嵌入式处理用于扩展深度场景成像系统:从无限脉冲响应维纳波器到学习解卷.

科学领域:

• 光学和光子学 在光学和光子学.
• 数字图像处理 数字图像处理
• 计算成像技术的成像

背景情况:

• 目前用于扩展相机视野深度 (DoF) 的方法通常涉及复杂的光学元件和数字处理的联合优化,使用无限解卷或神经网络.
• 这些技术旨在改善更远距离的成像或放松传感器定位的制造公差.

研究的目的:

• 通过使用嵌入式数字处理与单一有限卷积来研究场深度 (DoF) 扩展.
• 为了比较不同的有限冲动响应 (FIR) 波器方法,包括学习和维纳波器范式.

主要方法:

• 为专注于DoF扩展的代码设计系统开发了一种光学模型.
• 采用维纳波器范式计算FIR波器系数,结合场景功率光谱密度 (无论是学习的还是建模的).
• 对比了各种FIR过器设计,并提出了一种预先优化过器尺寸的方法.

主要成果:

• 证明了DoF扩展与单一有限卷曲的可行性.
• 展示了学习的FIR过器提供了对数据集的适应性,而基于Wiener的过器提供了可比的稳定性.
• 介绍了一种在联合优化之前测量FIR过器尺寸的方法.

结论:

• 嵌入式处理与FIR过器是一个有效的策略,深度场域的扩展.
• 学习和维纳波器方法都是可行的,在适应性和稳定性方面提供了不同的优势.
• 拟议的测量方法有助于优化DoF扩展系统的FIR过器性能.