[发明专利]基于convGRU-U-Net的计算鬼成像重建算法

说明书

本发明公开了基于convGRU‑U‑Net的计算鬼成像重建算法，利用相位掩模照射在目标物体上，通过桶探测器获得总光强，将总光强和对应相位掩模输入到convGRU网络中，模拟关联成像过程，直到convGRU网络的损失函数保持稳定；将上述输出结果输入到U‑Net网络中来进行图像增强，直到convGRU‑U‑Net网络的损失函数保持稳定，获得计算鬼成像的成像结果。本发明基于convGRU‑U‑Net的计算鬼成像重建算法，解决了现有技术中存在的计算鬼成像的重建效果差、重建速度低的问题。

技术领域

本发明属于量子成像与人工智能技术领域，具体涉及基于convGRU-U-Net的计算鬼成像重建算法。

背景技术

近年来计算鬼成像在低采样率下重建的质量恢复得到广泛关注。计算鬼成像是一种经典的单臂鬼成像，它利用计算机对参考臂进行仿真模拟，省去了探测光场分布的空闲光路，使得光学系统的结构更为简单、抵抗外界的干扰能力更强、像的重建更高效。但是，在低采样率下计算鬼成像传统恢复方法的恢复效果很差，甚至无法分辨出成像物体的内容。

发明内容

本发明的目的是提供基于convGRU-U-Net的计算鬼成像重建算法，解决了现有技术中存在的计算鬼成像的重建效果差、重建速度低的问题。

本发明所采用的技术方案是，基于convGRU-U-Net的计算鬼成像重建算法，具体按照以下步骤实施：

步骤1，利用相位掩模照射在目标物体上，通过桶探测器获得总光强，将总光强和对应相位掩模输入到convGRU网络中，模拟关联成像过程，直到convGRU网络的损失函数保持稳定；

步骤2，将步骤1的输出结果输入到U-Net网络中来进行图像增强，直到convGRU-U-Net网络的损失函数保持稳定，获得计算鬼成像的成像结果。

本发明的特点还在于：

步骤1具体为：

利用Hadamard矩阵生成的相位掩模作为随机相位掩模，具体表述如下：

H₁＝[1] (1)，

式(1)、(2)、(3)中，为克罗内克积；n代表阶数；H_N为N阶Hadamard矩阵的结果；

将随机相位掩模依次投影到目标物体上，通过桶探测器获得总光强，其中，第t张相位掩模得到的总光强为B_t；对总光强进行repeat操作，使其变为一个大小为32*32的图像，将图像和其对应的相位掩模均作为convGRU神经元当前状态下的输入。

将步骤1处理好的相位掩模x_t及其对应的桶探测器值B_t输入到convGRU网络中；与其上一个时刻的神经元输出结果h_t-1均作为当前时刻convGRU神经元的输入；convGRU神经元的前向传播公式如下：

z_t＝σ(W_z*[h_t-1，x_t]+b_z) (4)，

r_t＝σ(W_r*[h_t-1，x_t]+b_r) (5)，