[发明专利]基于数值散斑的多模光纤传输图像迁移重构算法

说明书

本发明涉及一种基于数值散斑的多模光纤传输图像迁移重构算法，该方法首先获取到实验散斑图像数据集；然后利用数值仿真方法生成仿真散斑图像数据集；接下来分析出实验散斑与仿真散斑的特性；设计融合了散斑特性的损失函数，增强U_Net网络的迁移学习能力；然后将仿真散斑输入到U_Net网络中，训练成仿真网络模型；便于后续直接利用仿真网络模型从实验散斑图像中重构出原始图像。

技术领域

本发明涉及基于数值散斑的多模光纤传输图像迁移重构算法，用来利用数值仿真数据集训练网络作为仿真模型，然后利用仿真模型来重构实验散斑图像数据集，涉及计算光学成像与图像处理领域。

背景技术

多模光纤(MMFs)由于能够通过大量的横向光模式传输图像，在生物医学内窥镜和通信领域的应用越来越有吸引力。对于生物医学内窥镜，MMF中的横向模式数代表图像中的像素数。然而，由于光在MMFs中的传播存在模态色散和模态耦合问题，当将图像模式投射到MMF的近端时，光场耦合成具有不同传播常数的不同模式，从而在远端形成类似随机散斑模式。因此，学习散斑图像与光纤输入图像之间的非线性关系成为研究者的重要研究内容。

近年来，已经有各种各样的计算成像(CI)方法被开发出来，以克服MMF固有的模态湍流，并恢复沿MMF传播并形成散斑模式时明显失真的图像。这些传统的CI方法，包括传输矩阵测量、数字相位共轭、光斑扫描成像，在理论上都是基于几何光学、波动光学等正演数学模型，通过MMF描述整个成像过程。因此，通过计算重构方法可以获得无法直接访问的图像信息。这些物理驱动CI方法的性能受到数学正演模型的准确性、反演重建算法的可靠性、真实物理成像过程的不可预测性和高维不适定逆问题求解的复杂性等因素的限制。

深度学习(DL)已被证明可以为许多分类和识别任务提供可靠的广义解决方案。近年来，DL的快速发展为计算光学成像技术在数字全息成像、傅里叶全息显微术、鬼成像、超分辨率显微术、光学相干层析成像、散射介质成像等研究领域打开了一扇新的大门。这些研究使得基于DL的CI成为数据驱动的，从而使得基于深度学习的计算成像方法高度独立于正演数学模型。

众所周知，在获取经过多模光纤后生成的散斑图像过程中，搭建实验所需光路的过程十分困难，并且在实验过程中的环境因素都需要严格控制，如：温度、光照和光纤不同程度的弯曲等因素，都会在不同程度上影响到实验结果。因此，从实验装置中获取实验散斑图像是非常困难的，于是就需要设计基于数值散斑的多模光纤传输图像迁移重构算法。

发明内容

本发明的目的是设计基于数值散斑的多模光纤传输图像迁移重构算法，以解决现如今通过实验获取散斑图像的难点。为此，本发明采用的技术方案，包括下列步骤：

1.在实际的实验装置中生成实验散斑图像数据集；

2.使用数值仿真方法仿真真实的MMF图像传输过程，由此生成数值仿真散斑图像数据集；

3.根据图像的共生矩阵，计算出五个特征作为散斑图像的评价指标；

4.构建一个7层的U_Net网络，并对网络所使用的损失函数进行修改。

5.使用数值仿真散斑数据集作为U_Net网络的输入进行训练，保存模型

6.利用已经训练好的模型从实验散斑图像中恢复出原始图像；

本发明提供一种基于数值散斑的多模光纤传输图像迁移重构算法，其优点在于：

1.由于网络使用的是针对散斑图像的损失函数，且由于深度学习神经网络的优异性能，因此实验结果相对于其他方法会更加清晰。

2.这样使用数值仿真散斑图像数据集训练网络，最终恢复出实验散斑图像的方法，可以在后续的研究中，节约采取实验散斑图像数据集的时间，效率更高。

当然，实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。

附图说明