[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

说明书

本发明涉及一种基于卷积神经网络的全息图重建方法及系统，属于图像处理领域，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；将衍射场输入到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纯相位全息图的(0th,1st)衍射级处的重建图像；基于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；将损失函数反向传播更新卷积神经网络模型的参数；获取训练集；采用训练集训练卷积神经网络模型；重复以上步骤，直到损失函数整体不再下降，得到更新后的卷积神经网络模型；将待处理的图像输入至更新后的卷积神经网络模型得到纯相位全息图。本发明中的上述方法能够提高全息图的重建质量。

技术领域

本发明涉及图像处理领域，特别是涉及一种基于卷积神经网络的全息图重建方法及系统。

背景技术

全息技术可以重构物体的整个光场，提供所有的视觉信息，被认为是一种更有前途的视觉显示技术。计算全息(Computer generated holograme,CGH)是计算机技术与传统全息技术的结合，广泛应用于三维显示、虚拟现实和增强现实、光学捕获、干涉测量、显微成像等领域。

空间光调制器是全息图光学重建过程中最重要的设备，类似于显示设备的屏幕。相位型全息图比振幅型全息图具有更高的衍射效率，因此纯相位空间光调制器比振幅型空间光调制器使用更为广泛。而如何将复振幅信息转化为纯相位信息，是计算全息面临的主要问题。传统的生成方法有基于迭代的Gerchberg-Saxton(GS)算法和WirtingerHolography(WH)算法，一步编码的Double-phase Holography(DPH)算法和StochasticGradient Descent(SGD)算法等。但仍存在生成速度慢或再现质量不够理想的问题。近年来，研究者将新兴的神经网络与计算全息相结合，通过网络中巨量的结点拟合衍射场与全息图之间的关系，取得了不错的效果，但重建质量仍有待提高。

基于上述缺陷本发明提出了高衍射阶角谱法(HDO-ASM)用于高衍射阶的数值重建。与去除高衍射阶的传统方法不同，本发明选择通过使用HDO-ASM和基于U-Net的神经网络的方法，以高衍射阶来重建目标图像，所生成的全息图重建图像中几乎没有散斑噪声和条纹。

发明内容

本发明的目的是提供一种基于卷积神经网络的全息图重建方法及系统，通过使用HDO-ASM和基于U-Net的神经网络的方法，以高衍射阶来重建目标图像，提高了全息图的重建质量。

为实现上述目的，本发明提供了如下方案：

一种基于卷积神经网络的全息图重建方法，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全息图。

可选的，所述计算目标图像反向传播的衍射场具体采用以下公式：