1.低采样率下高浊度水下目标成像方法,其特征在于,包括如下步骤:
2.如权利要求1所述的低采样率下高浊度水下目标成像方法,其特征在于:步骤1中所述水下主动单像素光学成像系统包括he-ne激光器、dmd、数据采集卡、单像素探测器、光束终止器、水箱、被测目标、各类透镜和支撑件;该系统成像原理是:由he-ne激光器发出的光经过由平凹凸透镜组合而成的扩束准直系统后,照亮由计算机控制调制的dmd;其中,照明编码是利用随机哈达玛变换生成的图案对dmd进行调制,调制后的激光通过水箱中的被测目标,最后由无空间分辨率的单像素探测器收集反馈的光强信号,单像素探测器与数据采集卡相连接,用于记录所收集的探测光强并传送到计算机,dmd投影速率与数据采集卡的daq系统通过同步触发以保持信号同步,光束终止器放在dmd前,用于收集无用的杂散光。
3.如权利要求1所述的低采样率下高浊度水下目标成像方法,其特征在于:步骤2中所使用的模拟数据集来自gtsrb德国交通标志数据集和emnist手写数据集,所有图像大小被调整到32×32像素,然后,通过将每幅图像与32×32像素的hadamard图案相乘,并将所有像素归一化为一维检测列,来模拟单像素检测器收集的测量信号,测量的信号值及其对应的真实图像被送入网络进行训练,在采样率为19.14%、9.77%、6.25%和3.52%时得到了优化的网络模型。
4.如权利要求1所述的低采样率下高浊度水下目标成像方法,其特征在于:uaspi-daugan模型中生成器g的功能是利用单像素探测器所测结果生成高浊度水下目标的重建图像,g是基于doubleu-net的进一步拓展,g的主体结构由两个改进的attention u-net组成,将其称为network1和network2,network1和network2的主体结构均由4个下采样卷积模块组成的编码模块,4个上采样卷积模块组成的解码模块,以及添加在编码模块与解码模块之间的空洞卷积金字塔aspp组成;
5.如权利要求4所述的低采样率下高浊度水下目标成像方法,其特征在于:network1和network2的编码模块中,network1的输入是单像素探测器的m个实测信号值,尺寸为m×1的一维向量首先通过尺寸为1024×1的全连接层来提取信号特征,然后将1024×1的向量重塑为32×32的特征图,作为编码器的输入,而network 2的输入是由network 1中输入特征图和输出的预测掩码相乘后的结果;在network1中,首先执行两次3×3卷积运算以提取图像特征,每次运算后经过一次批处理归一化以及整流线性单元relu激活函数,接着用空间挤压和通道激励模块cse提升特征图质量以减少冗余信息,然后,通过2×2窗口和2步幅的最大池化层对图像进行空间降维;
6.如权利要求4所述的低采样率下高浊度水下目标成像方法,其特征在于:判别器d的输入有两组类别,将输入的二维特征图像分别与目标真实图像连接成第一组,与g生成的输出图像连接成第二组,随后,将两组类别进行连接后,再经过5次卷积模块,最后输出得到2×2大小特征图,以用于得到d损耗和优化g的网络参数,在卷积模块中,卷积层实现不同尺度的特征提取;批量归一化层作为正则化器,以加快网络的特征映射能力;带泄露修正线性单元leaky relu替代传统的整流线性单元relu,防止训练过程中梯度消失。
7.如权利要求1所述的低采样率下高浊度水下目标成像方法,其特征在于:最小二乘损失函数描述为:
8.如权利要求1所述的低采样率下高浊度水下目标成像方法,其特征在于:像素损失使重建图像更接近真实图像,并使它们之间的像素值之差最小,损失函数描述为:
9.如权利要求1所述的低采样率下高浊度水下目标成像方法,其特征在于:感知损失作为先验,表示为;
10.如权利要求1所述的低采样率下高浊度水下目标成像方法,其特征在于:平均结构相似性是局部应用ssim的结果,其中,ssim是一种质量评价方法,在亮度、对比度和结构的基础上量化了两幅图像局部斑块之间的相似性,这里的ssim用来比较真实目标图像与g的生成图像之间的感知相似性,因此被定义为: