance threshold
   maxDsp = maxDsp;             % Max superpixel size (determines number of iterations)
  
  fcn_setupData( dataSet,SBR,meanSigDetect,tau_FA,maxDsp );
  
  %%
  
  % Conventional LIDAR
  [ LIDAR_Alpha, LIDAR_Z ] = fcn_ML();
  
  % Signal Oracle:
  [ bestOracleAlpha, bestOracleZ ] = fcn_oracle( );
  
  % % Shin processing
  [ bestShinAlpha, bestShinZ ] = fcn_Shin( );
  
  % Unmixing processing
  [ bestUnmixingAlpha, bestUnmixingZ ] = fcn_Unmixing2( );
  
  %% Load and display data
  
  %%
  rangeAlpha = [min(Alpha_true(:)),max(Alpha_true(:))];
  rangeZ = [min(Z_true(:)),max(Z_true(:))];
  
  figure;
  subplot(2,5,1); imagesc(Alpha_true,rangeAlpha); axis image; title('True Refl.'); 
  subplot(2,5,2); imagesc(LIDAR_Alpha); axis image; title('ML'); 
  subplot(2,5,3); imagesc(bestOracleAlpha,rangeAlpha); axis image; title('Oracle');
  subplot(2,5,4); imagesc(bestShinAlpha,rangeAlpha); axis image;  title('Shin');
  subplot(2,5,5); imagesc(bestUnmixingAlpha,rangeAlpha); axis image; title('Unmixing');
  
  subplot(2,5,6); imagesc(Z_true,rangeZ); axis image; title('True Depth');
  subplot(2,5,7); imagesc(LIDAR_Z,rangeZ); axis image; title('ML');
  subplot(2,5,8); imagesc(bestOracleZ,rangeZ); axis image; title('Oracle');
  subplot(2,5,9); imagesc(bestShinZ); axis image; title('Shin'); 
  subplot(2,5,10); imagesc(bestUnmixingZ,rangeZ); axis image; title('Unmixing'); 

🎉3 参考文献

文章中一些内容引自网络，会注明出处或引用为参考文献，难免有未尽之处，如有不妥，请随时联系删除。

[1]Joshua Rapp; Vivek K Goyal,在众光子中辨识少数：为光子高效主动成像分离信号与噪声.

🌈4 Matlab代码、数据、文献

资料获取，更多粉丝福利，MATLAB|Simulink|Python资源获取