什么是计算光学成像？如何学习计算光学成像？

计算成像是一门通过算法与光学系统的联合设计，突破传统成像物理极限的新一代成像技术。 它不再将成像简单视为光的被动记录，而是把成像过程看作一个“信息编码与计算解码”的完整系统，旨在获取超越传统手段的高维光场信息。

什么是计算成像？

为了更好地理解我们为什么需要计算成像，可以先从传统成像的局限说起：

传统成像的局限

传统光学成像遵循“所见即所得”的模式，其核心是“物”与“像”的“点对点”映射。这种“先成像，后处理”的方式，其成像能力的“天花板”由硬件（如镜头、传感器）的物理极限直接决定。为了获得更清晰、更多维的图像，只能通过制造更精密、更复杂的镜头来实现，但这往往面临技术瓶颈和高昂成本。

计算成像的核心：编码与解码

计算成像颠覆了这一传统思路，采用“先调制，再拍摄，最后解调”的方法，核心是“信息编码”与“计算解码”。

□ 信息编码 (光学调制)：在传统成像系统的光路前端（照明或光学系统）或后端（探测器），引入特殊的光学编码器件（如相位掩膜、编码孔径等），对携带目标信息的光场进行调制。这改变了“点对点”的映射，原始传感器会记录下一幅常人眼难以理解的、混合了多维信息的“中间像”。

□ 计算解码 (图像重构)：随后，利用计算机算法，对这幅已知编码方式的“中间像”进行“逆向求解”，最终从复杂的编码数据中解算出清晰、高维的目标图像。

这个流程可以清晰地用一个示意图来总结：

以当前手机摄影中常见的人像模式为例，它利用双摄像头或多摄像头从不同角度拍摄，通过算法计算视差来生成具备背景虚化效果的图像。这本质上就是一种利用计算手段增加了深度信息的计算成像应用。

计算成像的关键技术

计算成像是一个庞大的技术家族，根据信息编码和解码的方式，可以大致分为以下几类：

□ 红外与光谱成像：获取二维图像外的光谱信息，用于物质识别和分类，如成分分析、伪装识别。

□ 非视域成像 (NLOS)：利用中介面反射，通过计算光的时间信息看见拐角后的物体，可用于灾难救援、自动驾驶。

□ 光场成像：同时记录光线的位置和方向，实现先拍照后对焦，许多智能手机的人像模式便应用此原理。

□ 偏振成像：通过获取光的偏振信息，在复杂环境下提升图像对比度，如透雾、水下成像或工业检测。

□ 全息成像：记录并重建包含振幅和相位信息的光波，实现三维显示与精密测量，如显微观察。

□ 相位成像：将人眼不可见的物体相位信息转为可见的强度图像，广泛用于生物医学领域的透明细胞观测。

□ 压缩感知成像：以低于传统Nyquist采样率采集信号，从稀疏采样中高概率重建图像，显著提升效率。

□ 超分辨率成像：通过算法突破探测器物理像素极限，重建出更高分辨率图像，如今许多手机的长焦拍摄便受益于此。

□ 散射成像：利用计算技术“透过”生物组织等散射介质成像，是介观尺度无创观察的关键技术。

□ 鬼成像 (关联成像)：通过两束光的强度关联“计算”出物体图像，实现了光路与探测分离的“非定域”成像。

计算成像的核心应用

计算成像的强大能力已渗透到众多关键领域：

□ 生物医疗：实现活体细胞的高分辨观测乃至数字病理诊断，无需传统染色即可观察透明标本。

□ 天文遥感：有效校正大气湍流干扰，使地基望远镜获得接近太空的清晰宇宙图景。

□ 自动驾驶与工业检测：提供精准的三维感知，大幅提升智能系统的可靠性和精细度。

□ 消费电子：驱动手机实现人像模式、暗光拍摄、高倍变焦等计算摄影功能，带来革命性的产品体验。

□ AI技术赋能：近年来，深度学习的加入为计算成像解决了传统算法难以处理的高维病态逆问题，在成像速度、分辨率和功能性上都取得了巨大提升，已成为主流范式。

如何学习计算成像？

计算成像是一门强交叉学科，可以从以下几个方面着手建立知识体系并开展实践。

构建核心知识基础

计算成像融合了光学、数学、信号处理和计算机科学，需要打下扎实基础。

1.光学：几何光学、波动光学、傅里叶光学是基础中的基础，它们是理解光场传播、衍射和成像系统建模的核心。

2.数学：线性代数、概率论、最优化理论是求解成像逆问题、进行系统建模的主要工具。掌握傅里叶变换等常用数学变换至关重要。

3.信号处理与算法：理解图像形成、采样、滤波等概念，掌握求解逆问题方法，如正则化、迭代算法（如Richardson-Lucy算法）等，是解码图像的基础。

4.计算技术：

□ 编程：Python是目前的主流语言，MATLAB在学术界也广泛使用。

□ 深度学习框架：PyTorch是当前前沿研究的主力工具，建议重点学习。

精读核心资源

1.入门书籍：

《未来视界：计算光学带来的成像革命》：由邵晓鹏教授编写的一本科普性著作，适合零基础了解这个领域。

《计算成像》：同样由邵晓鹏教授领衔撰写的一本系统全面的教材，从信息获取和解译的角度深入分析，适合深入学习基本原理。

2.进阶宝典：

《Introduction to Fourier Optics》 (J.W. Goodman)：傅里叶光学的经典教材，学习光信息处理的理论基石。

《Computational Optical Imaging: Principle and Technology》 (Zhengjun Liu 等)：全面介绍计算光学成像原理与技术的学术专著，涵盖面广、研究深入。

3.前沿综述与在线课程：

综述论文：强烈推荐左超教授团队在《光学学报》等发表的关于“深度学习下的计算成像”的系列综述，是了解学科前沿的宝库。

大学课程：MIT（计算成像：物理与算法）、CMU（计算摄影学）、EPFL（计算光学成像）等顶尖院校均有高质量课程，是系统化学习参考。

进阶科研与实践

从经典问题入手：建议从图像去噪、去模糊、超分辨率等熟悉的低层视觉任务开始，动手实现去卷积（Deconvolution） 等经典算法，建立对逆问题求解的直观感受。

重视实践项目：理论学习与实践必须紧密结合。可以尝试亲手搭建一个简单的无透镜成像系统，或利用公开的显微图像数据集，复现一个基于深度学习的超分辨率或虚拟染色模型。

追踪科研前沿：

□ 关注团队与会议：重点关注如南京理工大学智能计算成像实验室（SCILab）、西安电子科技大学计算成像重点实验室等国内外顶尖团队的官网。ICCP (IEEE International Conference on Computational Photography) 是这个领域的顶级学术会议。

□ 跟进新范式：密切关注端到端光学-算法联合设计（俗称“光学神经网络”）等新研究范式，它可能带来更颠覆的系统性能。