?

總的來說：問題比較復雜，不是工程層面的，還是科研層面的，需要摸索嘗試解決問題。感覺而不是現有的成熟方案直接可以解決的。

這個問題關鍵是研究這個介質膜，這個介質膜是一個小塊陣列，每個陣列分布和散射情況假設一致。完全類似毛玻璃，因為不同毛玻璃的散射程度不同。他們實際上都有一個最小的完全隨機散射單元。

我覺得搞清楚這個膜的作用是什么，有沒有可能換成一些替代品，這樣可能更方便的恢復圖像。

?

考慮可能方案：

方案一：利用不同角度照明下散射的光強分布差異

步驟如下：

利用激光束從不同角度投射到漫射屏同一位置，檢測該位置物體，反射再散射返回的光強分布。

傳感器記錄下不同角度激光照射下所激發的光強度，看似隨機的模式好像與檢測物無相似之處。

得到多張不同角度散射的光強分布圖，計算機搜索檢測模式的相似處，計算出檢測物真實形狀。

恢復算法參考：Nature,2012,Non-invasive imaging through opaque scattering layers

?

方案二：類似曹輝光譜儀和吳多模實驗（考慮局部隨機散射，小區域內成像）

先在介質膜后放置一個均勻純色背景圖案。

壓縮照明結構光，使得結構光大小約等于介質膜上一個隨機散射單元。

不同結構光分別照射介質膜，得到反射之后的光強分布。

根據光強分布求單元散射介質的傳出矩陣（隱含散射規律）。

添加物體后，通過傳輸矩陣可以計算恢復圖像。

（這個咱們都比較熟悉，就不放參考文獻了）

?

方案三：全局不完全隨機散射

先在介質膜后放置一個均勻純色背景圖案。

大結構光照射介質膜大片區域反射回成像。

不同結構光分別照射介質膜，得到反射之后的光強圖像分布。

因為是不完全隨機散射，通過多次入射不同結構光和得到相應的圖像分布。可擬合出經過介質膜對圖像的傳播的影響傳遞函數。建立映射關系的算法，可參考傳統逆濾波算法和主流機器學習算法。

得到傳遞函數之后，就可以再放置物體后，還原物體圖案。

?

方案四：利用時間反轉原理隨機介質成像

該方案我了解的很少，目前只是皮毛。對我來說可能還需要好好研究研究才行。

但是該方案確實可以解決類似問題。

參考文獻：

Hiding scattering layers for noninvasive imaging of hidden objects

Deep tissue fluorescence imaging using time-reversed light

隨機介質場景下的時間反轉成像效果分析

?

方案五：單像素透過介質成像

下圖是別人paper中的圖，我認為有非常大的參考價值。

改成反射式。

結構光打到物體之前經過一次介質。這里是問題的關鍵，能把這次經過介質后的結構光的樣子仍然提前記錄下來，或者通過傳遞函數求出來。就實現了我們已知的結構光打到物體上。

再反射回來，再經過介質膜，這次經過介質膜對系統沒有任何影響，反而更好，因為后面是單像素了，只需要獲得一個強度和即可。

重復結構光照明，單像素算法即可恢復。

參考文獻：Compressive imaging in scattering media?

?

?

總結

以上是生活随笔為你收集整理的透过散射薄膜成像方案整理的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。