一种基于深度学习的全息重建算法制造技术

本发明专利技术公开了一种基于深度学习的全息重建算法，其技术特征在于：采集训练样本的离轴全息图，使用数字全息重建算法得到样本的强度图和相位图，将训练样本的同轴全息图和对应的强度图和相位图作为训练集，输入神经网络模型进行训练。训练只需进行一次，之后便可采集未知样本的同轴全息图，输入训练好的网络，恢复出强度图和相位图。该方法的优势在于光路简单，无需参考光，计算快速，没有边界条件的限制，只需一幅同轴全息图就可以恢复物体的强度和相位信息。

A holographic reconstruction algorithm based on deep learning

The invention discloses a holographic reconstruction algorithm based on in-depth learning. Its technical characteristics are: collecting off-axis holograms of training samples, using digital holographic reconstruction algorithm to obtain intensity and phase images of samples, using coaxial holograms of training samples and corresponding intensity and phase images as training sets, and input them into neural network model for training. After only one training, the coaxial hologram of unknown samples can be collected and input into the trained network to recover the intensity and phase diagrams. The advantage of this method is that the light path is simple, no reference light is needed, the calculation is fast, and there is no limit of boundary conditions. Only a coaxial hologram can restore the intensity and phase information of the object.

【技术实现步骤摘要】
一种基于深度学习的全息重建算法
本专利技术涉及光学领域，特别涉及数字全息领域。
技术介绍
由于光的频率较高，现有图像采集设备只能记录光场的强度信息而无法直接获得相位信息，因此需要借助强度信息来恢复光场的相位信息。全息干涉技术通过引入参考光波与物光波发生干涉，产生强度分布的干涉条纹来记录光场的相位信息，即为数字全息图。对于数字全息图，一般采用计算机来模拟光波的衍射过程，实现全息图的数值重建，通常基于菲涅尔衍射算法或者卷积算法，需要大量计算，相对复杂。
技术实现思路
本专利技术提出一种基于深度学习的全息重建算法，相比于现有方法，该方法光路简单，无需参考光(只在制作训练样本时使用参考光)，计算快速，没有边界条件的限制，只需一幅同轴全息图就可以恢复物体的强度和相位信息。技术方案本专利技术的技术特征在于包含训练和恢复两个阶段，分为如下步骤：a.训练阶段的步骤为：S1.使用离轴全息记录光路训练待测样本的离轴全息图，记作Hn，其中n＝1,2,3,4…k；S2.遮挡离轴全息记录光路的参考光波，采集训练样本的同轴全息图Dn，其中n＝1,2,3,4…k；S3.使用数字全息重建算法从离轴全息图Hn中计算得到训练样品的相位Pn和强度In,其中n＝1,2,3,4…k；S4.建立神经网络模型，确定网络模型参数，将待测样本的同轴全息图Dn作为网络的输入，相位图Pn和强度图In作为网络的黄金标准，对其进行训练，获得训练好的神经网络模型；b.恢复阶段的步骤为：S5.遮挡离轴全息记录光路的参考光波部分，采集待测试图像的同轴全息图D；S6.将待测样本的同轴全息图D输入训练好的神经网络，即可得到待测样本的相位信息P和强度信息I。所述步骤S1中的训练样本可以是任何可用于成像的样品，如生物组织，生物细胞等，原则上尽可能增加训练样本的种类和数量。所述步骤S1中的离轴全息记录光路可以是任何记录干涉图的光路，包含物光波和参考光波两部分。所述步骤S2中的同轴全息图可以通过遮挡离轴全息记录光路的参考光波部分直接获得。所述步骤S3中的数字全息重建算法为数字全息图的数值重建算法，通过计算可以获得全息再现像的强度和相位信息，算法可以基于菲涅尔衍射法，卷积法，迭代算法，也可以基于相移算法。所述步骤S4中的神经网络模型可以是任何用于图像转换的神经网络模型，如基于卷积神经网络的Unet等，框架可选Tensorflow,Pytorch等，网络只需训练一次，之后便可使用训练好的网络对未知样本进行无限次的全息重建。有益效果该方法恢复相位信息和强度信息只需一幅同轴全息图即可。网络只需训练一次，之后输入一幅同轴全息图便可恢复强度和相位信息，并且恢复速度快速。相比于基于强度传输方程的相位恢复方法，该方法对边界条件没有要求，物体可以位于视场的任意位置，甚至可以位于边界，例如物体只有一部分在视场内。相比于数字全息法，该方法无需参考光(只在制作训练样本时使用参考光)。附图说明图1为基于深度学习的全息重建算法的流程图；图2为实施例中使用的U形神经网络(Unet)的结构图；图3为实施例中一种基于深度学习的全息重建算法的光路图。图1中：实线部分为训练阶段，虚线部分为恢复阶段。图2中：网络结构中，下采样过程使用带有残差网络的卷积网络，上采样过程使用带有残差网络的转置卷积网络，所有卷积核大小为3x3，卷积和转置卷积后进行批量标准化和非线性激活。图3中：1-激光器，2-准直透镜，3-非偏振分光棱镜，4-反射镜，5-样本，6-反射镜，7-快门，8-非偏振分光棱镜，9-CCD相机。具体实施方式现结合实施例、附图对本专利技术作进一步描述：实施例1：一种实现本专利技术所述基于深度学习的全息重建算法的工作流程如下：采用如图3所述的离轴全息记录光路，包括：激光器1，准直透镜2，非偏振分光棱镜3，反射镜4，细胞样本5，反射镜6，快门7，非偏振分光棱镜8，CCD相机9。执行训练阶段：使用图3所示的光路，首先使快门7处于开启状态，参考光波和物光波在CCD相机9靶面干涉，采集细胞样本5的离轴全息图Hn，然后关闭快门，采集细胞样本5的同轴全息图Dn。更换细胞样本，重复上述过程，得到k个样本的Hn和Dn，其中n＝1,2,3,4…k。使用数字全息重建算法得到相应细胞的相位图Pn和强度图In，其中n＝1,2,3,4…k。将同轴全息图Dn做输入，相应的相位图Pn和强度图In做输出标准(黄金标准)，进行如图2所示神经网络模型的训练，其中网络训练参数如下：learningrate＝0.001,Batchsize＝64,Decayrate＝0.97,Epoch＝100,Shufflefrequency＝1/epoch。执行恢复阶段：训练阶段只需执行一次，就可以使用训练好的网络模型进行部署，用于全息重建。关闭快门或遮挡参考光部分，采集细胞同轴全息图D，将D输入训练好的网络得到相位图P和强度图I。本文档来自技高网...

【技术保护点】
1.一种基于深度学习的全息重建算法，其特征在于：包含训练和恢复两个阶段，分为如下步骤：a.训练阶段的步骤为：S1.使用离轴全息记录光路采集训练样本的离轴全息图，记作Hn，其中n＝1,2,3,4…k；S2.遮挡离轴全息记录光路的参考光波，采集训练样本的同轴全息图Dn，其中n＝1,2,3,4…k；S3.使用数字全息重建算法从离轴全息图Hn中计算得到训练样品的相位Pn和强度In,其中n＝1,2,3,4…k；S4.建立神经网络模型，确定网络模型参数，将训练样本的同轴全息图Dn作为网络的输入，相应的相位图Pn和强度图In作为网络的黄金标准，对其进行训练，获得训练好的神经网络模型；b.恢复阶段的步骤为：S5.遮挡离轴全息记录光路的参考光波部分，采集待测试图像的同轴全息图D；S6.将待测样本的同轴全息图D输入训练好的神经网络，即可得到待测样本的相位信息P和强度信息I。

【技术特征摘要】
1.一种基于深度学习的全息重建算法，其特征在于：包含训练和恢复两个阶段，分为如下步骤：a.训练阶段的步骤为：S1.使用离轴全息记录光路采集训练样本的离轴全息图，记作Hn，其中n＝1,2,3,4…k；S2.遮挡离轴全息记录光路的参考光波，采集训练样本的同轴全息图Dn，其中n＝1,2,3,4…k；S3.使用数字全息重建算法从离轴全息图Hn中计算得到训练样品的相位Pn和强度In,其中n＝1,2,3,4…k；S4.建立神经网络模型，确定网络模型参数，将训练样本的同轴全息图Dn作为网络的输入，相应的相位图Pn和强度图In作为网络的黄金标准，对其进行训练，获得训练好的神经网络模型；b.恢复阶段的步骤为：S5.遮挡离轴全息记录光路的参考光波部分，采集待测试图像的同轴全息图D；S6.将待测样本的同轴全息图D输入训练好的神经网络，即可得到待测样本的相位信息P和强度信息I。2.根据权利要求1所述的基于深度学习的全息重建算法，其特征在于：所述步骤S1中的训练样本可以是任何可用于成像的...

【专利技术属性】
技术研发人员：邸江磊，王凯强，李颖，豆嘉真，戴思清，赵建林，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：陕西,61