基于粒子群优化的衍射成像系统图像恢复方法

《Advanced Optical Technologies》:PSO-based imaging restoration method for diffraction imaging systems

【字体: 大 中 小 】 时间:2026年01月08日 来源:Advanced Optical Technologies 3.0

编辑推荐:

  膜衍射成像(Membrane diffraction imaging)是当今应用最广泛的成像技术之一,具有轻量化设计、大口径、可折叠性和低成本等优势。然而,在实际应用中,由于衍射元件产生的多级衍射,系统成像质量下降。为消除衍射元件的多级衍射效应并优化成像质量,

  
膜衍射成像(Membrane diffraction imaging)是当今应用最广泛的成像技术之一,具有轻量化设计、大口径、可折叠性和低成本等优势。然而,在实际应用中,由于衍射元件产生的多级衍射,系统成像质量下降。为消除衍射元件的多级衍射效应并优化成像质量,研究人员对系统图像进行后处理。迭代优化算法(Iterative optimization algorithms)通常用于图像后处理。粒子群优化(Particle Swarm Optimization, PSO)是一种常用的迭代优化算法,常用于在解空间中搜索最优解。粒子群优化算法具有参数少、行为简单、迭代速度快的特点,可快速有效地优化成像。本文采用粒子群优化算法,对基于菲涅尔波带片(Fresnel Zone Plate, FZP)的衍射成像系统的模拟成像进行优化。基于已知点扩散函数(Point Spread Function, PSF)和系统图像来优化系统图像。在已知点扩散函数和系统成像的前提下,系统成像得以优化。与随机并行梯度下降(Stochastic Parallel Gradient Descent, SPGD)算法相比,迭代速度得到提升,迭代次数减少约99.6%。同时,经粒子群算法优化后,对比度提升约5.4%,梯度优化效果提升约25.4%。最后,将推导出的恢复模型应用于其他图像,所有评估指标均实现整体提升。
**基于PSO的衍射成像系统图像恢复方法——论文解读**

**研究背景与问题**

膜衍射成像技术(Membrane diffraction imaging)因其轻量化、大口径、可折叠和低成本等优势,自1997年提出以来,已应用于“Eyeglass”“GISMO”“MOIRE”“Falcon-7”等空间观测项目。然而,在实际应用中,衍射元件(如菲涅尔波带片FZP)产生的多级衍射导致系统成像质量显著下降,图像出现边缘模糊和细节丢失。此外,波前畸变进一步加剧了图像退化。尽管已有多种图像优化方法,如逆滤波、盲反卷积、深度学习及基于模型的增强方法,但针对FZP衍射成像模型的优化算法仍较少报道,且现有算法(如随机并行梯度下降SPGD、模拟退火SA、布谷鸟搜索)存在迭代次数高、速度慢、参数多等问题。因此,研究人员需要一种高效、快速的图像优化方法,以推动膜衍射成像系统的实际应用。本文旨在通过粒子群优化(PSO)算法结合FZP成像模型,实现快速有效的图像恢复。该论文发表在《Advanced Optical Technologies》。

**主要关键技术方法**

研究人员采用以下关键技术方法:1)基于光学仿真软件构建800 mm口径的FZP衍射成像系统,通过设置二元面相位系数、双胶合透镜参数等完成系统模拟,并获取调制传递函数(MTF)、波前、点扩散函数(PSF)及扩展目标成像数据;2)根据FZP成像特性推导成像模型,将系统图像表示为设计级次光与非设计级次光(含杂散光及噪声)的卷积和;3)将图像优化问题转化为多目标优化问题,以图像梯度和对比度作为评估函数,采用PSO算法迭代优化PSF参数;4)通过二维傅里叶变换推导快速恢复模型,将多次迭代优化得到的平均PSFopt输入该模型,实现其他扩展目标图像的快速恢复。

**研究结果与结论**

**2 成像系统与模型**
研究人员对FZP衍射成像系统进行仿真分析。通过点目标成像分析,获得PSF(爱里斑尺寸3.027 μm)、波前(像差0.132个波长,满足瑞利准则)、MTF(截止频率414 cycles/mm,中频成分与衍射极限相差9.2 cycles/mm)等指标,证实系统存在色差但聚焦性能良好。扩展目标成像显示图像存在边缘模糊和细节丢失,归因于衍射元件的多级衍射。

**2.1 FZP成像原理**
基于仿真软件构建系统,设置FZP的相位系数(通过波前像差和焦距优化)及石英基底材料,双胶合透镜采用冕牌玻璃在前、火石玻璃在后的组合计算曲率半径。系统分析表明色差导致成像质量下降,但波前像差小于1/4波长,系统传输能力接近理想成像系统。

**2.2 成像模型**
研究人员推导出FZP成像系统的数学模型:I = I0 * [PSF1×η1 + PSFn×(1?η1)],其中I为系统直接获取的图像,I0为优化结果,η1和PSF1分别为设计级次的衍射效率和PSF,PSFn为杂散光与噪声的有效PSF。该模型将图像优化转化为多目标优化问题,以梯度和对比度为评估函数,通过迭代优化PSF获得恢复图像。

**3 FZP成像模型的优化解**
研究人员将PSO算法与成像模型结合,通过速度更新公式(含记忆项、个体学习项和社会学习项)及惯性因子ω、学习因子c1、c2等参数,实现粒子群在解空间中的搜索。初始化采用二维矩阵形式,以扩展目标图像的梯度G作为算法终止条件(当梯度不再增大时停止)。

**3.1 PSO算法原理**
PSO算法通过粒子间的协作与竞争实现全局优化,速度迭代包含记忆项(惯性权重)、个体认知项和社会认知项,三者协同确保搜索能力。初始速度与种群通过随机矩阵生成,粒子位置不断更新直至满足收敛条件。

**3.2 算法仿真与分析**
将FZP系统采集的扩展目标图像和随机生成的PSF作为粒子输入PSO,设置种群大小、速度上下限、滤波半径、学习因子和惯性因子等参数。经迭代优化后,PSO恢复的图像细节更丰富、分辨率更高。与SPGD算法对比,PSO在对比度、梯度及迭代次数上均更优:迭代次数减少约99.6%,对比度提升约5.4%,梯度优化效果提升约25.4%。表1(原文表1,此处用文字描述)显示PSO的迭代次数远低于SPGD,且平均绝对误差和归一化均方误差更小。

**4 基于模型的恢复成像**
研究人员推导快速恢复模型:对成像模型两边进行二维傅里叶变换,得到I0 = IFFT2{FFT2(I) / FFT2{PSFopt}},其中PSFopt为多次迭代优化的平均PSFn。将PSO和SPGD优化后的PSFopt分别输入快速恢复模型,恢复图像并对比。

**4.1 恢复仿真**
通过二维傅里叶变换将成像模型转化为频域形式,得到优化图像解析表达式。利用PSO迭代优化得到多个PSFn,取其平均作为PSFopt,输入快速恢复模型实现非迭代快速重建。

**4.2 分析**
比较PSO和SPGD的快速恢复结果:PSO恢复的图像细节更多、分辨率更高,对比度和梯度提升更显著。表2(原文表2,文字描述)显示PSO在对比度、梯度、平均绝对误差和归一化均方误差等指标上均优于SPGD,验证了PSO在成像优化中的优越性。

**讨论与结论**
研究人员对FZP衍射成像系统的多级次仿真进行了分析,建立了结合成像模型与PSO迭代优化原理的算法。将扩展目标图像输入PSO,获得迭代优化输出图像,提取优化后的PSFn,计算多幅图像的平均PSF作为PSFopt,输入快速恢复模型以实现其他扩展目标图像的快速优化。测试结果表明:恢复的衍射图像在对比度、梯度等方面均有增强。与SPGD优化相比,PSO对系统图像的优化效果更优,效率更高。本文旨在验证衍射成像系统全仿真的可行性,后续研究将聚焦于自适应光学系统的波前校正,并计划搭建光学平台以验证FZP衍射成像系统的实际应用能力。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号