✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。
🍎 往期回顾关注个人主页：Matlab科研工作室
🍊个人信条：格物致知,完整Matlab代码及仿真咨询内容私信。
🔥内容介绍
作为计算光学成像的核心分支，单像素成像（SPI）凭借“单像素探测器+空间光调制器”的极简硬件架构，突破了传统CCD/CMOS面阵探测器在特殊波段适配、弱光环境成像等场景的局限，而傅里叶频谱采集技术的融入，更实现了其成像质量与效率的双重跃升，为该领域的实用化发展提供了关键支撑。
一、核心技术原理：傅里叶频谱采集的赋能逻辑
傅里叶单像素成像（FSPI）的核心的是依托离散傅里叶变换的数学特性，完成空间域图像与频域频谱的双向映射。其成像流程可概括为“光场调制-频谱采集-逆变换重构”三步：首先通过空间光调制器（如数字微镜器件DMD）生成傅里叶基函数编码光场，投射至待成像目标；随后由高灵敏单像素探测器捕获不同频率光场的强度信息，直接获取目标的傅里叶频谱系数；最终通过逆傅里叶变换，将频域信息还原为空间域图像。
这一技术路径的优势源于自然图像的频谱能量分布规律——图像核心信息（如轮廓、亮度）集中于低频区域，高频区域仅承载细节信息且能量占比极低。基于此，可通过非均匀稀疏采样策略优化采集效率，在低频区域密集采样保障成像质量，在高频区域稀疏采样减少冗余测量，从原理上破解了传统单像素成像“分辨率与测量次数正相关”的效率瓶颈。
二、关键突破：高质量与高效的双重实现
1. 成像质量的精准提升
傅里叶频谱采集通过正交基函数编码，有效降低了采样过程中的噪声干扰，相较于传统随机光场编码方案，大幅减少了信息丢失与伪影生成。实验数据显示，采用非均匀傅里叶采样策略对256×256分辨率目标成像时，峰值信噪比（PSNR）可达32.6dB，结构相似性（SSIM）提升至0.94，相较于哈达玛编码方案，在相同分辨率下图像细节还原度与抗干扰能力显著增强。同时，结合总变分正则化、分数扩散模型等优化算法，可在极低采样率下保持高质量成像，中科院上海光机所团队更是实现了7.5%极限采样率下相位型物体的清晰成像。
2. 成像效率的跨越式优化
依托频谱稀疏性设计的采样策略，使傅里叶单像素成像大幅减少了测量次数。传统单像素成像重建256×256图像需65536次测量，而基于傅里叶频谱采集的非均匀采样方案，可将测量次数减少60%以上，仅需26214次测量即可完成同等分辨率成像。效率提升更体现在动态场景适配中，现有技术已能在256×256分辨率下实现30Hz实时成像，对转速30r/s的动态目标成像时模糊指数仅0.18，甚至可实现14700rpm高速旋转目标81.57fps的清晰捕获，突破了单像素成像在动态监测场景的应用限制。
三、应用场景与发展前景
凭借高质量、高效及极简硬件的特性，傅里叶频谱采集单像素成像已在多领域展现应用潜力。在工业领域，可用于芯片微结构5μm级缺陷检测、涡轮机转子高速运行状态监测，检测效率较传统方法提升3倍；在医疗领域，弱光环境下的细胞分裂观测、消化道内窥镜全彩动态成像等场景中，其高信噪比与小型化潜力可满足临床需求；在特殊环境探测中，可适配红外、太赫兹等非可见光波段，实现散射环境、隐蔽目标的快速识别，为机场海关安检、无人机巡检等场景提供技术解决方案。
当前，该技术仍面临高分辨率与高帧率的权衡、强电磁干扰适应性不足等挑战。未来通过硬件-算法协同优化，如开发MEMS新型空间光调制器、融合端侧AI重构算法，结合多模态成像技术，有望实现厘米级微型化模块开发与“形态-成分”同步检测，进一步拓展其在微创医疗、空天探测等高端场景的应用边界，推动计算光学成像技术从实验室走向产业化落地。
⛳️ 运行结果
🔗 参考文献
[1] 王晨晖.基于非训练神经网络的单像素成像研究[D].辽宁大学,2023.
[2] 翟鑫亮,吴晓燕,孙艺玮,等.单像素成像理论与方法(特邀)[J].红外与激光技术, 2021(12):11-24.
[3] 肖振坤,张永峰,魏文卿,et al.基于频谱特征自适应采样的傅里叶单像素成像方法[J].Journal of Data Acquisition & Processing / Shu Ju Cai Ji Yu Chu Li, 2024, 39(2).
📣 部分代码
🎈 部分理论引用网络文献，若有侵权联系博主删除
👇 关注我领取海量matlab电子书和数学建模资料
🏆团队擅长辅导定制多种科研领域MATLAB仿真，助力科研梦：
🌈 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位
🌈 机器学习和深度学习时序、回归、分类、聚类和降维
2.1 bp时序、回归预测和分类
2.2 ENS声神经网络时序、回归预测和分类
2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类
2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类
2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类
2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类
2.7 ELMAN递归神经网络时序、回归\预测和分类
2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类
2.9 RBF径向基神经网络时序、回归预测和分类
2.10 DBN深度置信网络时序、回归预测和分类
2.11 FNN模糊神经网络时序、回归预测
2.12 RF随机森林时序、回归预测和分类
2.13 BLS宽度学习时序、回归预测和分类
2.14 PNN脉冲神经网络分类
2.15 模糊小波神经网络预测和分类
2.16 时序、回归预测和分类
2.17 时序、回归预测预测和分类
2.18 XGBOOST集成学习时序、回归预测预测和分类
2.19 Transform各类组合时序、回归预测预测和分类
方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断
🌈图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知
🌈 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻
🌈 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划
🌈 通信方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配
🌈 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测
🌈电力系统方面
微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电
🌈 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀
🌈 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别
🌈 车间调度
零等待流水车间调度问题NWFSP、置换流水车间调度问题PFSP、混合流水车间调度问题HFSP、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP
👇
)
