💥💥💞💞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
💥1 概述
在该论文中,描述了超光谱宽带相位恢复的新型制定方法。该方法适用于对象和调制相位掩模均呈光谱变化的情形。所提出的算法基于交替方向乘法器(ADMM)的复数域版本,以及针对高斯和泊松观测导出的光谱近邻算子(SPO)。这些算子的计算被简化为解一组立方(对于高斯)和二次(对于泊松)代数方程。这些近邻算子解决了两个问题。首先,从计算为信号光谱强度之和的总强度观测中提取了信号的复数域光谱分量。通过这种方式,实现了对总强度的光谱分析。其次,过滤了噪声观测,包括噪声强度观测及其预测的对应物。能够解决超光谱宽带相位恢复问题并找到光谱变化的对象,主要由对象和图像形成算子的光谱特性决定。模拟测试表明,该制定方案中的相位恢复可以成功解决。
摘要:本文针对对象和调制相位掩模均呈光谱变化的情况,提出了超光谱宽带相位恢复方法。所提出的迭代算法基于交替方向乘法器(ADMM)的复数域版本以及针对高斯和泊松多强度观测导出的新型光谱近邻算子。这些近邻算子解决了两个问题。首先,从计算为衍射模式光谱强度之和的总强度观测中提取了对象的复数域光谱分量。其次,过滤了噪声观测,包括噪声强度观测及其预测的对应物。模拟和物理测试证实,所提出的超光谱宽带相位恢复方法可以成功解决。
关键词:复数域逆向成像、复数值图像去噪、超光谱相位恢复、相位成像、复数值正则化、光谱近邻算子、算法
📚2 运行结果
部分代码:
%--------- (2) hyperspectral propagation with masks included ----------------
A = @(wf,Masks) ifft2(arrayIshift(AS.*(arrayshift(fft2(conj(Masks).*wf))))); % forward propagation
At = @(wf, Masks) Masks.*ifft2(arrayIshift(conj(AS).*arrayshift(fft2(wf)))); % backward propagation
%% Observations model
%-------preallocations-----------------------------------------------------
B = zeros(LL,KK,K,T);
BB = zeros(LL,KK,K,T);
D = zeros(LL,KK,K,T);
Y = zeros(LL,KK,T);
Z = zeros(LL,KK,T);
%-------observations creation ---------------------------------------------
for t = 1:T %create observations for each mask
Masks = (Masks_set(:,:,:,t));
B(:,:,:,t) = A(x,Masks); % HS wavefront propagated to sensor
Y(:,:,t) = sum((squeeze(abs(B(:,:,:,t)))).^2,3); % noiseless obesrvation summed along wavelengths
if do_poisson_noise % Poisson noise Intensity Observations
Z(:,:,t) = poissrnd(Y(:,:,t)*kappa);
SNR(t) = 10*log10(sum(kappa^2*Y(:).^2)/sum((Y(:)*kappa-Z(:)).^2));
else % Gaussian noise Intensity Observations
Z(:,:,t) = Y(:,:,t)+randn(size(squeeze(Y(:,:,t))))*sigma;
SNR(t) = 10*log10(sum(Y(:).^2)/sum((Y(:)-Z(:)).^2));
end
fprintf ('.')
end
%% Reconstruction Algorithm
%------------(1) Random Initialization ------------------------------------
x_phase = rand(size(x));
🎉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。