基于鬼成像的光学加密及物体分类方法研究

基于鬼成像的光学加密及物体分类方法研究

论文摘要

量子关联成像技术,又称为“鬼成像”,是一种起源于量子理论、利用量子的纠缠特性或光场的强度涨落特性进行成像的全新方式。与传统的成像方式不同的是鬼成像可以在不包含物体的光路上恢复出物体图像,这一特性称为非定域性。因此,近些年来成为量子光学领域的前沿和热点之一。论文研究了鬼成像在光学加密和物体分类中的应用方法,具体内容如下:(1)论文在基于计算鬼成像、光学加密理论的基础上,考虑到分数阶傅立叶变换具有独特的变换阶数这一特性,提出一种基于分数阶傅立叶变换的鬼成像光学加密方法。在此方法中,将分数阶傅里叶变换引入鬼成像,使得设计的散斑具有分数阶阶数的性质。用接收到的桶探测值恢复物体的像的时候,若不能准确地知道预先设定的分数阶阶数,那么就无法恢复正确的图像,因此分数阶傅里叶变换具有加密的作用。在此基础上,进行了相关的仿真和实验,仿真和实验结果证明了基于分数阶傅立叶变换的鬼成像光学加密方法的可行性,并且具有很高的成像安全性。(2)物体分类一直是机器学习和深度学习的核心问题,论文将鬼成像技术应用于物体的分类中,提出一种基于线性判别分析的鬼成像物体分类方法。与传统的物体分类方法不同的是,本方法首先需要设计出用于特定任务的散斑,然后可以在不需要事先得到未知物体的图片便可对未知物体进行分类;同时通过理论分析可知用该方法进行鬼成像时,照射的散斑次数较少,即只需物体的类别数减一个散斑。论文对本文提出的方法进行了手写体数字识别的仿真,根据美国国家标准技术研究所混合数据库(Mixed National Institute of Standards and Technology data base,MNIST)设计出用于鬼成像物体分类的散斑。仿真结果表明,对于十类手写体数字的分类识别,本文所提出的方法仅仅使用9个散斑就能以96.91%的准确率对未知数字图像进行分类。

论文目录

  • 摘要
  • abstract
  • 专用术语注释表
  • 第一章 绪论
  •   1.1 研究背景介绍
  •   1.2 国内外研究现状
  •   1.3 论文主要内容
  • 第二章 鬼成像和光学加密及物体分类的基本原理
  •   2.1 热光鬼成像基本理论
  •   2.2 计算鬼成像基本理论
  •   2.3 光学加密的基本原理
  •   2.4 物体分类的基本原理
  •   2.5 本章小结
  • 第三章 基于分数阶傅立叶变换的鬼成像光学加密方法
  •   3.1 分数阶傅立叶变换的基本原理
  •   3.2 基于四步相移的分数阶傅立叶变换鬼成像光学加密方法
  •     3.2.1 基于四步相移的分数阶傅立叶变换鬼成像光学加密的基本原理
  •     3.2.2 仿真及实验结果分析
  •   3.3 基于三步相移的分数阶傅立叶变换鬼成像光学加密方法
  •     3.3.1 基于三步相移的分数阶傅立叶变换鬼成像光学加密的基本原理
  •     3.3.2 仿真及实验结果分析
  •   3.4 本章小结
  • 第四章 基于线性判别分析的鬼成像物体分类方法
  •   4.1 线性判别分析的基本原理
  •   4.2 基于线性判别分析的鬼成像物体分类方法
  •     4.2.1 基于线性判别分析的鬼成像物体分类方法的基本原理
  •     4.2.2 仿真结果分析
  •   4.3 本章小结
  • 第五章 总结与展望
  •   5.1 本文工作总结
  •   5.2 进一步的工作
  • 参考文献
  • 附录1 攻读硕士学位期间撰写的论文
  • 致谢
  • 文章来源

    类型: 硕士论文

    作者: 陈莎

    导师: 赵生妹

    关键词: 计算鬼成像,光学加密,分数阶傅立叶变换,物体分类,线性判别分析

    来源: 南京邮电大学

    年度: 2019

    分类: 基础科学,信息科技

    专业: 物理学,计算机软件及计算机应用

    单位: 南京邮电大学

    分类号: TP391.41;O431.2

    DOI: 10.27251/d.cnki.gnjdc.2019.000299

    总页数: 59

    文件大小: 3545K

    下载量: 117

    相关论文文献

    • [1].基于线性判别分析的室内声源定位方法[J]. 计算机技术与发展 2017(06)
    • [2].二维合并双向可调拉普拉斯逆线性判别分析算法[J]. 贵州工程应用技术学院学报 2017(03)
    • [3].针对人脸个体差异性的核线性判别分析[J]. 商洛学院学报 2016(02)
    • [4].主分量分析和线性判别分析在分类问题中的应用[J]. 科技视界 2015(13)
    • [5].基于线性判别分析的迁移学习[J]. 电子世界 2019(06)
    • [6].多特征的核线性判别分析推荐方法[J]. 东南大学学报(自然科学版) 2019(05)
    • [7].线性判别分析在表征抛光布抛光效果中的应用研究[J]. 机电工程 2018(08)
    • [8].基于核线性判别分析的人脸个体差异识别算法[J]. 河南科学 2015(12)
    • [9].脑机接口的广义核线性判别分析方法研究[J]. 中国生物医学工程学报 2012(01)
    • [10].模糊线性判别分析中距离对面部识别的影响[J]. 井冈山大学学报(自然科学版) 2012(03)
    • [11].基于双向二维直接线性判别分析的人脸表情识别[J]. 中国石油大学学报(自然科学版) 2010(05)
    • [12].基于模糊线性判别分析的控制规则约简[J]. 泉州师范学院学报 2010(06)
    • [13].多重核线性判别分析及其权值优化[J]. 计算机应用 2009(09)
    • [14].线性判别分析的红外光人脸表情识别[J]. 激光杂志 2017(05)
    • [15].基于改进局部线性判别分析的化工系统状态监测方法[J]. 计算机集成制造系统 2016(04)
    • [16].局部线性判别分析及其在掌纹识别中的应用[J]. 光电子.激光 2010(12)
    • [17].非相关线性判别分析用于蛋白质组数据的分类及特征挑选(英文)[J]. 计算机与应用化学 2009(12)
    • [18].基于线性判别分析的加权零空间算法及在人脸识别中的应用[J]. 山东大学学报(工学版) 2009(06)
    • [19].线性判别分析和降维方法应用于基因芯片数据分析[J]. 甘肃联合大学学报(自然科学版) 2008(01)
    • [20].基于最优均值的鲁棒线性判别分析的人脸识别[J]. 电子世界 2020(09)
    • [21].极速非线性判别分析网络[J]. 数据采集与处理 2018(03)
    • [22].基于近红外光谱分析技术的水蜜桃产地溯源[J]. 江苏农业学报 2020(02)
    • [23].改进的双边二维线性判别分析的手背静脉识别[J]. 吉林大学学报(信息科学版) 2017(01)
    • [24].多尺度统计线性判别分析的运动行为检测[J]. 探测与控制学报 2017(03)
    • [25].基于偏最小二乘线性判别分析的遗传算法在代谢组学特征筛选中的应用[J]. 中国卫生统计 2013(04)
    • [26].核方法的对比研究及在步态识别中的应用[J]. 智能系统学报 2011(01)
    • [27].基于类内加权的线性判别分析改进算法[J]. 舰船电子工程 2018(07)
    • [28].基于概率线性判别分析的可扩展似然公式化人脸识别[J]. 科学技术与工程 2014(06)
    • [29].一种基于广义奇异值分解的无关联线性判别分析算法[J]. 绵阳师范学院学报 2010(05)
    • [30].权重随机正交化的极速非线性判别分析网络[J]. 计算机技术与发展 2018(01)

    标签:;  ;  ;  ;  ;  

    基于鬼成像的光学加密及物体分类方法研究
    下载Doc文档

    猜你喜欢