提高体全息相关器匹配精度的多样本并行估计方法

专利名称：提高体全息相关器匹配精度的多样本并行估计方法
技术领域：
本发明涉及一种用于体全息相关器快速提高精度的多样木并行估计技术，可用于图像匹 配、目标识别等，属于光学信息处理领域。
背景技术：
体全息相关技术来源于高密度体全息存储技术和光学相关技术，如附图1所示，体全息 相关器由输入图像IOO，傅立叶变换透镜IOI，体全息存储材料102，反傅立叶变换透镜103， 体全息相关器的输出面104，和存储在102中的库图像105组成。体全息相关技术通过复用 技术在具有一定厚度的体全息存储材料102中存储多幅图像105的傅里叶变换谱，构成一个 多重滤波器，并用此多重滤波器替换了 Vander Lugt光学相关器中的空间滤波器板，这样体 全息相关器就可以将输入的图像100与存储在材料中的多幅图像(库图像)同时进行互相关 运算(多通道并行相关)。理论分析表明，在体全息相关器输出面104上的光场分布为
=省"Vsinc"j—— 2;r
《TO -《cfe +7
从上式可以看出，由于材料厚度t的存在，使得输入图像与每幅库图像的互相关函数均
受到sinc函数的调制，亦即互相关分布中的"旁瓣"(除坐标原点外的所有点)受到抑制。也 就是说对每个单一通道而言，与传统光学相关器相比，输出的互相关函数的相关峰大大变窄 了，这就使得在一定的通道间隔下，输出面上可以并行无串扰地输出各通道的相关结果。
旁瓣的存在使得通道间隔受到限制，这极大的影响了体全息相关器的并行通道数，也会 影响各通道的输出精度。通过增加材料厚度、离焦存储、随机位相调制等方法，可以进一步 地抑制旁瓣，锐化相关函数的相关峰，从而显著地提高并行通道密度和输出精度。当旁瓣被 压制得足够多时，可以认为体全息相关器的输出就很好地近似为
g(A,尺)^ S f^)々。/'(义o，少o)/:(乂o,少o)
此时，相关器的输出退化为一个点阵，每个光点的亮度正比于输入图像与库图像的内积
4值。由于相关点之间没有了旁瓣串扰，通道间隔可以显著的减小，并行通道数大大增加，这 使得体全息相关器成为一种光学多通道并行内积运算器。体全息相关器的这种多通道并行相 关特点使其在多目标识别、图像匹配、光学神经网络、数据库检索等领域内都得到了广泛的 应用。
在体全息相关器的应用中经常需要面对这样一类情况，每一张实时图对应一个或几个物 理量的某种状态，例如实时拍摄一个运动物体的平移、旋转、縮放，或一个炸弹爆炸的场面 等等。传统的体全息相关器在识别时主要基于"击中-击不中"原则，即找出最亮的一个或几 个相关点，认为实时输入的图像与这一个或几个点所对应的库图像最为相似。基于这样的原 则，理论上，要想精确地确定一张实时图所对应的物理状态，需要将所有可能出现的情况都 作为库图像存入相关器中。但目前体全息相关器的并行计算通道数一般在几千量级，无法容 纳所有的库图像。可以通过对原始库图像进行抽取，即仅取出若干对应具有代表性的状态的 图像存入相关器来解决这一矛盾。但这样一来，如果仍然基于传统的"击中-击不中"原则， 只能将实时图的"定位"精度限制在库图像分割的精度上了。举例说明，对于一个在二维平 面上平行移动的物体，如果只将对应某一坐标位置的图像A以及它向右平移十个像素(记此 处的图像为图像B)和向下平移十个像素(记此处的图像为图像C)后的图像存入相关器，那 么识别的结果就只能有如下四种情况第一种情况是A，第二种情况是B，第三种情况是C， 第四种情况是三个皆非。此时定位精度就是十个像素。而利用插值技术虽然可以提高体全息 相关器识别精度，不过其仅用到少数的两个点或者三个点，提高精度有限。通过采用本专利 中介绍的多样本并行估计技术，不仅可以进一歩确定位于A、 B、 C之间的那些实时图的坐标， 而且可以抵抗一定的干扰，大大提高了体全息相关器的图像识别精度。
信号估计理论，是研究在噪声干扰背景中，通过对信号的观测，如何构造待估计参数的 最佳估计量问题。在信号估计理论中，分为贝叶斯估计、最大似然估计、最小均方差估计、 最小二乘估计等。多样本估计，即通过对同一探测源进行多探测器多通道估计，可以有效提 高对探测源探测的精度，譬如根据多次检测定理
若接收信号的m次独立观测为r, r2，…n,，每个噪声样本n,， 2，…m都是独立同分布 的N(A, 。n)高斯变量，噪声样本与有用信号样本二者统计独立。
那么有:
单次似然函数
2cr 2
多次似然函数似然函数随测试的次数而变得尖锐，其变化速率为1/V^。这样也就可以通过信号估计 提高探测的精度。
信号的统计估计理论在许多用来提取信息的处理系统中都会用到。这些系统包括雷达系 统、通信系统、语音信号处理、图像处理、生物医学、自动控制、地震学等。例如，在图像 处理中就有利用多样本估计去除噪声。
将多样本估计技术应用于体全息相关器，可以很好的利用体全息相关器高速并行的特点， 将实时输入图像与库图像相关得到的相关点的亮度作为样本节点，实现多样本并行估计。多 样本并行估计的目的是为了更精确的判断该亮度值所对应的图像或数据页的状态，从而可以 在很大程度上提高体全息识别的精度。 一方面，在库图像数量一定的情况下，可以提高识别 精度；另一方面，如果保持识别精度不变，则可以大大减少所需存储的库图像数量，给体全 息相关器留出更多存储空间容纳更为多样化的库图像。同时，体全息相关识别高速并行的特 点，可以使精度的提高瞬间实现，极大的提高了效率。

发明内容
如上所述，体全息相关器由于受其固有的运算模式的限制，在处理高速、海量的数据时， 存在精度不够高的问题，而这种精度不高往往是因为干扰的存在。本发明通过对输入到相关 器中的实时图像与已存储的库图像之间进行某种多样本并行操作的办法，达到抗干扰并较为 精确的判断实时图与库图像间相对状态的目的。因此，在库图像数量一定的情况下，本发明 可以有效的提高相关器的输出精度，同样的，在同等识别精度的情况下，使用本发明提出的 方法可以大幅减少需要存储的库图像数。同时，本方法可以高效的提高相关器抗干扰的能力。 本发明适应于k维(k个物理量变化，譬如平移、旋转、縮放等)的情况。 设已存储的库图像为N幅，输入l幅实时图像，该输入图像与库图像利用体全息相关技 术进行相关运算。定义N幅库图像分别为图1…图N，实时图S，每幅图的幅面均为PXQ (单 位像素数)，其中S的状态由k个物理量(平移、旋转、縮放等)确定。实时图与库图像做 相关运算之后，得到一系列亮暗不等的相关点，在此例中，相关点个数为N。相关点的亮度 表征了相关运算的结果。比较该结果，便可以得到输入图与库图像间的相对状态。传统的方 法是直接比较这些相关点的亮度，取最亮的点的状态近似为实际状态，即将最亮的相关点所 对应的库图像的状态默认为输入图像的状态。可见，这种方法的精度受制于所存库图像的间 隔大小，所以，若要在一定的库图像存储数量下进一步提高精度，必须寻求其它方法。根据 上文所述，为了得到更高的精度，本发明利用多样本并行估计技术，用k个变量表征实时图状态，充分利用相关点亮度的数值，根据估计方程确定k个变量取值，从而得到输入图像的 较为精确的状态。
在进行多样本估计操作之前，先确定估计规则一、估计规则二、估讣规则三。
具体规则如下
估计规则一
上述k维连续状态变化(k个变量)的问题可以归结为如下问题对于存储在体全息相 关器中的N幅库图像，有任意实时图S， S的状态可以由k种变量确定，分别为X,..Xk。该实 时图通过相关器后，与库图像相关后得到的相关点，取最亮的相关点旁边的g个相关点或者 任取g个相关点，其亮度为M'…Mg，设g个相关点对应的库图像为图1…图g， 一般的g《N， 归一化后得到相对相关点亮度m,…w， 一定满足方程
F(x,...xk)=
附1 =/i(xr"xk) 附2 =/2(x,...xk)
其中函数/i(x,.,.Xk)可以通过图像l分别与图1…图g (或与N幅库图像)相关后得到的 结果进行曲线拟合得到，同样的方法，即分别用图2、图3、…、图g与图l…图g (或与N
幅库图像)相关后得到的结果进行曲线拟合可以得到/2(Xi…Xk)... ^(X,…Xk)。
估计规则二
函数/i(X…Xk)、 /2(X!…Xk).,./g(X!…Xk)之间的关系可由图1…图g的关系(平移、
旋转、縮放等变化)决定，即假设以第m幅图为基准，,(x,...Xk)、力(x,…Xk)…^(x,…Xk)
都可以用人(X,...X,)来表示，其中/7,、 /72...Ag由图l…图g的关系(平移、旋转、缩放等
变化)决定，则有
/i(X"..Xk) =
/g(X,…Xk)二/^(人(X,...、))
估计规则三
根据估计规则一和估计规则二，给出完整估计方程
7F(x,…Xk)
附i =^(/m(x,...xk))
附2 "2(厶(X,…Xk))
k个未知数，g个方程，解上述方程，得到x卜Xk的值，这样，S的状态可以由k种变量的 值确定。 一般g〉k，方程数多于未知数数，可以很大程度上提高方程经扰动后的解的精度。
综上所述，对体全息图像识别多样本并行估计技术工作流程做如下处理，多样本并行估 计技术流程参阅附图2。
(6) 将库图像1…图N存入体全息相关器中。
(7) 将用于归一化处理的图像V…图A^分别输入到相关器中，分别得到图像l:"图 A^相对于库图像i…图N相关点亮度，可作为后续归一化基准。
(8) 将实时图S输入体全息相关器中，分别得到其与图像1…图N的相关点亮度，进 行归一化处理，得到相对相关点亮度。
(9) 对于库图像，进行多样并行估计处理。
4. 1确定估计变量Xl...xk以及估计变量数目k，确定取样相关点数目g; 4. 2根据估计规则一，给出估计函数以及与相关点联系的估计方程； 设取样相关点间的间隔为L,相关曲线的相关长度为AI (AL根据估计函数得到)，在 g*L<2 AL情况下可以进行以下估计；
4.3根据估计规则二，取定基准估计图像，给出各估计函数之间的关系； 4.4根据估计规则三，给出完整的估计方程，并通过估计方程得到实时图相对于库图 像的状态差异。
(10) 综合上述分析，可以得到k维状态的实时图S的物理状态。
按照上述l一5步，在体全息相关器上釆用并行估计技术，其结果的精度与不使用并行估 计技术的普通体全息相关器相比有显著提高。
通过选取合适的多样本估计规则，经过多样本并行估计之后，实时图的状态可以通过与 不同库图像相关后得到的相关点亮度值来确定。本发明将改变传统方法的弊端，将识别结果 从某一库图像转变为库图像之间的某个图像，同时很大程度上起到抗干扰的作用，因而可以 大幅提高体全息相关匹配精度。
通过实验比较了不使用多样本估计的结果和使用多样本估计的结果，可以发现多样本并行估计后的输出结果与实时图的实际状态更为接近，所以，基于体全息预处理的多样本并行 估计技术可以提高体全息相关器的匹配精度。


图1为体全息相关器的原理示意图。其中，IOO为输入图像；101为傅里叶变换透镜；102 为体全息存储材料；103为反傅里叶变换透镜；104为体全息相关器的输出面；105为存储在 102中的库图像。
图2为本发明流程示意图。
图3为实施例1待识别的母图像分割库图像示意图。 图4为实施例1 乂 (x) 、 /2 (x)/4 (x)拟合曲线。
图5为实施例2待识别的母图像。
图6为实施例2待识别的母图像分割库图像示意图。
图7为实施例2/,(x，y)、 /2(x,y)... 乂6(x，y)拟合曲线。
具体实施例方式
下面结合两个具体实施例及附图对应用于体全息的多样本并行估计技术的具体实施过程 做进一步的详细说明。 实施例一
本实施例是一个对应用在体全息相关器上的库图像和输入图像进行多样本并行技术提高 精度的实例。在体全息识别的过程中，有一类平移识别的问题，附图3为待识别的母图像， 其中黄色框所围的图像记为图A，以图A为基准分别向右移动IO、 20、 30个象素，形成了红 色框、蓝色框、紫色框所围成的图像，分别记为B、 C、 D;黑色框所围的图像是输入的实时 图，其中每幅图像的分辨率是640X480。这样如果不采用多样本并行估计处理，那么识别的 结果只能是原图像或者向右平移10个单位、20个单位或者30个单位的图像，识别精度较低。 采用多样本并行估计技术的流程如下记原图像为A、向右平移10个单位、20个单位或者 30个单位的图像分别为B、 C、 D，实时图为S。
1、 将图像A、 B、 C、 D存入体全息相关器。
2、 将图A…图D输入体全息相关器得到自相关点的亮度值。
3、 将实时图S输入体全息相关器中，分别得到其与库图像图A…图D的相关点亮度，再
9分别除以库图像图A…图D自相关点亮度，得到相对相关点亮度分别为0. 801， 0. 939， 0. 735， 0.514。
4、对于库图像A…图D，进行多样本并行估计处理 4. l确定取样相关点数目为4;
4. 2根据估计规则一，给出估计函数以及与相关点联系的估计方程； 本实施例中，对于存储在体全息相关器中的4幅库图像图A…图D，有任意实时图S， S 的状态由l种变量x确定，即横向平移。分别在最亮的相关点附近(本次为以最亮点为中心) 取样4个库图像作为样本点，经归一化后，这4库图像样本点亮度为0.801， 0.939， 0.735, 0. 514
一定满足方程
7; 00 = 0.801
/2 (x) = 0.939 '/3 (x) = 0.735 /4(x) = 0.514
其中函数/,(x)可以通过图像A分别与图像A…图D相关后得到的结果进行曲线拟合得到， 如附图4所示，设相关点亮度为n， W^ = /(x,y) = [exp(-alx|)]2。同样的方法可以得到 /2(X)... /4(x)，形式与/;(x)相同，经过拟合& =0.01415， a2= 0.01417， 《3 = 0.01429 ，
4 = 0.01420，因为各函数参数a的取值差异不大，为了方便计算，取一个平均值做近似， a = 0.01420。
取样相关点间隔象素为10，相关长度为1/ = 1/0.01420 = 70，则有4*10<2*70,可以使 用多样本估计。
4.3根据估计规则二，取定基准估计图像，给出各估计函数之间的关系；
函数/i(x)、 /2(X)...厶(x)之间的关系可由图像A…图D的关系(横向平移变化)决定，
以图a (最左侧图)为基准，y;(x)、 /2(x)... /4(x)都可以用y;(x)来表示，从4幅图
中最左侧的图片开始，横向各库图像相对基准图平移量的取值分别为O、 10、 20、 30个单位， 那么/z,、 /z2... /^由图像A…图D的关系(横向平移变化)决定，艮口/,(x),/;(參/'(x,) / 2(x) (x)) = yi(x-io)
/4(x)"4(/,(x)卜./;(x —30)
4. 4按照规则三，给出完整的估计方程，并通过估计方程得到实吋图相对于库图像的状 态差异。
这样，我们就可以得到完整的估计方程
—,("=0.801 /;(x-10) = 0.939 '/,(x習20) = 0.735 ,(x-30) = 0.514
其中a = 0.01420。
这样解上述方程，得到x=8. 15。
5. 综合上述分析，根据得到的变量x的结果，确定实时图S的状态。 根据上述结果，也就是说实时图S的状态是以图A为基准右移8. 15个象素。 而本次实验实时图实际状态应该为以图A为基准右移8个象素，如果不使用多样本并行
估计，而识别结果为以图A为基准的右移10个象素。
这样利用上述多样本并行估计，精度比原来提高了 93%。
实施例二
木实施例是一个平面二维的实施例，实时图的状态要由两个物理量确定。在图像平移识 别的过程中，附图5是待识别的母图像，记为图A;如附图6所示，从黄色框开始记为第一 幅图，然后从第一幅图开始，每隔5个象素向右移动'幅阁像，共移动39次，共组成40幅 图，移动方向为图中x方向，如蓝色框所示，从上述40幅图开始，分别向下每隔5个象素移 动一幅图像，共移动29次，移动方向为图中y方向，如红色框所示，这样就组成了一个40 X30的二维图像库，其中每幅图像的分辨率是640X480。这时输入一幅实时图S，如果使用 多样本并行估计技术，就可以在5个象素之内进一步识别，很大程度上提高了识别精度，而
且还可以更大范围内实现对实时图的搜索。 采用多样本并行估计技术的流程如下
1. 将1200张库图像存入体全息相关器中。
2. 将库图像1200张输入体全息相关器得到自相关点的亮度值，作为后续归一化基准。
113. 将实时图S输入体全息相关器屮，分别得到其与1200张库图像的相关点亮度。
4、 对于1200张库图像，进行多样本并行估计处理 4.1确定本次取样相关点数目为16，即二维上的4X4。
4. 2根据估计规则一，给出估计函数以及与相关点联系的估计方程； 本实施例中，对于存储在体全息相关器中的16幅库图像1…图16，有任意实时图S， S 的状态可以由2种变量确定，分别为x， y，即二维平移。分别在最亮的相关点附近(本次为 以最亮点为中心)取样4X4个库图像作为样本点，经归一化后，这4X4库图像样本点亮度 用以下4X4矩阵表示
—0.392 0.506 0.581 0.452— 0.551 0.769 0.833 0.639 0.517 0.664 0.769 0.601 0.364 0,461 0.544 0,423
-定满足方程
画/,(x,力二 0.392 /2(xj) = 0.506 /3(^力:
/5(xj) = 0.551 /6(x，7) = 0.769 /7",力:
/90，>0 = 0.517 /,。(xj) = 0.664 /uO,_y)
_/|3"力=0.364 /14(x，y) = 0.461 /15(^力
0.581 /4(x,>0 = 0.452
0.833 /8(x，y) = 0.639
0.769 /120,力=0.601
0.544 /16(xj) = 0.423
其中函数/,(x,y)可以通过图像1分别与图像1…图16相关后得到的结果进行曲线拟合得 到，如附图7所示，设相关点亮度为n，则"==[exp(-(a I x I +;5 I y |)]2 。同样的方法 可以得到/2(x,y)... /i6(x,y)，形式与,(x,y)相同，经过拟合平均得到"=0.07 ， / = 0.05 。
取样相关点间隔象素为5，相关长度为1/" = 1/0.07 = 14， 1// = 1/0.05 = 20，则有 4*5<2*14，
4*5<2*20，可以使用多样本估计。
4.3根据估计规则二，取定基准估计图像，给出各估计函数之间的关系；
函数/;(x，y)、 /2(x，y)... /,6(x,y)之间的关系可由图像l…图像16的关系(二维平移
变化)决定，
以第l幅图(左上角)为基准，/i(x,y)、 /2(x,y)... /i6(x,y)都可以用/i(x,y)来表不， 从4X4的区域最左上角的图片开始，横向各库图像相对基准图的取值分别为O、 5、 10、 15个单位，纵向各库图像相对基准图的取值分别为0、 5、 10、 15个单位，A,、 A2... / 16由图
像1…图像16的关系(二维平移变化)决定，即
—/i(X,y) = =
,2(x,y)"2(仏力)^(x-5,力
/16 (x, y) "16 (/, (x，力)=/, (x -15,少—15)
4.4按照规则三，给出完整的估计方程，并通过估计方程得到实时图相对于库图像的状 态差异。
这样，我们就可以得到完整的估计方程
/^,力=0.392 —5，少)=0.506
/j(jc，少—5)二0.551 ,(x —5， _y — 5) = 0.769
/;(x,少-10) = 0.517 /JO-5 j-10) = 0.664
,(x, ;v — 15) = 0.364 , (x — 5, y — 10) = 0.461
/,O-10，力^ 0.581,(x —15,力=0.452
/i (;c — 5, y — 5) = 0.833 / (x — 15,少一5) = 0.639
,(x — lOj -10) = 0.769 , (x — 15 j -10) = 0.601
/i (;c — 10, _y — 10) = 0.544 , (x — 15,少一 15) = 0.423
其中"=0.07， / = 0.05。
这样解上述方程，得到x:7. 1， y = 8.9
5.综合上述分析，根据得到的二维变量的结果，确定实时图S的状态。
根据上述结果，也就是说实时图S的状态是以左上角图片为基准右移7. l个象素，下移
8. 9个象素。
而本次实验实时图实际状态应该为以左上角图片为基准右移7个象素，下移9个像素， 如果不使用多样本并行估计，而识别结果为以左上角图片为基准右移5个象素，下移10个像 素。
这样利用上述多样本并行估计，精度比原来提高了 95%。
权利要求
1、提高体全息相关器匹配精度的多样本并行估计方法，其特征在于，若已存储的库图像为N幅，定义N幅库图像分别为图1～图N，实时图S，每幅图的幅面均为P×Q，其中，P、Q为像素数，S的状态由k个物理量确定，分别为x1～xk；实时图与库图像做相关运算得到相关点，个数记为N；该方法包括以下步骤(1)将库图像图1～图N存入体全息相关器中；(2)将用于归一化处理的图像1/～图N/分别输入到相关器中，分别得到图像1/～图N/相对于库图像1～图N相关点亮度，可作为后续归一化基准；(3)将实时图S输入体全息相关器中，分别得到其与图像1～图N的相关点亮度，进行归一化处理，得到相对相关点亮度；(4)对于库图像，进行多样并行估计处理；(4. 1)确定估计变量x1～xk以及估计变量数目k，确定取样相关点数目g；(4. 2)根据估计规则一，给出估计函数以及与相关点联系的估计方程；设取样相关点间的间隔为L，相关曲线的相关长度为ΔL，ΔL根据估计函数得到，在g*L<2ΔL情况下进行以下估计；所述估计规则一为实时图通过相关器后，与库图像相关后得到的相关点，取最亮的相关点旁边的g个相关点或者任取g个相关点，其亮度为M1～Mg，设g个相关点对应的库图像为图1～图g，g《N，归一化后得到相对相关点亮度m1～mg，一定满足方程其中函数f1(x1...xk)可以通过图像1分别与图1～图g或与N幅库图像相关后得到的结果进行曲线拟合得到，同样的方法，即分别用图2、图3、…、图g与图1…图g或与N幅库图像相关后得到的结果进行曲线拟合可以得到f2(x1...xk)...fg(x1...xk)；(4. 3)根据估计规则二，取定基准估计图像，给出各估计函数之间的关系；所述估计规则二为函数f1(x1...xk)、f2(x1...xk)...fg(x1...xk)之间的关系由图1…图g的关系决定，假设以第m幅图为基准，f1(x1...xk)、f2(x1...xk)...fg(x1...xk)都用fm(x1...xk)来表示，其中h1、h2...hg由图1…图g的关系决定，则有(4. 4)根据估计规则三，给出完整的估计方程，并通过估计方程得到实时图相对于库图像的状态差异；所述估计规则三为根据估计规则一和估计规则二，得到完整估计方程k个未知数，g个方程，解上述方程，得到x1～xk的值，这样，S的状态由k种变量的值确定；当g>k，方程数多于未知数数，能提高方程经扰动后的解的精度；(5)得到k维状态的实时图S的物理状态。
全文摘要
提高体全息相关器匹配精度的多样本并行估计方法，属于光学信息处理领域。将库图像图1～图N、图像1′～图N′分别存入体全息相关器中；将实时图S输入体全息相关器中；确定估计变量x₁～x_k，确定取样相关点数目g；根据估计规则一，给出估计函数以及与相关点联系的估计方程；根据估计规则二，取定基准估计图像，给出各估计函数之间的关系；根据估计规则三，给出完整的估计方程，并通过估计方程得到实时图相对于库图像的状态差异；最后得到k维状态的实时图S的物理状态。本发明在库图像数量一定的情况下，可以提高识别精度；保持识别精度不变，则可以大大减少所需存储的库图像数量。同时，本发明可以使精度的提高瞬间实现，极大的提高了效率。
文档编号G03H1/26GK101504531SQ20081022757
公开日2009年8月12日 申请日期2008年11月28日 优先权日2008年11月28日
发明者何庆声, 曹良才, 汪顺利, 谭峭峰, 金国藩 申请人:清华大学