[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

说明书

本发明公开了一种基于深度学习的单透镜消色差计算成像方法及系统，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；本发明采用网络模型和虚拟透镜，构建全链路可微的计算成像模型，可消除单透镜得到图像的色差；解决了现有消色差成像技术在实际成像使用中效率低、制作复杂、工程造价高、成像质量受限的问题，避免了复杂光学系统设计，实现了单透镜的高保真宽光谱消色差成像。

技术领域

本发明涉及光学成像技术领域，具体涉及一种基于深度学习的单透镜消色差计算成像方法及系统。

背景技术

在现代相机设计中，小型光学系统的宽光谱消色差成像是非常重要的。即使传感器已经大幅小型化，但复杂的光学镜头导致了整个相机很难做到很小。很难在使用简单光学系统，比如单片透镜的情况下拍摄得到高保真图像。因为单片透镜的色差会导致严重的图像模糊。色差是由于透镜材料对不同波长光的折射率不同，导致不同波长下对于同一物体的成像位置和放大倍率不同。传统光学设计至少采用两片透镜来实现色差补偿，通过高折射率和低折射率的透镜互补来抵消色差，但会增大光学系统的体积。在传统光学设计方法的基础上，减小光学系统的尺寸是一种非常可靠和有效的方法。例如，超透镜由于其结构厚度在波长尺度或以下，在小型光学成像系统方面具有很大的优势。但基于光学超透镜设计的方法对设计师的经验要求较高，制造成本较高。

计算成像是通过光学系统和后处理算法的协同设计实现消色差成像的另一种方法。通过设计光学系统对光场进行编码，再利用后期图像处理算法从拍摄的图像中解码出所需的信息。随着人工智能技术的蓬勃发展，深度学习在求解含有噪声的病态逆问题方面展现出巨大优势。并且深度学习的引入也逐渐成为推动计算成像这一领域发展的核心力量。通过将前端光学系统设计和后期图像重建网络优化相结合，现有计算成像方法实现了较好的小型光学系统消色差图像，但是这些方法设计的透镜一般为衍射透镜，制作过程较为复杂。

现有解决方案，如超透镜能够在亚波长分辨率下调整光的性质，使其有希望用于开发平面光学元件。通过精细设计的亚波长结构，使得不同波长的光的折射角相同，从而汇聚到同一点。超透镜实现了从可见光波段的消色差成像。与传统的多透镜相比，超透镜以更小的尺寸聚焦入射光，实现单片透镜的消色差成像。传统的多片透镜组则依赖于多个光学材料上的球面或非球面来获得所需的渐变相位。但是这种超透镜设计需要非常专业的光学设计知识及经验，并且对加工工艺也提出了很高的要求；设计难度大，加工成本高；并且超透镜设计好了之后只能针对于特定的成像任务，比如消色差成像的只针对特定的波段范围。

如消色差衍射透镜通过设计特殊的衍射光学元件，使得对于不同波长的PSF分布相同。这一特性保证了良好的颜色特征，并有助于在后续的快速两步反卷积算法中校正拍摄图像的残留像差，无需额外的颜色先验。但是这种定制衍射透镜需要考虑实际制造过程中引入的误差，导致其成像特性和理想存在一定的偏差，影响后期算法的重建质量。该方法所采用的传统反卷积算法严重依赖于前端光学系统的设计，耦合性高，成像质量不高。

如基于深度学习的衍射透镜消色差成像方法将衍射透镜的面形参数作为变量和图像重建网络中的参数一起优化，将光学和深度学习网络结合，实现端到端的光学系统设计和图像重建。需要什么样的光学系统和重建算法由二者互相决定，只需对最终的结果进行约束。但是这种优化得到的理想透镜和实际制造的透镜之间的误差会影响网络的重建质量，并且定制成本高，受限于实际的光学材料，应用场景较窄，设计的透镜只能应用于专一领域，不能进行二次利用。

发明内容

本发明针对现有技术存在的问题提供一种基于深度学习的单透镜消色差计算成像方法及系统。

本发明采用的技术方案是：

一种基于深度学习的单透镜消色差计算成像方法，包括以下步骤：