如何利用單光子計數(shù)相機實現(xiàn)散射介質成像

美國麻省理工學院（MIT）媒體實驗室的研究人員已經(jīng)開發(fā)了一種新的成像系統(tǒng)：使用PF32 SPAD陣列+TDC 單光子計數(shù)相機和新的算法，測量被霧遮擋物體的距離。在實驗中，該系統(tǒng)的表現(xiàn)比人類的視覺（因人的視線很難看穿霧氣）更好，這對于自動駕駛來說是一個巨大的突破。

透過霧成像，在自動駕駛汽車、增強駕駛、飛機、直升機、無人駕駛飛機和火車等行業(yè)中具有重要應用價值和意義。透過霧成像和被霧遮擋對象反射光信號的分布（高斯）相比，透過霧成像討論的是從霧反射光信號的時間分布（Gamma）。這有助于區(qū)分從霧反射的背景光信號和從被遮擋物體反射的信號光子?；谶@一觀察，我們恢復了被密集、動態(tài)和異質霧阻擋的場景的反射率和深度。對于實際使用情況，成像系統(tǒng)采用基于LIDAR硬件，占地面積最小的光學反射模式設計。具體來說，使用單光子計數(shù)相機，對檢測到的單個光子進行時間標記。讓開發(fā)概率計算框架以在沒有先驗知識的情況下從測量本身估計霧特性。同時，基于雷達的解決方案具有較差的分辨率（由于長波長），或者具有低信噪比的時間門控。

麻省理工學院（MIT）媒體實驗室在使用PF32 SPAD陣列+TDC 單光子計數(shù)相機的時間相關數(shù)據(jù)預測目標形狀

圖（b）中的分類顯示其預測準確度> 70％

通過散射成像的傳統(tǒng)技術解決了反問題，并且受到使用多個校準參數(shù)（例如相機視場，照明位置等）調諧正向模型的需要的限制。下面重點介紹成像技術，比如在識別并分類隱藏在散射介質后面的物體，而且不隨模型訓練范圍內校準參數(shù)的變化而變化。在使用數(shù)據(jù)驅動方法，并利用卷積神經(jīng)網(wǎng)絡（CNN）來研究校準參數(shù)在訓練范圍內變化并且?guī)缀醪蛔兊哪Ｐ蜁r，而不是調整正演模型并直接反演光學散射。而在對校準不敏感的散射條件下，大大的提高了成像的穩(wěn)定性。

據(jù)悉，CNN通過蒙特卡羅（MC）模型生成的大型合成數(shù)據(jù)集進行訓練時，該模型包含主要校準參數(shù)的隨機實現(xiàn)，并在使用單光子計數(shù)相機進行評估后，對隱藏在紙張后面的人體模型的姿勢進行了預測，其中在三個姿勢中的30個測試中有23個分類正確（實際測量值準確度為76.6％） 。而這種方法恰恰為實時非視距（NLOS）成像實際應用鋪平了道路。

應用場景

• 在充滿挑戰(zhàn)的天氣中進行自主駕駛或輔助駕駛

• 飛機和直升機在濃霧環(huán)境中起飛、著陸和低空飛行

• 列車在惡劣天氣條件下以正常速度行駛

PF32 SPAD陣列+TDC 單光子計數(shù)相機是武漢東隆科技有限公司中國區(qū)總代理，它是一款32*32面陣SPAD探測器，區(qū)別于一般的SPAD面陣探測器，PF32 SPAD陣列+TDC 單光子計數(shù)相機的1024個單光子敏感SPAD像素陣列，都具有超快的55ps 時間分辨率TDC 電子元件，從而形成了一個并行的，功能強大，高度緊湊的系統(tǒng)。這種并行性讓生命科學、量子成像、激光雷達抑或是單光子成像領域的科研工作者，更加方便、簡單的獲取和驗證實驗結果。

參考文獻：

G. Satat et al.,"Object Classification through Scattering Media with Deep Learning on Time Resolved Measurement“

Optics Express Vol. 25, 17466-17479 (2017).