[发明专利]无监督的深度学习全息成像方法及装置

说明书

本发明提出一种无监督的深度学习全息成像方法及装置，其中方法包括，采集待训练目标的全息图；通过将全息图在自由空间传播获取对应的全息子图，并构建包含全息图和全息子图的数据集；构建输入是全息子图，输出是全息图的神经网络，使用数据集对神经网络进行训练，获取训练完成的神经网络。本发明利用深度学习的特征数据提取能力，学习测量值到测量值之间潜在的深层关系，同时解决了深度学习中真值难获取和成像保真度不足的问题，能实现大规模实时全息成像。

技术领域

本发明属于计算摄像学领域。

背景技术

全息术是一种记录并重建波前完整幅度和相位信息的传统方法。普通相机只能记录物体发出或者散射的光波的光强分布，无法记录相位。而全息技术利用了干涉原理，将物光波在某一平面的复振幅分布以干涉条纹的形式记录并储存在记录介质中，记录下的干涉条纹图样被称为全息图。当光波照明全息图时，由于衍射效应可以再现出原始物光波，形成包含原物体全部信息的立体像。但传统全息术的记录介质所需的曝光时间长，因此对装置的稳定性要求较高，且无法实时再现。

随着CCD、COMS等光敏电子成像器件参数的提高，以及高运算速度的电子计算机的应用，数字全息技术得以广泛应用，例如形状测量、缺陷识别、粒子的大小和位置测量。数字全息通过电脑实现对数字化的全息图的数值重建，并能通过数字对焦获得不同位置的波前恢复图像来用于进一步的定量分析。在过去的二十年里，有学者通过相移法从三幅或三幅以上的干涉图中提取波前的相位和振幅信息，然后利用菲涅尔变换来重构目标波前。然而，应用时间相移和获取干涉图都需要相对较长的时间，这降低了数字全息术用于实时监测的可能性。

深度学习是机器学习的一个分支，通过组合低层特征形成更加抽象的高层表征属性类别或特征，从而实现不同特征信息的提取。近年来，深度学习技术被引入到数字全息术中，并在不同领域都显示出了巨大的应用潜力。训练完成的端对端重建网络能解决实时监测的问题，但也存在深度神经网络的训练需要全息图对应的真实值做数据集，而在实际中很真值往往很难获取。同时，基于真实值训练的深度神经网络往往只能从大量训练集中学习到简单的端对端映射关系，难以学习潜在的物理模型。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的第一个目的在于提出一种无监督的深度学习全息成像方法，用于深度学习中真值难获取和成像保真度不足的问题。

本发明的第二个目的在于提出一种无监督的深度学习全息成像装置。

为达上述目的，本发明第一方面实施例提出了一种无监督的深度学习全息成像方法，包括：

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。

另外，根据本发明上述实施例的无监督的深度学习全息成像方法还可以具有以下附加的技术特征：

进一步地，在本发明的一个实施例中，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。

进一步地，在本发明的一个实施例中，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。

进一步地，在本发明的一个实施例中，所述使用所述数据集对神经网络进行训练，包括：