[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

说明书

本发明公开一种基于深度学习的菲涅尔全息图频域选通滤波方法，本发明所述方法首先，采用模拟生成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；其次，特征提取网络通过学习不同角度全息频谱图零级与正负一级的关系，实现全息图像主要重构信息的提取；最后，将包含有效信息的部分滤波处理，再进行傅里叶反变换得到无干扰全息图，再通过全息图的重建获得仅含负一级的全息图，并对模拟数据进行压缩质量评估。本发明所述方法可以生成无零级和其他干扰的全息图，同时提高了全息图压缩率，解决了全息图实时重建困难、重建效果差、压缩率不足的问题。在全息三维显示、全息投影、信息安全、数字显微全息术、智能交通、医疗等领域有广阔的应用前景。

技术领域

本发明涉及一种基于深度学习的菲涅尔全息图频域选通滤波方法，适用于全息三维显示、全息投影、信息安全、数字显微全息术、智能交通、医疗等领域。

背景技术

随着光学技术的发展和信息时代的来临，全息术以精度高、成像速度快等特点被广泛的应用于实时三维显示、全息投影、信息安全、数字显微全息术等不同的领域之中。近年来，数字全息被广泛应用于三维显示技术中，致使数据量呈指数式增长，庞大的数据量和复杂的计算使得实时传输和处理变得十分困难。如何在高保真的前提下，尽可能节省全息图的存储空间和减少传输带宽需求，是一个亟待解决的问题。近年来，国内外对全息图压缩编码进行了不断的深入研究，并取得了瞩目的成果，逐渐把全息压缩编码分为基于标准、量化、变换和深度学习四大类。目前，全息压缩编码仍存在压缩算法复杂、压缩率不足、图像重建效果差、压缩编码标准不全面和真彩色场景应用难度大等问题。

发明内容

本发明的目的是针对全息图压缩率不足、压缩算法复杂、实时传输与存储困难、图像重建效果差以及目前真彩色场景对全息图的应用要求高等问题，提出了一种基于深度学习的菲涅尔全息图频域选通滤波方法。

该方法的总体流程为：给定一张图片，模拟生成该图片的离轴菲涅尔数字全息图，特征提取网络经过逐级检测提取出包含主要信息的全息图，获得无干扰全息图。首先全息图经过傅里叶变换后得到该全息图的频谱图，然后经过特征提取网络提取出频谱图中的有效信息，将包含有效信息的部分滤波处理后，再进行傅里叶反变换得到仅含负一级的全息图，最后将仅含负一级全息图重建进行质量评估。

具体包括以下步骤：

(1)通过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(FFT)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。

优选的，步骤(1)具体步骤为：首先使用手写数字图像Mnist作为调入物的图像，将图像大小从28×28调整为512×512，然后通过菲涅尔衍射积分算法(T-FFT)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，接下来先通过S-FFT 算法获得再现像然后通过FFT后生成频谱图，最后使用labelimg软件标注负一级频谱图像。

(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(Feature Maps)用于后续的生成候选区域网络(RPN)层和分类识别。

所述引入生成候选区域网络(RPN)：通过逻辑回归(Softmax)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(RoiPooling)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。