發(fā)布時間：2020-11-09 03:01

　　 量子關聯(lián)成像技術,又稱為“鬼成像”,是一種起源于量子理論、利用量子的糾纏特性或光場的強度漲落特性進行成像的全新方式。與傳統(tǒng)的成像方式不同的是鬼成像可以在不包含物體的光路上恢復出物體圖像,這一特性稱為非定域性。因此,近些年來成為量子光學領域的前沿和熱點之一。論文研究了鬼成像在光學加密和物體分類中的應用方法,具體內容如下:(1)論文在基于計算鬼成像、光學加密理論的基礎上,考慮到分數(shù)階傅立葉變換具有獨特的變換階數(shù)這一特性,提出一種基于分數(shù)階傅立葉變換的鬼成像光學加密方法。在此方法中,將分數(shù)階傅里葉變換引入鬼成像,使得設計的散斑具有分數(shù)階階數(shù)的性質。用接收到的桶探測值恢復物體的像的時候,若不能準確地知道預先設定的分數(shù)階階數(shù),那么就無法恢復正確的圖像,因此分數(shù)階傅里葉變換具有加密的作用。在此基礎上,進行了相關的仿真和實驗,仿真和實驗結果證明了基于分數(shù)階傅立葉變換的鬼成像光學加密方法的可行性,并且具有很高的成像安全性。(2)物體分類一直是機器學習和深度學習的核心問題,論文將鬼成像技術應用于物體的分類中,提出一種基于線性判別分析的鬼成像物體分類方法。與傳統(tǒng)的物體分類方法不同的是,本方法首先需要設計出用于特定任務的散斑,然后可以在不需要事先得到未知物體的圖片便可對未知物體進行分類;同時通過理論分析可知用該方法進行鬼成像時,照射的散斑次數(shù)較少,即只需物體的類別數(shù)減一個散斑。論文對本文提出的方法進行了手寫體數(shù)字識別的仿真,根據(jù)美國國家標準技術研究所混合數(shù)據(jù)庫(Mixed National Institute of Standards and Technology data base,MNIST)設計出用于鬼成像物體分類的散斑。仿真結果表明,對于十類手寫體數(shù)字的分類識別,本文所提出的方法僅僅使用9個散斑就能以96.91%的準確率對未知數(shù)字圖像進行分類。
【學位單位】：南京郵電大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：TP391.41;O431.2
【部分圖文】：

便于更快地將該技術投入實際的運用，因此熱光鬼成像的研學信息處理高速且多維度隱藏信息的特點使其在信息加密領域也方法的數(shù)據(jù)加密技術[13-20]近年來成為研究熱點，尤其是以雙隨機方法以其良好的性能正得到越來越廣泛的運用。此外，物體分類個經(jīng)典的問題。將一個未知物體的圖像輸入到某種物體分類的機器對應的物體分類結果，即得到物體的類別信息。鬼成像基本理論上的光學成像是通過探測器直接記錄物體的反射或者透射光強，者相位信息進行關聯(lián)就能得到物體的像。而鬼成像與傳統(tǒng)成像不階關聯(lián)，通過對多個探測器的探測結果進行一個符合計數(shù)的關聯(lián)典熱光鬼成像的原理如圖 2.1 所示。

源包含大量彼此獨立發(fā)光的子光源，而且這些子光源（原子、分子）隨機出熱光。熱光源的各個發(fā)光子光源的位隨機差是隨機變化的且光場強度服此人們發(fā)現(xiàn)，常見的熱光源的漲落速度太快，實驗測量設備并不能滿足鬼要求；并且，自然界中的熱光源光強相對較低，這導致儀器設備很難捕捉。解決上述問題，研究人員提出了一個猜想：假若可以通過人為的調制制備擬熱光源，是否就能解決熱光源漲落速度太快和光強弱的問題從而用于鬼rtienssen 等人在 1964 年制備出了一種可以模擬熱光的人造光源，由于這種擁有相似的統(tǒng)計特性，因此被稱作為贗熱光。這種光源制備過程很簡單，射一塊旋轉且轉速可調的毛玻璃就可以獲得，這種人為可控的贗熱光源的動了熱光鬼成像的實現(xiàn)。 年，Scarcelli 等人便通過采用人為控制的贗熱光源實現(xiàn)了熱光源鬼像的實圖 2.2 所示：

圖 2.3 空間光調制器鬼成像實驗方案當 / 1（D=2M+1）時，即此時處于遠場情況，由于光場 ( , )在 SLM 中的作可以通過計算得到物體平面處的光場分布 ( , )和掃描探測器坐標點所在平面的 ( , )的相干函數(shù)表達式，可表示為下式所示： ( ) = | |/式(2.17)中，其中 ≈ 和 ≈ 必須都滿足聯(lián)合高斯分布條件。因此我們可以在2 20 2 122( )/21 200 1 0 20 1 0 2,0 1 20 1 2,'( , ) ( )2sin( / 2 ) sin( / 2 )/ 2 / 2sin[ ( ) / 2 ]sin[ ( ) / 2 ]ik Lu x yu x yP dK eD Lk du L k du Lk du L k du Lk D u u Lk d u u L-=== ′ ÷ ÷è -′ ÷ -÷è r rr rl
【相似文獻】

相關期刊論文 前10條

1 張起榮;陳善雄;余廷忠;王燕;;二維合并雙向可調拉普拉斯逆線性判別分析算法[J];貴州工程應用技術學院學報;2017年03期

2 馬家軍;;針對人臉個體差異性的核線性判別分析[J];商洛學院學報;2016年02期

3 馬馮艷;;主分量分析和線性判別分析在分類問題中的應用[J];科技視界;2015年13期

4 王金甲;胡備;;腦機接口的廣義核線性判別分析方法研究[J];中國生物醫(yī)學工程學報;2012年01期

5 高建強;范麗亞;;模糊線性判別分析中距離對面部識別的影響[J];井岡山大學學報(自然科學版);2012年03期

6 鄭秋梅;呂興會;時公喜;;基于雙向二維直接線性判別分析的人臉表情識別[J];中國石油大學學報(自然科學版);2010年05期

7 楊昔陽;;基于模糊線性判別分析的控制規(guī)則約簡[J];泉州師范學院學報;2010年06期

8 劉笑嶂;馮國燦;;多重核線性判別分析及其權值優(yōu)化[J];計算機應用;2009年09期

9 胡煜;;線性判別分析和主分量分析法應用于基因芯片數(shù)據(jù)分析[J];海南廣播電視大學學報;2007年04期

10 姚棣榮;;逐步非線性判別分析[J];科技通報;1988年03期

相關博士學位論文 前10條

1 劉笑嶂;核方法的若干關鍵問題研究及其在人臉圖像分析中的應用[D];中山大學;2010年

2 潘志斌;半監(jiān)督排序的若干關鍵問題研究[D];華中科技大學;2014年

3 袁大林;代謝組學與中藥研究中復雜體系的解析方法及應用研究[D];中南大學;2010年

4 劉忠寶;基于核的降維和分類方法及其應用研究[D];江南大學;2012年

5 劉俊;人臉圖像的子空間表示研究[D];南京航空航天大學;2007年

6 張明錦;基于特征選擇的多變量數(shù)據(jù)分析方法及其在譜學研究中的應用[D];華東理工大學;2011年

7 文穎;數(shù)字、字符識別及其應用研究[D];上海交通大學;2009年

8 尹學松;半監(jiān)督聚類分析策略設計及其拓展性研究[D];南京航空航天大學;2009年

9 沈道義;基于最小化訓練誤差的子空間分類算法研究[D];中國科學技術大學;2008年

10 趙松;人臉識別中的姿態(tài)估計、識別算法和融合算法的研究[D];中國科學技術大學;2009年

相關碩士學位論文 前10條

1 車志勇;基于線性判別分析（FDA）的遷移學習方法[D];廣東工業(yè)大學;2019年

2 陳莎;基于鬼成像的光學加密及物體分類方法研究[D];南京郵電大學;2019年

3 滕君;基于度量學習的行人再識別技術研究[D];重慶郵電大學;2018年

4 王馨彤;函數(shù)型線性判別分析[D];新疆大學;2019年

5 董良;基于線性判別分析與特征加權支持向量機的選股模型研究[D];河北工業(yè)大學;2016年

6 郭月;基于正交線性判別分析的高光譜空譜聯(lián)合分類方法[D];遼寧工程技術大學;2018年

7 雷振風;基于噪聲比LDA和類內隸屬度KNN的蛋白質亞細胞定位的研究[D];云南大學;2017年

8 陳倩倩;基于線性判別分析與小波分析的支持向量機股票交易擇時策略[D];上海外國語大學;2018年

9 王東;改進的二維直接線性判別分析方法及在人臉識別中的應用[D];云南大學;2015年

10 劉超;非迭代三維線性判別分析及其在人臉識別中的應用[D];云南財經(jīng)大學;2016年

本文編號：2875778