[发明专利]一种基于卷积神经网络的全息图重建方法及系统

权利要求书

1.一种基于卷积神经网络的全息图重建方法，其特征在于，所述重建方法包括：

计算目标图像反向传播的衍射场；

构建卷积神经网络模型；

将所述衍射场输入到所述卷积神经网络模型中，得到纯相位全息图；

采用高衍射级角谱法计算所述纯相位全息图的(0th,1st)衍射级处的重建图像；

获取纯相位全息图重建图像的振幅信息和目标图像的振幅信息；

基于所述纯相位全息图重建图像的振幅信息和目标图像的振幅信息确定损失函数；

将所述损失函数反向传播更新所述卷积神经网络模型的参数；

获取训练集；

采用所述训练集训练所述卷积神经网络模型；

重复以上步骤，直到损失函数不再下降，得到更新后的卷积神经网络模型；

将待处理的图像输入至所述更新后的卷积神经网络模型得到纯相位全息图。

2.根据权利要求1所述的基于卷积神经网络的全息图重建方法，其特征在于，所述计算目标图像反向传播的衍射场具体采用以下公式：

其中，F{·}和F^-1{·}分别表示傅里叶变换和傅里叶逆变换，U₀(x,y)表示目标图像的光场，λ表示参考光的波长，f_x和f_y是衍射场分别在x方向和y方向上的空间频率，是表示逆向衍射过程中的光学传递函数，L(f_x,f_y)表示带宽限制函数，z表示目标图像与成像平面的距离。

3.根据权利要求1所述的基于卷积神经网络的全息图重建方法，其特征在于，所述卷积神经网络模型包括：输入层、第一上采样层、第二上采样层、第三上采样层、第一下采样层、第二下采样层、第三下采样层以及输出层，所述输入层、第一上采样层、第二上采样层、第三上采样层、第一下采样层、第二下采样层、第三下采样层以及输出层依次连接。

4.根据权利要求1所述的基于卷积神经网络的全息图重建方法，其特征在于，所述采用高衍射级角谱法计算所述纯相位全息图的(0th,1st)衍射级处的重建图像具体采用以下公式：

其中，F{·}和F^-1{·}分别表示傅里叶变换和傅里叶逆变换，t(x,y)表示纯相位全息图的透过率函数，表示在全息图被照亮后，包含相位信息的透射光沿方向传播，λ表示参考光的波长，f_x和f_y是衍射场分别在x方向和y方向上的空间频率，表示正向衍射过程中的传递函数，L(f_x,f_y)表示带宽限制函数，z表示目标图像反向传播至目标平面的距离。

5.根据权利要求1所述的基于卷积神经网络的全息图重建方法，其特征在于，所述损失函数的表达式为：

其中，|U′(x,y)|表示重建图像的振幅信息，|U₀(x,y)|表示目标图像的振幅信息。

6.一种基于卷积神经网络的全息图重建系统，其特征在于，所述重建系统包括：

衍射场计算模块，用于计算目标图像反向传播的衍射场；

神经网络构建模块，用于构建卷积神经网络模型；

纯相位全息图确定模块，用于将所述衍射场输入到所述卷积神经网络模型中，得到纯相位全息图；

重建图像计算模块，用于采用高衍射级角谱法计算所述纯相位全息图的(0th,1st)衍射级处的重建图像；

振幅信息获取模块，用于获取纯相位全息图重建图像的振幅信息和目标图像的振幅信息；

损失函数确定模块，用于基于所述纯相位全息图重建图像的振幅信息和目标图像的振幅信息确定损失函数；

参数更新模块，用于将所述损失函数反向传播更新所述卷积神经网络模型的参数；

训练集获取模块，用于获取训练集；

训练模块，用于采用所述训练集训练所述卷积神经网络模型；

循环模块，用于重复以上模块，直到损失函数不再下降，得到更新后的卷积神经网络模型；

图像重建模块，用于将待处理的图像输入至所述更新后的卷积神经网络模型得到纯相位全息图。