[发明专利]一种基于深度学习的单透镜消色差计算成像方法及系统

权利要求书

1.一种基于深度学习的单透镜消色差计算成像方法，其特征在于，包括以下步骤：

步骤1：输入图像经单透镜成像后，通过复振幅复原网络从输入图像中恢复单透镜成像的光场复振幅分布；

步骤2：构建虚拟透镜，根据步骤1得到的复振幅分布和虚拟透镜的点扩散函数的卷积，获取虚拟透镜像面上的复振幅分布；

步骤3：根据步骤2中复振幅分布即可得到消色差图像；

所述复振幅复原网络为在U-net网络模型，U-net网络模型的最底层下采样模块中加入通道注意力模块；通道注意力模块包括最大池化层、平均池化层和两层全连接网络。

2.根据权利要求1所述的一种基于深度学习的单透镜消色差计算成像方法，其特征在于，所述复振幅复原网络最后一层为维度为N×6的卷积核，包括三个复振幅A和三个相位组成一个三通道的复振幅分布从输入的图像中恢复出的N个复振幅分布为：

式中：k为得到的第k个振幅或相位，N为维度，j为虚数符号，CWR(I)为本发明构建的复振幅复原网络CWR-Net从强度图I恢复出复振幅的过程。

3.根据权利要求1所述的一种基于深度学习的单透镜消色差计算成像方法，其特征在于，构建复振幅复原网络和虚拟透镜的成像模型，如下：

式中：k为波数，x和y为虚拟透镜平面上的坐标，为虚拟透镜引入的总相位，h为虚拟透镜点扩散函数，x₀和y₀为虚拟成像面坐标，x_i和y_i为物面坐标，j为虚数符号，d_o为物距，d_i为相距，U′为点光源经过虚拟透镜后的光场分布，P(x,y)为虚拟透镜的光圈函数。

4.根据权利要求3所述的一种基于深度学习的单透镜消色差计算成像方法，其特征在于，所述虚拟透镜像面上的复振幅分布如下：

式中：*为卷积；

步骤3中的消色差图像I_o表示为：

式中：W₃为复振幅复原网络得到的光场叠加复振幅总分布。

5.根据权利要求3所述的一种基于深度学习的单透镜消色差计算成像方法，其特征在于，所述虚拟透镜引入的总相位计算方法如下：

式中：为理想凸透镜提供的基本相位，为泽尼克多项式高度图引入的附加相位；虚拟透镜包括一个理想的凸透镜和附加的泽尼克多项式高度图；

式中：k为波数，f为虚拟透镜的焦距，x和y为虚拟透镜平面上的坐标；

式中：m(x,y)为泽尼克多项式高度图，n和n′分别是空气和镜头材料的折射率。

6.根据权利要求1所述的一种基于深度学习的单透镜消色差计算成像方法，其特征在于，所述图像在通道注意力模块中处理过程如下：

特征图分别进入最大池化层和平均池化层得到两个通道描述；

然后分别进入两层神经网络；将两层神经网络输出的两个特征相加后经过Sigmoid激活函数得到权重系数；输入特征图乘上权重系数即可得到缩放后的新特征。

7.如权利要求1～6所述任一种基于深度学习的单透镜消色差计算成像方法的成像系统，其特征在于，包括：依次设置的真实透镜、复振幅复原网络和虚拟透镜；

复振幅复原网络用于学习单透镜成像的色差信息；

虚拟透镜用于补偿单透镜色差。

8.如权利要求7所述一种基于深度学习的单透镜消色差计算成像系统的使用方法，其特征在于，包括以下步骤：

S1：构建复振幅复原网络；

S2：构建复振幅复原网络和虚拟透镜的成像模型；

S3：获取虚拟透镜面形的初始值；

S4：构建损失函数，基于反向传播梯度下降算法最小化损失函数，得到预训练复振幅复原网络和虚拟透镜的结构参数；

S5：将经过单透镜得到的有色差图像输入复振幅复原网络和虚拟透镜构成的成像模型，即可得到消色差图像。

9.根据权利要求8所述的一种基于深度学习的单透镜消色差计算成像系统的使用方法，其特征在于，所述损失函数如下：

l＝PL(I_o,I_GT)+α×MSE(I_o,I_GT)+β×SSIM(I_o,I_GT)

式中：l为损失函数，PL(I_o,I_GT)为感知损失，MSE(I_o,I_GT)为均方根误差，SSIM(I_o,I_GT)为结构相似度，α和β为权重因子，均设为0.1，I_GT为真值图像，I_o为消色差图像。