一种基于深度学习的数字全息图像重建方法技术

本发明专利技术公开了一种基于深度学习的数字全息图像重建方法，包括如下步骤：S1、对于原始图像进行收集，接着对于原始图像进行采样；S2、采样完成后丢弃部分数据，进行压缩；S3、压缩完成后进行数据传输，并且传输到所需播放的下位机；S4、下位机对于数据传输到的压缩包进行解压缩；S5、压缩完成后进行图像恢复，并将其进行显示；本发明专利技术结构科学合理，使用安全方便，对于数据采集卡经A/D转换和量化后处理，同时引入计算机技术，利用计算机的数值计算来模拟物波模型函数和光学干涉函数，从而便于了图像的数据转换，提高了转换效率，而压缩后，降低了传输速度，并且通过数据传输到云端，安全可靠。

A digital holographic image reconstruction method based on depth learning

【技术实现步骤摘要】
一种基于深度学习的数字全息图像重建方法
本专利技术涉及数字全息图像
，具体为一种基于深度学习的数字全息图像重建方法。
技术介绍
数字全息是用光电传感器件(如CCD或CMOS)代替干板记录全息图，然后将全息图存入计算机，用计算机模拟光学衍射过程来实现被记录物体的全息再现和处理，数字全息与传统光学全息相比具有制作成本低，成像速度快，记录和再现灵活等优点，将数学技术与传统的光学全息技术相结合，以CCD器件为全息图记录介质，主要进行数字全息理论、方法、技术以及数字全息在粒子场中的应用等研究，分别以小波变换方法、菲涅耳变换方法、卷积方法和傅立叶变换方法研究同轴和离轴数字全息系统3D物场的再现算法和理论，以数字聚焦和层析技术获得3D物场的再现像；创新性地提出“彩色数字全息术”和“体数字全息模型”概念，进行理论和实验研究；首次对数字全息系统的特性进行分析，全面分析了影响数字全息图及其再现像的因素；但是目前市场上的数字全息图像重建方法在对于数据传输和后期处理中，造成了模糊现象，造成数字图像重建失败，导致图像模糊，并且对于计算复杂，造出重建速度慢的本文档来自技高网...

【技术保护点】
1.一种基于深度学习的数字全息图像重建方法，其特征在于：包括如下步骤：/nS1、对于原始图像进行收集，接着对于原始图像进行采样；/nS2、采样完成后丢弃部分数据，进行压缩；/nS3、压缩完成后进行数据传输，并且传输到所需播放的下位机；/nS4、下位机对于数据传输到的压缩包进行解压缩；/nS5、压缩完成后进行图像恢复，并将其进行显示。/n

【技术特征摘要】
1.一种基于深度学习的数字全息图像重建方法，其特征在于：包括如下步骤：
S1、对于原始图像进行收集，接着对于原始图像进行采样；
S2、采样完成后丢弃部分数据，进行压缩；
S3、压缩完成后进行数据传输，并且传输到所需播放的下位机；
S4、下位机对于数据传输到的压缩包进行解压缩；
S5、压缩完成后进行图像恢复，并将其进行显示。


2.根据权利要求1所述的一种基于深度学习的数字全息图像重建方法，其特征在于，所述步骤S1中用光电图像传感器记录全息图，对于瞬时状态进行运动记录；
用u(x、y)和r(x、y)分别表示全息图平面上的物光波和参考波分布，则全息图强度表示为：
h(x、y)＝|u(x、y)r(x、y)|2＝U1+U2+U3+U4；
此过程为记录过程，U1和U2为第一、二象限，U3为原始像，U4为共轭像。


3.根据权利要求1所述的一种基于深度学习的数字全息图像重建方法，其特征在于，所述步骤S1中引入计算机技术，利用计算机的数值计算来模拟物波模型函数和光学干涉函数；
通过数据采集卡经A/D转换和量化后处理。


4.根据权利要求1所述的一种基于深度学习的数字全息图像重建方法，其特征在于，所述步骤S1中对于采样后的数据设定为K，并且与数据库N的数据进行对比，其中N》K。


5.根据权利要求1所述的一种基于深度学习的数字全息图像重建方法，其特征在于，所述步骤S2中数据丢弃N-K的数据，并且进行压缩加密，保证数据的安全性。


6.根据权利要求1所述的一...

【专利技术属性】
技术研发人员：王华英，董昭，王爱英，文永富，吕且妮，席思星，高亚飞，王学，张雷，郭海军，
申请(专利权)人：河北工程大学，北京理工大学，
类型：发明
国别省市：河北;13