单像素成像中目标物体快速分类方法

Single-pixel imaging systems usually require a large number of pattern illuminations and a long image acquisition time in order to capture and reconstruct a target object image with good fidelity. It is a very challenging task to perform target object classification when the number of illumination is limited and a high-quality reconstruction result is not available, In this project, we investigate this problem from three different perspectives: direct classification of target object based on the single pixel intensity sequence using Bayes classifier (without object image reconstruction), simultaneous quality enhancement and intelligent classification on the low-quality reconstructed target object image using cascaded deep learning networks, and the design of optimal illumination patterns based on a composite multi-linear classifier system. We attempt to approximately identify what category the target object belongs to in a fast manner using supervised machine learning algorithms, from only a small number of recorded single pixel intensity values and corresponding reconstructed low-quality object image. In previous works about single pixel imaging algorithms, the enhancement of imaging quality and efficiency is the first and foremost objective. In this project, we investigate the fast target object classification problem in single-pixel imaging, which has been seldom attempted by previous researchers. This project is a cross-disciplinary research between computational optical imaging field and machine learning field, which will potentially have significant practical impact in many applications such as biology, medical diagnosis, environmental inspection, geography, agriculture and military.

单像素成像系统通常需要较多数量投影照射和较长成像时间，才能获得清晰的重建目标物体图像。如何在投影照射数量有限，无法获得高质量重建结果情况下，对目标物体进行快速分类识别成为一个困难的任务。本项目将从使用贝叶斯分类器系统对单像素值序列数据直接进行目标物体分类（无需重建物体图像），利用级联深度学习网络对低质量重建图像同时进行质量提升和智能分类，以及基于集成式多线性分类器的投影照射图案最优设计三个不同侧面，探索仅仅使用记录到的少量单像素值数据及其重建出质量较差的图像，通过监督式机器学习方法，快速准确判断出被成像目标大致是什么类别物体。过往有关单像素成像的算法研究中大多以提高目标物体成像质量和效率为首要目标，而本项目探索了此前研究者鲜有涉及的单像素成像中目标物体快速分类问题，属于光学计算成像和机器学习之间的交叉研究，在生物，医学诊断，环境监测，地理，农业，军事等领域中都有重要的实际应用价值。

单像素成像是近年来兴起的一种新型光学成像方式，不同于普通相机使用面阵传感器获取物体图像每个像素的亮度值，而仅仅使用包含单个像素的光电探测器，多次获取物体在不同投影图案照射下的整体亮度值，通过计算恢复出具有空间分辨率的物体图像。单像素成像系统通常需要较多数量投影照射和较长成像时间，才能获得清晰的重建目标物体图像。如何在投影照射数量有限，无法获得高质量重建结果情况下，对目标物体进行快速分类识别成为一个困难的任务。本项目探索仅仅使用记录到的少量单像素值数据，通过机器学习方法，根据图片训练集优化出若干数量投影图案，在极低数据采样率情况下，快速准确判断出被成像目标大致是什么类别物体，而无需进行图像重建。过往有关单像素成像的算法研究中大多以提高目标物体成像质量和效率为首要目标，而本项目探索了此前研究者鲜有涉及的单像素成像中目标物体快速分类问题，更好地表现出了单像素相机相比于普通相机的独特优势。这一光学计算成像和机器学习之间的交叉研究在新型相机、生物，医学诊断，环境监测，地理，农业，军事，信息安全等领域中都有重要的实际应用价值。在上述核心研究任务完成的基础之上，项目团队对于原计划的研究内容进行了深化和拓展，从多角度探索了单像素成像相关的智能信息处理算法，包括运动物体单像素成像，单像素成像中端到端的图像重建，基于单像素成像的图像安全系统，单像素成像中投影图案的优化设计和排序等。不仅如此，项目团队进一步将单像素成像中目标物体快速分类识别这一问题融合到模拟光学计算和隐私保护下无需成像的计算视觉两个新兴研究题目之中，为后续的研究开辟了新的方向。在项目资助下，研究团队提出的多种单像素成像中目标物体快速分类以及其它智能信息处理的方案获得了研究领域内外一定的关注，在光学领域国际期刊上发表多篇高水平学术论文，并与国内外多家实验室进行了广泛的合作交流。