[发明专利]无监督的深度学习全息成像方法及装置

权利要求书

1.一种无监督的深度学习全息成像方法，其特征在于，包括以下步骤：

采集待训练目标的全息图；

通过将所述全息图在自由空间传播获取对应的全息子图，并构建包含所述全息图和所述全息子图的数据集；

构建输入是所述全息子图，输出是所述全息图的神经网络，使用所述数据集对神经网络进行训练，获取训练完成的神经网络。

2.根据权利要求1所述的方法，其特征在于，还包括：

采集待恢复目标的全息图；

将所述全息图输入所述训练完成的神经网络，输出重建的所述待恢复目标的图像。

3.根据权利要求1所述的方法，其特征在于，所述通过将所述全息图在自由空间传播获取对应的全息子图，包括：

通过计算机模拟的形式，将所述全息图在自由空间中传播距离d，获得距离样本为2d的全息子图，进而构建包含所述全息图和所述全息子图的数据集。

4.根据权利要求1所述的方法，其特征在于，所述使用所述数据集对神经网络进行训练，包括：

将全息图数据集作为所述神经网络输出端参考数据，全息子图数据集作为输入端数据输到网络中进行训练，通过预定次数的前向和反向传播，对所述神经网络的模型参数进行优化。

5.根据权利要求2所述的方法，其特征在于，所述将所述全息图输入所述训练完成的神经网络，输出重建的所述待恢复目标的图像，包括：

通过所述训练完成的神经网络的非线性表征能力和全息图之间模型信息的冗余重建所述待恢复目标的图像。

6.一种无监督的深度学习全息成像装置，其特征在于，包括以下模块：

采集模块，用于采集待训练目标的全息图；

构建模块，用于通过将所述全息图在自由空间传播获取对应的全息子图，并构建包含所述全息图和所述全息子图的数据集；

训练模块，用于构建输入是所述全息子图，输出是所述全息图的神经网络，使用所述数据集对神经网络进行训练，获取训练完成的神经网络。

7.根据权利要求6所述的装置，其特征在于，还包括，重建模块，用于：

采集待恢复目标的全息图；

将所述全息图输入所述训练完成的神经网络，输出重建的所述待恢复目标的图像。

8.根据权利要求6所述的装置，其特征在于，所述构建模块，还用于：

通过计算机模拟的形式，将所述全息图在自由空间中传播距离d，获得距离样本为2d的全息子图，进而构建包含所述全息图和所述全息子图的数据集。

9.根据权利要求6所述的装置，其特征在于，所述训练模块，还用于：

将全息图数据集作为所述神经网络输出端参考数据，全息子图数据集作为输入端数据输到网络中进行训练，通过预定次数的前向和反向传播，对所述神经网络的模型参数进行优化。

10.根据权利要求6所述的装置，其特征在于，所述重建模块，还用于：

通过所述训练完成的神经网络的非线性表征能力和全息图之间模型信息的冗余重建所述待恢复目标的图像。