[发明专利]一种基于梯度优化的量子神经网络压缩彩色计算机全息图的方法

说明书

本发明提出了一种基于梯度优化的量子神经网络压缩彩色计算机全息图的方法，属于计算机全息图的压缩传输技术领域。本发明采用带宽限制的角谱法计算，双相位编码的方式制作彩色计算机全息图。提出梯度优化的量子神经网络在RGB色彩空间中压缩彩色计算机全息图的方法，根据不同波长计算机全息图的特点训练对应的网络模型。对于该方法解压缩的计算机全息图采用带宽限制的角谱法进行再现，并合成为彩色再现图像。本发明加速了彩色计算机全息图的压缩，并且获得了更高的解压缩彩色计算机全息图和彩色再现图像质量。

技术领域

本发明提供一种梯度优化的量子神经网络压缩彩色计算机全息图的方法，具体涉及到计算机全息图的压缩传输技术领域。

技术背景

计算机技术的快速发展给计算机全息图的制备与计算提供了更多实现的方案，但是基于计算机全息图本身是干涉条纹以及包含巨大原始物体信息量的特点，其压缩传输的方法仍是值得研究的难点问题。

2010年BP神经网络被应用于灰度计算机全息图的压缩^[1]，文章提出了一个用于全息图压缩与传输的系统，表明在低压缩比下利用神经网络的方法比DCT和DWT压缩更稳健，但是该方法的压缩速度以及重建再现图像质量仍然有限。2017年，刘梦佳^[2]等人首次将量子神经网络运用于全息图的压缩，比较了量子神经网络与BP神经网络压缩灰度计算机全息图的效果，使用量子神经网络方法具有更快的收敛速度同时改善了重建灰度计算机全息图像的质量。2019年，侯深化^[3]等人使用了初始值优化的量子神经网络用来压缩灰度计算机全息图，通过初始样本来预训练模型进一步提高量子神经网络编解码效率。目前该领域仍存在的问题是：没有提出一种用于压缩彩色计算机全息图的方法，量子神经网络反向传播过程中收敛速度和收敛效果有待进一步优化。

发明内容

本发明提出了一种梯度优化的量子神经网络压缩彩色计算机全息图的方法，可以有效地提高计算机全息图的压缩传输速度和重建质量。

本发明的原理是：采用带宽限制的角谱法制作计算机全息图，并且以双相位编码的方式编码计算机全息图。基于量子叠加原理，量子神经网络相比普通神经网络扩大了网络的寻求最优解的空间，增强了网络的非线性能力，因此借用该原理可以获得更快的计算机全息图的压缩速度和重建质量。采用梯度优化的量子神经网络对于彩色计算机全息图在RGB色彩空间中压缩，并根据不同波长计算机全息图的特点，将计算机全息图划分为不同的数据集。由于梯度下降的方式决定了网络反向传播的方向和结果，因此在量子神经网络中引入不同梯度优化算法，用以加速网络收敛、提高重建解压缩计算机全息图和再现图像质量。

本发明提供的技术方案是：

一种采用梯度优化的量子神经网络压缩彩色计算机全息图的方法，具体步骤如下：

1)采用带宽限制的角谱法计算双相位编码的方式制作计算机全息图，并采用该方法制作红、绿、蓝光计算机全息图训练集；

2)利用一位量子相移门，两位量子受控非门构建量子神经元，建立三层量子神经网络，每层之间的神经元以全连接的方式连接；

3)量子神经网络反向传播计算的过程中采用梯度下降优化算法。在RGB色彩通道中，采用梯度优化的量子神经网络并行地训练出用于压缩对应波长计算机全息图的模型，并将模型用于对应波长计算机全息图的压缩与解压缩；

4)对于量子神经网络解压缩的RGB三个通道的计算机全息图采用带宽限制角谱法进行再现，并合成彩色再现图像。

进一步地，步骤1)具体包括如下步骤：

11)在RGB色彩空间中，使用特定波长的红、绿、蓝光计算得到计算机全息图。对数据集中图像采用带宽限制的角谱法制作计算机全息图时，角谱法计算公式可写为卷积形式：

u(x,y,z)＝u(x,y,0)*h(x,y,z) (式1)