【技术实现步骤摘要】
基于深度学习的散射成像装置和方法
本专利技术属于散射成像技术，具体为一种基于深度学习的散射成像装置和方法。
技术介绍
生活中，散射介质无处不在。光波在散射介质中传播时，介质内部无序的散射颗粒将会阻碍光波的自由传播，并且使光波矢方向和相位随机改变。因此光波在经过无序介质后，会呈现出随机散斑图样。这些散斑图样，看似已经失去了原先光场的稳定分布和相关性，但是研究表明，散斑中的弹道光依然保留了部分相干性，因此这些散斑图案中仍然有足够的信息来重建物体的图像。实现散射成像的方法主要有：(1)基于反馈控制的波前整形法(2)相位共轭法(3)基于散斑关联特性的记忆效应法等。但是以上方法各有优缺点和适用条件，波前整形法和相位共轭法成像校准时间很长，难以应对动态或变化较快的无序介质环境；基于散斑关联特性的记忆效应法面对较厚的散射介质时会失效，且由于它是一种介观效应，当被观察物体尺寸较大时也会失效。同时，以上方法都对光路的准确度要求极高，实现的光路也较为复杂。
技术实现思路
本专利技术的目的在于提出了一种基于深度学习的散...
【技术保护点】
1.一种基于深度学习的散射成像装置，其特征在于，包括准直光源(1)、第一透镜(2)、第二透镜(3)、线偏振片(4)、空间光调制器(5)、分束镜(6)、第三透镜(7)、散射介质(8)、光电探测器(9)、图像重建模块(10)；/n所述准直光源(1)、第一透镜(2)、第二透镜(3)、线偏振片(4)、分束镜(6)依次沿第一光轴设置，所述空间光调制器(5)、第三透镜(7)、散射介质(8)、光电探测器(9)沿第二光轴设置，第一光轴与第二光轴在分束镜(6)处相交且第二光轴垂直于第一光轴方向，其中，散射介质(8)设置在第三透镜(7)的焦平面上；/n图像重建模块(10)用于根据光电探测器(9...
【技术特征摘要】
1.一种基于深度学习的散射成像装置，其特征在于，包括准直光源(1)、第一透镜(2)、第二透镜(3)、线偏振片(4)、空间光调制器(5)、分束镜(6)、第三透镜(7)、散射介质(8)、光电探测器(9)、图像重建模块(10)；
所述准直光源(1)、第一透镜(2)、第二透镜(3)、线偏振片(4)、分束镜(6)依次沿第一光轴设置，所述空间光调制器(5)、第三透镜(7)、散射介质(8)、光电探测器(9)沿第二光轴设置，第一光轴与第二光轴在分束镜(6)处相交且第二光轴垂直于第一光轴方向，其中，散射介质(8)设置在第三透镜(7)的焦平面上；
图像重建模块(10)用于根据光电探测器(9)记录的散斑信息对散斑图像重建。
2.根据权利要求1所述的基于深度学习的散射成像装置，其特征在于，所述图像重建模块(10)由混合神经网络构成，所述混合神经网络包括依次连接的第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第一重构层、第一丢弃层、第一全连接层、第二丢弃层、第二全连接层、上采样层、第四卷积层、第五卷积层和第六卷积层。
3.根据权利要求2所述的基于深度学习的散射成像装置，其特征在于，所述第一卷积层采用3*3的卷积核，对输入散斑图提取特征边缘、线条和角等层级，所述第一池化层对第一卷积层提取的特征图进行压缩，得到32*32*16的三维特征图；所述第二卷积层采用3*3的卷积核，从第一卷积层提取的特征中迭代提取特征，并经过第二池化层压缩，得到16*16*32的三维特征图；第三卷积层采用3*3的卷积核，从第二卷积层提取的特征中迭代提取特征，并经第三池化层压缩得到8*8*64的三维特征图；所述第一重构层将8*8*64的三维特征图拉直成1*4096的向量，所述第一丢弃层，通过忽略全连接层中的部分神经元节点，有效防止神经网络过拟合现象；所述第一全连接层设置1024个神经元，后面紧接第二丢弃层，用来防止神经网络过拟合；所述第二全连接层设置196个神经元；第二全连接层中的每个神经元与其前一层的所有神经元进行全连接，用于整合卷积层和池化层中具有类别区分性的局部信息，最终得...
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。