一种全息图像生成方法及设备技术

本发明专利技术公开了一种全息图像生成方法及设备，该方法包括：获取原始图像样本和对应的理想全息图样本，利用所述原始图像样本和所述理想全息图样本，通过全息图生成模型系统参数训练构建全息图生成模型，利用构建的全息图生成模型对三维空间物体的平面图进行处理，得到三维空间物体的全息图像；本发明专利技术提供的方法有效地解决了在生成全息图像时，时间消耗大，重建效果差、对计算机存储依赖性能大的问题。

A holographic image generation method and equipment

【技术实现步骤摘要】
一种全息图像生成方法及设备
本专利技术涉及全息图像生成
，尤其涉及一种全息图像生成方法及系统。
技术介绍
目前在全息图生成
，技术人员常用点源法和面源法生成全息图像，它们的具体做法是将三维物体分成离散的点源或面元，提供三维场景的精确几何信息。然而，对于空间三维物体，经过点源法或面元法离散抽样后，每一个点源或面元都需要进行独立的计算，会耗费海量的计算时间，且对计算机处理器的计算性能要求也十分苛刻。为了加快点源法和面元法的计算速度，最常见方法是查表法。该方法需提前计算空间内每个物点在目标平面处形成的干涉条纹，并将条纹结果存入查找表中。在计算空间三维物体的计算全息图时，只需将三维物体的相应离散点与表中结果进行匹配叠加即可，省去了一次又一次重复计算的过程，加快了计算全息图的生成速度。但是，查表法对计算机的存储容量和读写性能要求太高。为了避免点源法和面元法的计算速度问题以及查表法对存储性能的依赖问题，可以应用层析法。这种算法需将空间3D物体分层得到一系列平面信息，再对所得平面信息依次进行傅里叶变换得到计算全息图。然而，当空间3D物体深度足够大时，采用层析法依然不能非常有效的提高计算速度。综上，传统的全息图生成算法的原理时干涉记录、衍射再现，其实质是干涉场的计算，计算过程具有物理学本质，而且不同类型的传统计算全息算法都有各自的局限性，例如点源法时间消耗大、层析法重建效果下降、查表法对计算机存储性能依赖性大等。与此同时，深度学习技术作为一种新兴的技术，得到了广泛的研究，并且已经逐渐应用在很多领域。深度学习技术的发展，为全息技术的发展提供了新的工具。当前，全息显微、全息存储和全息相关等领域已经可以看到深度学习技术的身影。
技术实现思路
本专利技术提供一种全息图像生成方法及设备，解决在利用现有技术生成全息图像时，时间消耗大、重建效果下降、对计算机存储性能依赖性大等问题。依照本专利技术第一方面，提供一种全息图像生成方法，该方法包括：获取原始图像样本和对应的理想全息图样本；利用所述原始图像样本和所述理想全息图样本，通过全息图生成模型系统参数训练构建全息图生成模型；利用构建的全息图生成模型对三维空间物体的平面图进行处理，得到三维空间物体的全息图像。依照本专利技术第二方面，提供一种全息图像生成设备，该设备包括处理器和存储器，其中，所述处理器用于：获取原始图像样本和对应的理想全息图样本；利用所述原始图像样本和所述理想全息图样本，通过全息图生成模型系统参数训练构建全息图生成模型；利用构建的全息图生成模型对三维空间物体的平面图进行处理，得到三维空间物体的全息图像。依照本专利技术第三方面，提供一种计算机存储介质，上述计算机存储介质存储有计算机程序，该计算机程序被执行时实现本专利技术第一和第二方面任意一项所述的一种全息图像生成方法。本专利技术提供的一种全息图像生成方法及设备，与现有技术相比，具有以下有益效果：1、传统的计算全息图生成算法原理是干涉记录、衍射再现，其实质是干涉场的计算。然而，本专利技术提供的方法中，利用构建的全息图生成模型来进行全息图的计算，其计算过程不再具有物理学本质，其实质变成了计算机领域的图像处理，因此，对于编程者的物理学或光学要求大大降低；2、本专利技术中的计算全息图生成算法具有适用性广、计算速度快、对存储性能、读写性能依赖度低以及全息图重建效果好等优点。不同类型的传统计算全息算法都有各自的局限性，例如点源法时间消耗大、层析法重建效果下降、查表法对计算机存储性能依赖性大等；而本专利技术提供的一种全息图像生成方法，利用构建的全息图生成模型可以针对不同类型的3D图像数据快速生成全息图。附图说明为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1A为本专利技术实施例一提供的一种全息图像生成方法的示意图；图1B为实施例一提供的对一个原始图像样本进行处理，得到上述原始图像样本的训练全息图像的过程的示意图；图1C为实施例一提供的一种全息图像生成方法的构建全息图生成模型的流程图；图2A为实施例三提供的小火车三维模型的示意图；图2B为实施例三提供的用角谱衍射算法生成的小火车的全息图和全息图再现结果的示意图；图2C为实施例三提供的用全息图生成模型生成的小火车的全息图和全息图再现结果的示意图；图3为实施例三提供的一种全息图像生成设备的示意图；图4为实施例四提供的一种全息图像生成装置的装置示意图。具体实施方式为了使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术作进一步地详细描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。实施例一：本专利技术提供一种全息图像生成方法，如图1A所示，其具体过程如下：步骤110，获取原始图像样本和对应的理想全息图样本；可选地，在实施中，可以从三维图像样本库，和/或，利用三维图像建模软件建模绘制，和/或，三维摄像机捕捉获得原始图像样本；通过全息图算法对上述原始图像样本库进行处理，得到对应的理想全息图样本。上述原始图像样本为三维空间物体的平面图，通过对上述三维空间物体的平面图进行处理可得到上述三维空间物体的全息图像；作为一种可选的实施方式，可以将获得的原始图像样本保存到原始样本库，将所有的理想全息图样本保存到理想全息图样本库；对于训练效果而言，深度学习网络中的参数训练越充分，深度学习网络的效果也就越好；上述全息图算法为角谱衍射算法、点源法、层析法和查表法；在本实施例中，采用了一种面向结构的角谱衍射算法来计算3D物体(三维空间物体)的计算全息图。具体流程如下：获取一个原始图像样本，根据不同的位置信息，将复杂的三维场景平行分层，用衍射的角谱理论模拟不同层到全息图平面的光学传播过程得到子层全息图，所有子层的全息图叠加得到上述原始图像样本的理想全息图样本。步骤120，利用上述原始图像样本和上述理想全息图样本，通过全息图生成模型系统参数训练构建全息图生成模型；可选地，在实施中，利用深度学习方法，通过全息图生成模型系统参数训练构建全息图生成模型。确定触发模型训练时，利用当前全息图生成模型系统参数，对未经当前全息图生成模型训练过的原始图像样本进行处理，得到上述原始图像样本的训练全息图像并输出；作为一种可选的方式，利用当前全息图生成模型系统参数，对未经当前全息图生成模型训练过的原始图像样本进行卷积运算、激活处理、池化处理、正则化处理和上采样操作。上述全息图生成模型系统参数，包括：卷积运算所采用的卷积层初本文档来自技高网...

【技术保护点】
1.一种息图像生成方法，其特征在于，该方法包括：/n获取原始图像样本和对应的理想全息图样本；/n利用所述原始图像样本和所述理想全息图样本，通过全息图生成模型系统参数训练构建全息图生成模型；/n利用构建的全息图生成模型对三维空间物体的平面图进行处理，得到三维空间物体的全息图像。/n

【技术特征摘要】
1.一种息图像生成方法，其特征在于，该方法包括：
获取原始图像样本和对应的理想全息图样本；
利用所述原始图像样本和所述理想全息图样本，通过全息图生成模型系统参数训练构建全息图生成模型；
利用构建的全息图生成模型对三维空间物体的平面图进行处理，得到三维空间物体的全息图像。


2.如权利要求1所述的方法，其特征在于，通过全息图生成模型系统参数训练构建全息图生成模型，包括：
利用深度学习方法，通过全息图生成模型系统参数训练构建全息图生成模型。


3.如权利要求1或2所述的方法，其特征在于，利用所述原始图像样本和所述理想全息图样本，通过全息图生成模型系统参数训练构建全息图生成模型，包括：
确定触发模型训练时，利用当前全息图生成模型系统参数，对未经当前全息图生成模型训练过的原始图像样本进行处理，得到所述原始图像样本的训练全息图像并输出；
输出任一个训练全息图像时，确定当前得到的所有训练全息图像与对应的理想全息图样本的相似度阈值满足设定要求时，利用当前全息生成模型系统参数构建全息图生成模型。


4.根据权利要求3所述的方法，其特征在于，还包括：
输出任一个训练全息图像时，确定当前得到的所有训练全息图像与对应的理想全息图样本的相似度阈值不满足设定要求时，且所有的原始图像样本都已经过当前模型训练时，调整当前全息生成模型系统参数并触发模型训练，否则直接触发模型训练。


5.如权利要求3所述的方法，其特征在于，确定当前得到的所有训练全息图像与对应的理想全息图样本的相似度阈值满足设定要求，包括：
根据预设损失函数，确定当前得到的所有训练全息图像与对应的理想全息图样本的损失函数值；
确定所述损失函数值小于或等于预设阈值时，确定当前得到的所有训练全息图像与对应的理想全息图样本的相似度阈值满足设定要求。


6.如权利要求3所述的方法，其特征在于，利用当前全息图生成模型系统参数，对未经当前全息图生成模型训练过的原始图像样本进行处理，包括：
利用当前全息图生成模型系统参数，对未经当前全息图生成模型训练过的原始图像样本进行卷积运算、激活处理、池化处理...

【专利技术属性】
技术研发人员：曹良才，何泽浩，郭汝海，刘显荣，田有良，
申请(专利权)人：青岛海信激光显示股份有限公司，
类型：发明
国别省市：山东;37