[发明专利]一种基于深度学习的菲涅尔全息图频域选通滤波方法

权利要求书

1.一种基于深度学习的菲涅尔全息图频域选通滤波方法，其特征在于，具体包括以下步骤：

（1）模拟生成待处理图片的离轴菲涅尔数字全息图，离轴菲涅尔数字全息图经过傅里叶变换后生成的频谱图作为网络训练所需样本，将数据集频谱图进行标注；

（2）引入基于深度学习的多角度特征提取网络，进行网络的测试和负一级全息图的重建，实现全息图像主要重构信息的提取；所述基于深度学习的多角度特征提取网络由三个模块组成：第一个模块是网络的深度全卷积网络，第二个模块是生成候选区域网络，第三个模块是分类器模块；

所述网络的深度全卷积模块：提取出输入图像中的特征图用于后续的生成候选区域网络层和分类识别；

所述引入生成候选区域网络：通过逻辑回归识别目标并利用边框回归对通过深度全卷积网络的识别目标进行修正获得精准的识别区域，感兴趣区域池化层收集输入的特征图和识别区域，整合信息后提取目标区域的特征图，将其送入全连接层；

所述改进后的分类器模块：通过全连接层判定目标类别并输出负一级频谱图的坐标，通过特征提取网络的输出坐标，定位到频谱图中，将正一级、零级频谱部分滤除，保留负一级图像，进行后续图像重建；

（3）采用坐标定位的方法，将全息图像主要重构信息进行提取，获得仅含有负一级信息的全息图，再通过S-FFT获得重建后的图像。

2.根据权利要求1所述基于深度学习的菲涅尔全息图频域选通滤波方法，特征在于：步骤（1）的具体过程为：首先调入物的图像，将图像大小调整为512×512，然后通过T-FFT算法数值模拟计算全息记录面上的物光场，采用不同角度的离轴记录参考光与全息记录面上的物光场发生干涉，生成大小为512×512的离轴菲涅耳数字全息图，然后通过傅里叶变换后生成频谱图，最后使用labelimg软件标注负一级频谱图像。

3.根据权利要求1所述基于深度学习的菲涅尔全息图频域选通滤波方法，特征在于：步骤（2）的具体训练过程为：将已标注负一级的多角度全息图的频谱图通过脚本转换为coco格式，然后将其输入深度全卷积网络和RPN中，其中识别矩形框的纵横比使用三种比例，分别为1：1、1：2、2：1，对于生成候选区域网络RPN的采用非最大抑制，其阈值固定为0.7，最大训练周期为12 ，批处理大小为1，采用随机梯度下降SGD优化算法，初始学习率设置为0.02。