无监督的深度学习全息成像方法及装置.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN114972924A(43)申请公布日2022.08.30(21)申请号202210654329.4(22)申请日2022.06.10(71)申请人北京理工大学地址100081北京市海淀区中关村南大街5号(72)发明人边丽蘅朱晓勤常旭阳(74)专利代理机构北京清亦华知识产权代理事务所(普通合伙)11201专利代理师罗岚(51)Int.Cl.G06V10/774(2022.01)G06V10/82(2022.01)G06V10/44(2022.01)G06N3/08(2006.01)G06N3/04(2006.01)权利要求书2页说明书6页附图2页(54)发明名称无监督的深度学习全息成像方法及装置(57)摘要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。CN114972924ACN114972924A权利要求书1/2页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：2CN114972924A权利要求书2/2页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。3CN114972924A说明书1/6页无监督的深度学习全息成像方法及装置技术领域[0001]本发明属于计算摄像学领域。背景技术[0002]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。[0003]随着