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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。