[发明专利]基于深度学习的散射成像装置和方法

权利要求书

1.一种基于深度学习的散射成像装置，其特征在于，包括准直光源(1)、第一透镜(2)、第二透镜(3)、线偏振片(4)、空间光调制器(5)、分束镜(6)、第三透镜(7)、散射介质(8)、光电探测器(9)、图像重建模块(10)；

所述准直光源(1)、第一透镜(2)、第二透镜(3)、线偏振片(4)、分束镜(6)依次沿第一光轴设置，所述空间光调制器(5)、第三透镜(7)、散射介质(8)、光电探测器(9)沿第二光轴设置，第一光轴与第二光轴在分束镜(6)处相交且第二光轴垂直于第一光轴方向，其中，散射介质(8)设置在第三透镜(7)的焦平面上；

图像重建模块(10)用于根据光电探测器(9)记录的散斑信息对散斑图像重建；所述图像重建模块(10)由混合神经网络构成，所述混合神经网络包括依次连接的第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第一重构层、第一丢弃层、第一全连接层、第二丢弃层、第二全连接层、上采样层、第四卷积层、第五卷积层和第六卷积层；

所述第一卷积层采用3*3的卷积核，对输入散斑图提取特征边缘、线条和角等层级，所述第一池化层对第一卷积层提取的特征图进行压缩，得到32*32*16的三维特征图；所述第二卷积层采用3*3的卷积核，从第一卷积层提取的特征中迭代提取特征，并经过第二池化层压缩，得到16*16*32的三维特征图；第三卷积层采用3*3的卷积核，从第二卷积层提取的特征中迭代提取特征，并经第三池化层压缩得到8*8*64的三维特征图；所述第一重构层将8*8*64的三维特征图拉直成1*4096的向量，所述第一丢弃层，通过忽略全连接层中的部分神经元节点，有效防止神经网络过拟合现象；所述第一全连接层设置1024个神经元，后面紧接第二丢弃层，用来防止神经网络过拟合；所述第二全连接层设置196个神经元；第二全连接层中的每个神经元与其前一层的所有神经元进行全连接，用于整合卷积层和池化层中具有类别区分性的局部信息，最终得到1*196向量；第二重构层将1*196向量变为14*14*1的三维特征图；上采样层将14*14*1的三维特征图放大为28*28*1的三维特征图；第四卷积层，采用3*3的卷积核，从28*28*1的三维特征图提取抽象特征，得到28*28*32的三维特征图；第五卷积层采用1*1的卷积核，对第四卷积层输出的28*28*64三维特征图进行降维，得到28*28*16的三维特征图；第六卷积层采用1*1的卷积核，对第五卷积层输出的28*28*16 的三维特征图再次降维，得到28*28像素的图片输出。

2.根据权利要求1所述的基于深度学习的散射成像装置，其特征在于，所述混合神经网络为训练完成的混合神经网络，训练过程具体为：

将光电探测器采集的前2000张散斑图作为训练集散斑图对应的2000张MNIST手写数字原始图片作为标签集，计算损失函数，采用Adam算法优化神经网络，其中，损失函数为：

其中，y表示真实值，pred表示预测值，N表示样本数量。

3.根据权利要求1所述的基于深度学习的散射成像装置，其特征在于，所述准直光源(1)为连续型激光器。

4.根据权利要求1所述的基于深度学习的散射成像装置，其特征在于，所述散射介质(8)为毛玻璃。

5.基于权利要求1～4任一所述散射成像装置的方法，其特征在于，具体为：

步骤1、将2100张MNIST手写数字图片逐张加载在空间光调制器(5)上，进行幅度调制，用光电探测器(9)逐个记录每张图片对应的散斑图案；

步骤2、将光电探测器记录的前2000张散斑图片信息作为混合神经网络的输入，把每张散斑对应的原始图片作为标签，并将损失函数设置为MSE函数：

其中，y表示真实值，pred表示预测值，N表示样本数量；

采用Adam优化器对神经网络进行训练并保存最优权重；

步骤3、将待重建图片加载在空间光调制器(5)上，进行幅度调制，用光电探测器(9)记录待重建图片对应的散斑图案，将散斑图案输入训练好的混合神经网络，获得重建图片。