基于深度范圍選取的單光子激光雷達高效率圖像重建算法

孟凡星，張同意，康巖，薛瑞凱，王曉芳，李薇薇，李力飛

（1 中國科學(xué)院西安光學(xué)精密機械研究所 瞬態(tài)光學(xué)與光子技術(shù)國家重點實驗室，西安 710119）

（2 中國科學(xué)院大學(xué)，北京 100049）

0 引言

主動光學(xué)成像系統(tǒng)憑借自身的照明可在夜晚、水下、濃霧等低照度環(huán)境下實現(xiàn)目標探測，更重要的是其可獲得目標的距離信息，譬如三維成像激光雷達。相比于被動成像系統(tǒng)具有更強的魯棒性和全天時成像能力，廣泛應(yīng)用于遙感測繪、生物醫(yī)學(xué)成像、城市建模等領(lǐng)域［1-5］。光子計數(shù)激光雷達三維成像技術(shù)是一種新型主動成像激光雷達技術(shù)，具有單光子的探測靈敏度，與時間相關(guān)單光子計數(shù)（Time-correlated Single-photon Counting，TCSPC）技術(shù)結(jié)合能實現(xiàn)皮秒的高時間分辨率，從而進行高距離分辨率三維成像［6-11］。時間相關(guān)單光子計數(shù)激光雷達的傳統(tǒng)工作方式是通過向目標重復(fù)發(fā)射激光脈沖，探測每個激光脈沖反射回來的光子并進行計數(shù)累積。當(dāng)目標的每個像素點都累積成千上萬回波光子后，可以抑制背景噪聲光子和探測器暗計數(shù)的不利影響，降低光子飛行時間抖動帶來的距離不確定性，測距精度可達毫米甚至微米，從而獲得遠距離目標的高分辨三維圖像。但這種傳統(tǒng)的重復(fù)測量工作方式需要很長的數(shù)據(jù)采集時間，限制了其在城市建模、動態(tài)目標遙感等的實際應(yīng)用。在沒有足夠長的數(shù)據(jù)采集時間，只獲得極少回波光子數(shù)據(jù)的情況下，如何從低信噪比、極少回波光子的數(shù)據(jù)重建高精度三維圖像成為時間相關(guān)單光子計數(shù)激光雷達當(dāng)前亟待解決的問題。

為解決上述問題，2014 年，美國麻省理工學(xué)院的KIRMANI A 等［12］提出了首光子成像方法，該方法用激光脈沖逐像素照射目標，每個像素只記錄第一個光子計數(shù)事件，通過建立首光子的探測概率模型，利用每個像素探測到首個光子前系統(tǒng)所發(fā)射的激光脈沖個數(shù)，以及所探測光子的飛行時間來重構(gòu)目標反射率和距離圖像，并利用場景相鄰像素距離和反射率相近的空間相關(guān)性先驗知識進行圖像降噪與圖像平滑處理。首光子成像在每個像素僅僅檢測到一個光子的情況下實現(xiàn)了三維成像，相比于通常每個像素需要幾十、幾百甚至成千上萬光子才能成清晰的圖像，光子的利用效率大大提升。但首光子成像方式每個像素所需的數(shù)據(jù)采集時間是不確定的且不同像素所需的時間也不相同，使得該成像算法無法直接應(yīng)用于采用陣列單光子探測器的系統(tǒng)，因為對于陣列探測器，所有像素的光子收集時間是相同的，但每個像素上的光子計數(shù)數(shù)目卻不同。2015 年SHIN D 等［13］通過修改首光子成像的探測模型，采用逐像素等時掃描工作方式，實現(xiàn)了平均每像素一個光子的高光子效率目標三維重建，并在2016 年實現(xiàn)了基于陣列探測器的平均每像素一個光子的目標三維重建［14］。但首光子三維成像及改進的高光子效率三維成像都僅適用于信噪比不是太低的環(huán)境，在信噪比低于1 的情況下對噪聲的濾除效果不顯著，獲得的三維圖像質(zhì)量會較差。針對信噪比低于1 的工作情況，2017 年美國波士頓大學(xué)的RAPP J 等［15］提出利用噪聲光子到達時間的均勻性和信號光子到達時間的聚集性，通過逐像素自適應(yīng)設(shè)置局域門控的方法進行信號光子和噪聲光子分離，并對空缺像素進行鄰域像素均值填充，在信噪比低至0.04、平均每像素2 個信號光子的低信噪比少光子條件下重建了目標場景的三維圖像。但該算法因為要進行逐像素自適應(yīng)局域時間窗計算，計算量非常大，圖像重構(gòu)時間太長，難以滿足快速成像的要求。

為了進一步提高對低信噪比、極少量回波光子的場景重建效果和速度，提出一種基于全局多深度范圍選取的高光子效率重建算法。該方法首先選取場景信號的范圍，剔除信號范圍外的噪聲數(shù)據(jù)。相較于傳統(tǒng)的設(shè)置全局單一門控的方法，此過程可以更準確地確定信號范圍，尤其適用于探測場景中存在多個不同深度目標的情況；而傳統(tǒng)的全局單一門控對于多個不同深度目標的情況必須把不同深度目標全部包含進來，目標之間距離間隔對應(yīng)的時間段內(nèi)的背景噪聲光子數(shù)據(jù)也會包含進來，不僅增加了噪聲帶來的距離估計精度降低，而且無效數(shù)據(jù)的擴充會增加圖像重構(gòu)的計算時間。然后針對少量回波光子造成的像素空缺問題，自適應(yīng)地進行鄰域補充，相較于固定鄰域補充能更好地解決光子稀少的問題。最后，使用總變分（Totalvariation，TV）正則化來去除信號范圍內(nèi)的殘余噪聲，進一步改善圖像質(zhì)量。仿真和實驗驗證了所提算法可用于低信噪比、極少量回波光子環(huán)境下的三維圖像重建。

1 算法原理

圖1 為單光子計數(shù)激光雷達的工作原理示意。激光器向目標重復(fù)發(fā)射激光脈沖，從目標表面返回的光子利用光電探測器探測，TCSPC 模塊將探測周期等間隔劃分為若干個時間片（Time Bin）。根據(jù)返回光子到達時刻其統(tǒng)計到不同的時間片內(nèi)，經(jīng)過一段重復(fù)探測時間后對時間片內(nèi)的光子個數(shù)進行統(tǒng)計，形成光子達到時間分布直方圖。通過解算算法從光子達到時間分布直方圖獲得光子的飛行時間，從而確定系統(tǒng)和目標之間的距離。通過單點掃描或陣列探測方式對每個像素都這樣進行大量回波光子累積，獲取每個像素的光子飛行時間分布直方圖［16-18］，進而得到場景每個像素的深度信息，完成場景三維重建。

圖1 單光子激光雷達成像系統(tǒng)示意Fig. 1 Schematic of a single-photon lidar imaging system

從光子達到時間分布直方圖獲得光子飛行時間的傳統(tǒng)解算方法是將光子到達時間直方圖與系統(tǒng)儀器響應(yīng)函數(shù)（Instrument Response Function，IRF）進行互相關(guān)計算，也稱為匹配濾波算法［19］。但該算法只適用于背景噪聲光子較少且回波信號光子充分累積的情況，對于只收集到較少回波光子的情形無法精確重建場景的距離圖像。在極少量回波光子和低信噪比的情形下，單個像素典型的光子到達時間直方圖如圖2，只稀疏地在不同的時間片中存在幾個光子探測事件，且有可能這些光子探測事件并非目標的回波光子，而是背景噪聲光子引起的。單個像素的光子到達直方圖信號聚集性和噪聲均勻性不夠明顯，在這種情況下逐像素進行直方圖與IRF 的互相關(guān)計算會導(dǎo)致獲取的深度信息很不可靠，因而需要研究針對這種情況下的高光子效率圖像重構(gòu)算法。

圖2 極少回波光子情形下單個像素典型的光子到達時間直方圖Fig. 2 Typical histogram of photon arrival time of single pixel in the case of very few echo photons

為此提出一種基于全局多深度范圍選取的高光子效率重建算法。首先把所有像素的光子到達時間數(shù)據(jù)歸并在一起，依靠全部數(shù)據(jù)形成一個總的光子飛行時間直方圖；然后對總直方圖進行信號全局距離范圍的選取，刪除各個像素點中距離范圍外的噪聲光子，并采用自適應(yīng)鄰域來補充空缺像素及光子較少像素的光子計數(shù)；最后使用TV 正則化來平滑殘余噪聲形成目標的距離和反射率圖像。整體算法流程如圖3。

圖3 整體算法流程Fig. 3 Flowchart of overall algorithm

接著結(jié)合一組低信噪比、不同量級回波光子的仿真數(shù)據(jù)［20］對所提算法進行詳細說明，重建效果及與SHIN D［13-14］和RAPP J［15］這兩種最新技術(shù)處理結(jié)果的對比分析在第2 節(jié)實驗結(jié)果部分給出。

1.1 回波光子模型

研究表明弱回波條件下目標回波光子分布滿足泊松分布［21-23］，用Pi，j(k)表示第(i，j)個像素中一個探測周期T內(nèi)回波光子數(shù)為k的概率，即

式中，λi，j為一個探測周期T內(nèi)探測器的平均響應(yīng)數(shù)，表示為

式中，η為探測器的量子效率，αi，j為第(i，j)個像素的反射率，f(t)為儀器響應(yīng)函數(shù)，Sν、Sd分別為像素(i，j)中環(huán)境光在光學(xué)操作頻率ν下引起的光通量和探測器暗計數(shù)引起的光通量。由于單光子探測器SPAD 存在死時間，對于反射回波脈沖多于一個光子的情況，SPAD 記錄到一個光子后，對后續(xù)到達的另外幾個光子會沒有記錄。在一個探測周期內(nèi)，一個有效光電子探測和多個有效光電子探測都只能記錄一個脈沖事件，因此在一個探測周期內(nèi)記錄有光子觸發(fā)事件的概率表示為

這造成了光子的到達概率與光子的探測概率不一致。光子到達時間直方圖會向較早時刻偏移，形成所謂的堆積變形，影響距離估計的準確度。為了避免探測器死時間的影響，TCSPC 通常設(shè)置成極低通量工作模式，經(jīng)驗法則是使得每發(fā)射一個脈沖，記錄到光子探測事件的概率低于5%［18，24］，即在一個探測周期內(nèi)檢測到一個光子的概率遠小于1。因此很多脈沖周期內(nèi)實際上沒有回波光子，偶爾一個脈沖會探測到一個回波光子，而具有一個以上光子的概率幾乎為零，低到可以忽略。本文關(guān)注的極少量信號回波光子的應(yīng)用場景正是這種情況，故可不考慮探測器死時間對探測概率的影響，假定光子探測概率與光子到達概率都遵從式（1）的泊松分布。

1.2 深度范圍選取

噪聲光子具有均勻分布性，偏差較大的噪聲直接通過TV 正則化處理會使圖像過于平滑。因此，首先進行全局多深度范圍選取，把目標場景所占據(jù)的一段或幾段深度范圍選定出來，把這些范圍之外所對應(yīng)的時間片中的光子計數(shù)數(shù)據(jù)刪除掉，可在后續(xù)處理過程中不被偏差較大的噪聲所影響。圖4 為深度范圍選取的流程，包括所有像素光子探測數(shù)據(jù)合并形成總直方圖，直方圖峰值搜索，潛在深度區(qū)間確定，深度區(qū)間審查，確定有效深度范圍五個步驟。

圖4 深度范圍選取的流程Fig. 4 Flowchart of depth range selection

步驟1：全局總直方圖形成。

如前所述，極少回波光子情形下單個像素典型的光子探測事件只稀疏地在不同的時間片中，且有可能這些光子探測事件并非目標的回波光子，而是背景噪聲光子引起的。因此不能逐像素單獨處理，為此，把所有像素的光子探測事件合并在一起，形成一個全局光子飛行時間的總直方圖。由于目標占據(jù)有限幾段空間，全局累積的結(jié)果，可以形成一個多峰的直方圖，如圖5（a）。

圖5 目標場景深度范圍選取原理Fig. 5 Schematic of the depth range selection of the target scene

步驟2：直方圖峰值搜索。

深度范圍需要聯(lián)合目標的直方圖峰值區(qū)間來獲得，因此首先進行直方圖峰值及峰值區(qū)間提取。全部數(shù)據(jù)直方圖具有明顯波動，為便于提取峰值位置，對直方圖進行均值濾波，這可以很大程度上減小直方圖波動，但不會造成峰值位置偏移。均值濾波前后對比如圖5（a）、（b）。在處理后的直方圖上提取M個極值作為峰值點，這是由目標、噪聲及內(nèi)反射等引起的。

步驟3：潛在深度區(qū)間確定。

逐個確定每個峰值區(qū)間的過程如圖5（c）。以第m（m>1）個峰值區(qū)間的左界限判斷過程為例，第m個峰值與基線之間的高度被N+1 等分（圖5（c）中N=19），基線高度通過對直方圖求均值獲得。從上往下依次尋找小于第n個等分線、分布在峰值左側(cè)，最近的一個點的時間bin 位置，并將這個bin 位置記為sn1。若滿足判定條件：第m-1 個峰值在(sn1，binm)區(qū)間內(nèi)，則第m個峰值左界限Lm被確定為上一等分線確定的sn1*。此過程及邊界條件由下方的偽代碼給出，右界限Rm的判定同理。

步驟4：深度區(qū)間審查。

用同樣的方法獲得以此M個峰值為中心確定的潛在信號區(qū)間右界限，為了去掉由噪聲（內(nèi)反射作為噪聲處理，但內(nèi)反射僅在實驗數(shù)據(jù)中存在）引起的峰值以獲得目標的深度范圍，對M個峰值進行審查。設(shè)置參數(shù)PRA，定義為所屬峰值區(qū)間內(nèi)光子位置標準差（用STD 表示）與所屬峰值區(qū)間內(nèi)光子數(shù)目NO 的比值，即

對飛行時間數(shù)據(jù)進行匹配濾波，根據(jù)匹配濾波結(jié)果計算審查參數(shù)。目標區(qū)域，STD 和NO 成正比，PRA也較?。辉肼暰鶆蚍植荚谡麄€場景內(nèi)，STD 大，NO 小，所以PRA 大。因此，通過PRA 可以將噪聲和信號有效地區(qū)分。對0.04 信噪比、0.3 平均信號光子（Signal Photon Per Pixel， SPPP）的保齡球模擬數(shù)據(jù)［20］進行參數(shù)審查之后可得到表1。其中，NAN 代表STD 為0，即小的噪聲波動。SPPP 定義為

表1 審查參數(shù)表Table 1 Review parameter table

式中，Ci，j表示第(i，j)個像素中信號光子的個數(shù)，Nr、Nc分別表示圖像像素的行數(shù)和列數(shù)。

步驟5：確定有效深度范圍。

對符合要求的峰值區(qū)間（表1 中第二行到第七行數(shù)據(jù)）進行連接，若前一個峰右界限與后一個峰左界限的距離小于閾值，則將兩個峰值區(qū)間連接起來。否則，不進行連接。最終，獲得深度范圍如圖5（d）。獲得深度范圍之后，將每個位置的飛行時間數(shù)據(jù)進行篩選，去除不屬于深度范圍內(nèi)的光子，完成光子篩選過程。

1.3 空缺像素自適應(yīng)補充與圖像正則化重建

針對于極少量回波光子環(huán)境中存在大面積空白像素，對篩查范圍后的飛行時間數(shù)據(jù)進行自適應(yīng)鄰域補充。如果光子數(shù)小于等于X，則不斷擴大鄰域補充光子，直到鄰域光子數(shù)大于X。X的值根據(jù)經(jīng)驗確定。一般來說，X越大，重建效果越好。然而，當(dāng)X超過某一閾值時，重建效果將不再改變。仿真數(shù)據(jù)X取10，實驗場景1 中X取40，實驗場景2 中X取20。自適應(yīng)鄰域補充的流程如圖6，對于像素(i，j)，首先進行光子計數(shù)，記為Ni，j。如果Ni，j>X，則不進行鄰域補充，否則，擴大鄰域范圍并將以(i，j)為中心的(2ω+1)2個像素的光子作為像素(i，j)的光子，其中，ω=1，2，3，…為擴大鄰域的次數(shù)。重復(fù)此過程，直至(i，j)內(nèi)的光子計數(shù)滿足Ni，j>X。傳統(tǒng)的局部鄰域補充在極少光子環(huán)境下仍會存在很多空白像素，因此自適應(yīng)鄰域補充非常必要。

圖6 空缺、少光子像素進行自適應(yīng)鄰域光子補充流程Fig. 6 Flowchart of adaptive neighborhood photon supplementation for vacant and few photon pixels

完成空缺像素自適應(yīng)補充后，通過TV 正則化圖像重構(gòu)過程可以進一步去除殘留深度范圍內(nèi)的噪聲。帶TV 正則項的最小化問題求解表達式為［13］

2 實驗結(jié)果

2.1 仿真數(shù)據(jù)驗證

為驗證所提算法的三維重建能力，通過仿真數(shù)據(jù)［20］進行了低信噪比、不同量級回波光子的重建，并與SHIN D 等［14］提出的高光子效率算法、RAPP J 等［15］提出的Unmixing 方法進行了對比。將經(jīng)過所提方法預(yù)處理的數(shù)據(jù)輸入到Unmixing 方法中進行處理（Preprocess-unmixing， PP-Unmixing），以驗證深度范圍選取這一過程的貢獻，預(yù)處理僅包括深度范圍選取。采用信噪比說明仿真條件，信噪比的定義為

即γ個重復(fù)探測周期T內(nèi)探測器對信號的平均響應(yīng)數(shù)與噪聲的平均響應(yīng)數(shù)之比。實驗中信噪比的測量可如下進行：先關(guān)閉照明激光光源，由TCSPC 獲得背景光子和探測器暗計數(shù)引起的背景噪聲計數(shù)；然后打開照明激光光源，由TCSPC 獲得信號光子與背景噪聲計數(shù)之和的總光子計數(shù)，信號計數(shù)由總計數(shù)減去噪聲計數(shù)得出；最后，SBR 用信號計數(shù)與背景噪聲計數(shù)之比給出。用均方根誤差（Root Mean Square Error ， RMSE）表征重建圖像的質(zhì)量， RMSE 的表達式為

式中，Zi，j是重建后的深度值，Truthi，j是目標真實深度值。表2 為這些重建結(jié)果的均方根誤差RMSE 和消耗時間。圖7 是四種方法在信噪比為0.04 時，對不同SPPP 數(shù)據(jù)的重建結(jié)果。圖7 和表2 僅展示部分SPPP 情況下的重建效果。

表2 信噪比為0.04 時，四種方法的重建結(jié)果隨SPPP 變化的均方根誤差和消耗時間Table 2 The RMSE and consumption time of the reconstruction results of the four methods vary with various SPPP at SBR=0.04

圖7 信噪比為0.04 時，四種方法對于SPPP 為0.1、0.5、1、2、5 的保齡球數(shù)據(jù)的重建結(jié)果Fig. 7 When SBR=0.04， the reconstruction results of the four methods for bowling data with SPPP of 0.1， 0.5， 1， 2， and 5

由圖7 和表2 可知，在信噪比為0.04 的強噪聲環(huán)境中，SHIN D 提出的方法雖然運算速度很快，但對深度范圍的估計具有較大偏差，因此場景一直淹沒在噪聲中，RMSE 也維持在米量級。Unmixing 方法對噪聲的抵抗能力較強，但在SPPP 小于2 時仍會有一些殘余噪點沒有被消除。在SPPP 為0.1 的極端環(huán)境中，Unmixing 方法的處理結(jié)果已經(jīng)不能分辨出場景信息。且該方法運算速度與SPPP 成反比，當(dāng)SPPP 為5 時，耗時達到632.3 s。PP-Unmixing 方法相較于Unmixing 方法，無論在重建效果還是運算速度方面都有提升，證明了深度范圍選取的必要性。但在SPPP 為0.1 時不能分辨場景信息。相比之下，本文所提方法在任何一種情況中都可分辨出場景邊緣，且對噪點的處理優(yōu)于其他三種方法。另外，方法平均耗時（全部數(shù)據(jù)）僅為25.1 s。該方法更適用于低信噪比和少光子環(huán)境，同時也是一種快速重建方法。

2.2 實驗數(shù)據(jù)驗證

除仿真驗證之外還開展了實驗驗證。實驗系統(tǒng)如圖8（a），照明光源是波長為532 nm、脈寬為70 ps 的脈沖激光器，型號LDH-D-TA-530（德國PicoQuant 公司）。32×32 的SPAD 陣列PF32 探測器用來接收回波光子，陣列尺寸是1.6 mm×1.6 mm，探測器每個像素自帶獨立的時間數(shù)字轉(zhuǎn)換器（Time to Digital， TDC），計時分辨率為55 ps。

圖8 實驗系統(tǒng)與目標場景Fig. 8 Experimental system and target scene

目標場景為如圖8（b）所示的傾斜街景模型，從目標到探測器SPAD 陣列距離約為3.04 m，激光脈沖重復(fù)頻率為20 MHz。在開燈環(huán)境下采集飛行時間數(shù)據(jù)，信噪比約為0.09。在此環(huán)境下，開展了多組數(shù)據(jù)的重建，這些數(shù)據(jù)的SPPP 在0.47～18.73 不等。實驗中，僅對比SHIN D 的方法、Unmixing 方法及所提的方法。部分對比結(jié)果如圖9。三種方法處理結(jié)果的RMSE 和耗時隨SPPP 的變化情況如表3。

表3 信噪比為0.09 時，三種方法的重建結(jié)果隨SPPP 變化的均方根誤差和消耗時間Table 3 The RMSE and consumption time of the reconstruction results of the three methods vary with various SPPP at SBR=0.09

由圖9 可知，SHIN D 的方法不能準確估計深度范圍，導(dǎo)致重建深度圖具有較大偏差。但由表3 可知其運算速度仍然迅速。Unmixing 方法在重建效果上優(yōu)于SHIN D 的方法，但場景不夠完整且對噪聲處理不夠徹底，在SPPP 為0.47 和0.94 時，不能分辨場景細節(jié)信息。且其運行速度很慢，最短耗時也達到81.0 s。相比之下，所提方法即使在SPPP 最小的情況下依然能夠分辨場景，且能保持0.032 m 的RMSE，最長耗時也僅為37.2 s。

除了街景場景，還對另一實驗?zāi)繕藞鼍斑M行了重建，目標場景及其深度參考真值如圖10（a），包含模擬街景：房屋、花、樹、墻四部分，以A、B、C、D 表示，從左至右兩兩間距分別為7 cm、3 cm、6 cm。目標場景距離成像系統(tǒng)約3 m，成像區(qū)域大小為10 cm×10 cm，所獲取的飛行時間數(shù)據(jù)信噪比約為0.3，其他具體實驗細節(jié)參考本課題組之前的工作［26］。

圖10 目標場景、深度參考真值及三種方法對SPPP 為0.7、 2.3、 4.4、 10.7、21.6、 108.0 的飛行時間數(shù)據(jù)的重建結(jié)果Fig. 10 Target scene， depth reference ground truth and reconstruction results of time-of-flight data with SPPP of 0.7， 2.3， 4.4，10.7， 21.6 and 108.0 by three methods

同樣地，實驗中僅對比SHIN D 的方法、Unmixing 方法及所提方法。對比結(jié)果如圖10（b）。三種方法處理結(jié)果的RMSE 和耗時隨SPPP 的變化情況如表4?？梢钥闯觯噍^于其他兩種方法，在SPPP 大于2 時，所提方法可以將樹木和花的輪廓清晰地呈現(xiàn)出來，且細節(jié)信息更加豐富，在SPPP 大于4 時，房子的輪廓及細節(jié)信息也逐漸完善。在SPPP 為0.7 的少光子環(huán)境下，所提方法雖然沒有將場景完整地重建出來，但相較于另外兩種方法在目標的完整度和重建分辨率方面仍具有明顯的優(yōu)勢。除此之外，從RMSE 和消耗時間的結(jié)果來看，SHIN D 的方法仍然保持著最快的重建速度，但RMSE 仍是最大的，Unmixing 方法的RMSE 與所提方法不相上下，但重建速度仍是最慢的。因此，總體來看所提方法在各種光子環(huán)境下的重建效果都優(yōu)于其他兩種方法。

表4 三種方法的重建結(jié)果隨SPPP 變化的均方根誤差和消耗時間Table 4 The RMSE and consumption time of the reconstruction results of the three methods vary with various SPPP

綜上，所提方法無論對仿真數(shù)據(jù)還是實驗數(shù)據(jù)的重建均具有顯著效果，證明該方法可用于低信噪比、各種光子水平的情況，在運算速度上也表現(xiàn)良好。

3 結(jié)論

本文提出并驗證了基于深度范圍選取的高光子效率重建算法。通過目標深度區(qū)間選取、空缺像素自適應(yīng)補充與圖像正則化重建兩個步驟實現(xiàn)了對噪聲的強抵抗能力，并提高了光子利用效率。其中，基于場景深度范圍選取的光子篩選可以有效地去除大部分噪聲，為后續(xù)處理過程提供較高質(zhì)量的數(shù)據(jù)。自適應(yīng)鄰域補充提高了光子利用效率，解決了極少量回波光子像素空缺問題。最后，TV 正則化過程去除了殘余噪聲，進一步提高圖像質(zhì)量。通過仿真與實驗數(shù)據(jù)測試，該方法可以在低信噪比、極少光子環(huán)境下進行目標精確三維重建，此外所提方法對場景內(nèi)存在多個深度目標的情況有較好的適用性。