[发明专利]一种基于神经网络的全息编码方法

权利要求书

1.一种基于神经网络的全息编码方法，其特征在于，包括如下步骤：

步骤S1、将目标复振幅分解为两个通道的实数数据，并将该实数数据作为神经网络模型的输入；

步骤S2、通过所述神经网络模型对所述实数数据进行处理，得到单通道全息编码结果；

步骤S3、将步骤S2中获取的单通道全息编码结果加载到空间光调制器上，得到输出光；

步骤S4、构建光学系统，并且将步骤S3中得到的输出光通过所述光学系统传播，最后得到单通道全息编码图恢复的目标复振幅结果。

2.根据权利要求1所述的一种基于神经网络的全息编码方法，其特征在于，所述将目标复振幅分解为两个通道的实数数据的方法具体包括：将目标复振幅分解为目标复振幅分布的实部与虚部、将目标复振幅分解为目标复振幅分布的振幅分布和相位分布或者分解为两个振幅分布相同，相位分布不相同的复振幅分布。

3.根据权利要求2所述的一种基于神经网络的全息编码方法，其特征在于，所述步骤S2中，所述神经网络模型具体通过如下方式训练得到：

步骤S201、构建数据集，具体包括：获取若干张图像，对这些若干张图像随机两两组合，得到多个组合，并且将每组中的一张图像定义为目标振幅分布，相应的，另外一张图像定义为目标相位分布，然后再将目标振幅分布和目标相位分布合成为目标复振幅分布，得到若干张复振幅分布图像，将所述的若干张复振幅分布图像按照一定比例划分为训练集和测试集；

步骤S202、构建计算模型，所述计算模型为U-Net或者ResNet，所述U-Net包括多组对称的编码器-解码器结构，所述编码器依次包括卷积层、批归一化层和ELU激活函数层，所述解码器依次包括反卷积层、批归一化操作层、负数区域斜率为0.2的LeakyReLU激活函数层；其中，所述卷积层与所述反卷积层均采用4×4卷积核且步长为2；

所述ResNet包括多个依次串联的残差块，在每个残差块中，其主过程包括：将输入依次进行3×3卷积核且步长为1的卷积操作、批归一化操作、ELU激活函数操作，并再次通过3×3卷积核且步长为1的卷积操作和批归一化操作，得到输出，然后通过设置数据通路短接的方式，将输入和输出进行叠加，最后通过ELU激活函数计算得到计算结果；

步骤S203、通过所述训练集训练所述计算模型。

4.根据权利要求3所述的一种基于神经网络的全息编码方法，其特征在于，所述步骤S203具体包括：

步骤S2031、将所述训练集中的复振幅分布图像进行对应光学逆向传播过程的预处理，得到预处理后的图像；

步骤S2032、再将所述预处理后的图像输入至所述计算模型中，得到输出结果，再将该输出结果进行对应的光学正向传播处理得到所述预处理后的图像的还原结果；

步骤S2033、将所述还原结果与所述预处理后的图像比较求得差异，再将该差异输入所述计算模型中进行反向传播，其中，在进行训练的过程中，采用基于梯度下降的优化方法进行迭代训练，直至损失函数收敛，最后，保存最终的神经网络模型。

5.根据权利要求4所述的一种基于神经网络的全息编码方法，其特征在于，所述光学逆向传播以及所述光学正向传播采用角谱衍射模型或者菲涅尔衍射模型进行模拟计算。

6.根据权利要求4所述的一种基于神经网络的全息编码方法，其特征在于，所述神经网络模型使用复变函数作为神经网络的各人工神经元的激活函数。

7.根据权利要求1-6中任一权利要求所述的一种基于神经网络的全息编码方法，其特征在于，在所述步骤S3中，所述空间光调制器采用的光源为准直相干光源，并且该光源的波长与所述神经网络模型中的波长参数一致。