关于散射成像研究现状的一些思考.docx资源-CSDN文库

版权申诉

29 浏览量 2023-02-23 16:47:33 上传评论收藏 28KB DOCX 举报

资源推荐

资源详情

资源评论

光学成像是我们感知认识世界的一种重要方式，日常生活中 80%以上的信息都是通过

视觉成像获取的。传统的光学成像基于几何“点到点”成像（如摄影、显微等）或者波前反

演重建（如全息、衍射成像等）。只有在自由空间，即光的传播路径能够被准确地描述和

预测的情况下，这些方法才适用。生活中，散射介质无处不在，例如云雾霾、牛奶和污染

的水体等浑浊溶液、生物组织、多模光纤等。散射介质内大量随机无序的折射率起伏导致

波前被扰乱，点到点映射被破环。

为了看清看透散射介质，研究人员孜孜以求数十年，发展了多种光学成像方法和技

术。主要可以分为以下几类：一、选择弹道光，如时间门、相干门、共聚焦和双/多光子成

像等技术；二、补偿散射造成的影响，如波前整形、光学相位共轭、散射矩阵测量等；

三、利用散斑的统计性质，主要有散斑扫描、散斑反卷积、散斑自相关成像；四、利用大

数据建立神经网络实现定向映射，即深度学习等。上述几类技术均在本期《红外与激光工

程》“散射成像与非视域成像”专栏文章中涉及到，欢迎读者参阅。不同种类的散射介质尺

寸悬殊，动态特性、散射参数和结构等差异巨大，适用的方法也不同。透射弹道光的强度

随散射介质厚度增加指数衰减，所以利用弹道光的技术成像深度或厚度都非常有限，只有

几个光学厚度而已。在生物软组织里，一般对应于数百 μm；雾霾天气下，则对应约一个

能见度，这远不能满足实际的需要。要想突破厚度限制，就需要利用散射光。前述后三类

方法则是基于不同的思路来利用散射光。波前整形和相位共轭通过迭代或光学导星等辅助

手段预先测量获得优化的补偿波前，散射矩阵测量则是通过多次改变输入测量输出构建散

射矩阵后再以算法补偿散射的影响，这些方法只适用于静态或准静态的散射介质。尽管利

用高速相机、数十 kHz 的数字微反射镜 DMD 等先进器件，响应时间提高到了 ms 量级，

仍然难以适应绝大部分场景。相比之下，散斑自相关成像这类方法实验结构简单、操作简

便、响应快，但成像视场受记忆效应范围限制。利用先验信息和多次测量等方法可一定程

度上增大记忆效应范围，但提升有限，并且成像分辨率普遍较低，主要原因是有限的样本

平均导致大量的细节信息被淹没在噪声中无法提取。随着计算机算力的提升和神经网络技

术的快速发展，深度学习也被引入到透散射介质成像中，经过大量数据训练的网络可以很

好地预测散射介质后的未知物体，图像细节更多，也不受记忆效应范围的限制。但深度学

习普遍存在泛化性差的问题，且神经网络是一个“黑盒子”。散射介质也是一个“黑盒子”，

用一个未知的黑盒子模拟预测另一个黑盒子，物理上是不可靠的，我们无法获知神经网络

在多大程度上模拟了散射介质的哪些特性，相似的边界在哪里，因此制约了其可能的应

用。

上述三类方法的一个共性问题是无法对厚散射介质成像。尽管都经过了概念性验证，

但这些方法并未能把成像的深度或厚度边界提高多少。一旦超出光学弥散极限

[1]

，即经过

相应厚度的传播，散射光子方向完全随机化，在一般生物软组织中对应的厚度~1 mm，这

些方法基本都失效。概念性验证实验中所采用都是薄散射介质，例如毛玻璃、组织切片、

氧化锌粉末层。目前，散射成像界普遍接受的观念是光经过散射介质后波前被完全随机

化，但信息并没丢失，信息仍然包含在散射光中，相关透过散射介质成像技术都是从散射

光提取信息的。如果这个观念无误，为什么这些技术对厚度这么敏感？光学弥散极限前

本内容试读结束，登录后可阅读更多

下载后可阅读完整内容，剩余2页未读，立即下载

内容反馈

版权申诉

罗伯特之技术屋

粉丝: 3677
资源: 1万+

最新资源

资源上传下载、课程学习等过程中有任何疑问或建议，欢迎提出宝贵意见哦~我们会及时处理！点击此处反馈

feedback-tip