一种基于深度学习的红外全息噪声抑制方法技术

本发明专利技术公开了一种基于深度学习的红外全息噪声抑制方法，本发明专利技术所述方法为：采集作为训练样本的红外全息图像，将红外全息图的相位图与强度图作为样本，根据强度图样本的参数设定作为神经网络的训练参数，提取其相应的噪声特征，对其噪声特征利用卷积神经网络进行噪声抑制建立模型，再将神经卷积网络模型所得到的图像进行傅里叶变换(1

【技术实现步骤摘要】
一种基于深度学习的红外全息噪声抑制方法


[0001]本专利技术公开了一种基于深度学习的红外全息噪声抑制方法，涉及红外全息技术与深度学习领域。

技术介绍

[0002]数字全息成像技术经过多年的研究发展，已经成为了成像领域中至关重要的观察和检测方法之一。相比传统的电子成像方式，数字全息成像技术不仅可以实现对被观测目标的形貌进行还原，更由于其干涉叠加及衍射计算的本质，可将被观察目标的三维相位特征同步记录并表征出来，使得被观察的目标脱离二维成像的局限，提升到更高的观测维度中，为人们充分分析被观测目标的特性提供了更加直观的视觉及数据依据。
[0003]红外数字全息技术是红外热成像与数字全息技术的交叉研究，其兼具两种研究领域的特点于一身。红外数字全息技术在成像过程中具有以下优点:1.光源能量高，传播距离长，红外数字全息实验中采用的激光光源能量可达百瓦级，如此大的激光能量可以支持光线传播至较远的距离对目标和场景进行照射。2.光源波长，对抗复杂环境能力强，强红外数字全息实验中普遍采用3
‑
5μm的中波红外光或10.6μm的长波红外光，相较nm级的可见光波段，红外数字全息实验中使用的激光波长更长，对传播路径中的空气凝胶雨雪雾霾等分子和杂质均具有更好的绕射特性。3.相干距离长，干涉条纹稳定清晰，由于激光的波长，使得红外数字全息实验中光线的相干距离可以达到数十米甚至上百米，可以实现对很远距离的目标和场景进行干涉记录，对长距离大目标场景进行全息成像提供了可能性。
[0004]红外数字全息成像主要想要解决的问题是对长距离大目标及场景进行三维成像并重现的过程，为了能够得到大目标和场景的漫反射光，光线必须以球面散射光的形式进行传播，发散的光线能量集中性差，在很长距离传输过程中光线能量衰减现象严重，并且会受到噪声的影响，导致重现图像质量低下。
[0005]为了解决上述红外全息技术的噪声问题，考虑到红外全息的各项优秀特点，将红外数字全息技术与深度学习手段相结合，可以很好的提高红外全息技术对噪声的抑制作用的精准度与处理速度，降低红外全息系统对稳定性的要求，并且最终达到实时红外全息技术的噪声抑制，扩大系统的使用范围，得到一种基于深度学习的红外全息噪声抑制方法。

技术实现思路

[0006]为了克服红外全息噪声较大并且难以实时去除的特点，本专利技术提供了一种基于深度学习的红外噪声抑制方法。首先是采集红外全息图，利用全息算法将全息图的振幅相位与光强分布作为参数建立神经网络，利用多个卷积核所形成的滤波器提取其噪声特征训练卷积神经网络得到红外全息噪声抑制神经网络模型，最后利用反卷积算法在神经网路中进行全息图的重建，利用深度学习所得到的红外全息图像的噪声抑制模型可以实时的与精确的对红外全息图像的噪声进行实时噪声抑制成像。
[0007]本专利技术所述方法具体包括以下步骤：
[0008]S1采集训练阶段的步骤为：
[0009]S1.1使用红外全息记录光路采集样品的红外数字全息图，将每个全息图记为U
n
,其中n＝1,2,3,4,5
…
k，其中，k为正整数，代表全息图像数量。
[0010]S1.2记录到红外数字全息图的光强分布B
n
,其中n＝1,2,3,4,5
…
k。
[0011]S1.3记录到红外数字全息图的物光和参考光在全息记录平面上的复振幅记为H。
[0012]S1.4使用数字全息算法从图像中得到相位P
n
，以原始红外全息图作为训练样本，以相位与光强分布作为卷积网络的标准，建立多层卷积神经网络，对其进行训练，获得完成训练的红外全息图像卷积神经网络模型。
[0013]S2噪声抑制阶段步骤为：
[0014]S2.1通过5
×
5的噪声特征提取滤波器提取全息图像的噪声特征，通过动量的随机梯度下降法以全息图像光强分布为基础进行卷积计算提取光强分布上的各个图层中的噪声特征对其进行标记，建立一个以光强分布的噪声特征为样本的卷积神经网路，得到其各种相应的噪声特征；(利用随机梯度下降法提取光强分布中的不同图层中的噪声对其进行标记，利用归一化各层在某个范围中，利用多个(例如20个)卷积核激活函数提取噪声特征，将全息图中的标记噪声生成特征合集，建立卷积神经网络得到噪声特征模型)对其进行相应的降噪训练后得到红外全息噪声抑制卷积神经网络模型，通过巴特沃斯滤波器对其相应噪声特征进行降噪；
[0015]S2.2将降噪后的图像利用全息算法得到相应的光强分布图，得到光强分布的噪声特征抑制模型；训练后的网络不需要再次训练就可以对未知红外全息图进行实时的噪声抑制得到处理后红外全息图。
[0016]S3重建阶段步骤为：
[0017]将降噪后的数字全息图导入卷积神经网络中反卷积层中，通过算法计算得到全息再现像的强度和相位信息，利用数字全息重建算法对全息图进行重建得到噪声抑制后的红外数字全息图。
[0018]优选的，本专利技术步骤S1.1中获得红外全息图的具体过程如下：
[0019](1)首先由发射出红外波长为1064nm的红外激光器1射出激光被分束镜Ⅰ2分为两个方向不同的光路，其中一束光L1在扩束镜Ⅰ3的作用下，通过透镜Ⅰ4变成球面波，经过反射镜Ⅰ5，到达分束镜Ⅱ12；同时另一束光L2在扩束镜Ⅱ6的作用下，通过球面镜Ⅱ7变成球面波，依次经过反射镜Ⅱ8、透镜Ⅲ9、样品10、透镜Ⅳ11后到达分束镜Ⅱ12；两条光束会聚于分束镜Ⅱ12到达收集图像的图像传感器13上；
[0020](2)在第二条光路L2上于反射镜Ⅱ8与分束镜Ⅱ12之间加入透射式样品形成实时的红外干涉，通过加入可见光激光器与红外拟合后对干涉光路进行调试验证其红外光路干涉现象与干涉条纹质量优秀，验证后撤除可见光，通过图像传感器得到红外全息干涉图像，最后通过调试重建得到红外全息图；
[0021](3)重复步骤(2)并加入不同的投射式样品，以此获得N幅红外全息图；对这N幅红外全息图进行统一化处理，将其全息标签作为其名称。
[0022]优选的，本专利技术所述动量的随机梯度下降法卷积网络参数建议为；动量参数设置为0.45，初始学习速率为0.001，正规化系数为0.004，每8个世代使得学习速率乘以一个0.1的比例因子，最大训练为80，最小的样本总数为256。
[0023]和现有技术相比，本专利技术的有益效果为：
[0024]可以更加实时的、精确的、机器化的进行红外全息图像的噪声抑制处理，对比传统噪声抑制方法可以应用到更多场景、更多类型的噪声处理上，并且可以达到实时红外全息图像处理的结果。
附图说明
[0025]图1红外全息图收集装置；
[0026]图2为本专利技术的工艺流程图；
[0027]图3为通过步骤1光路所得到的红外全息图像U1；
[0028]图4为其出现椒盐噪声后的红外全息图像；
[0029]图5为使用传统方法均值滤波后得到的噪声抑制图像；
[0030]图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的红外全息噪声抑制方法，其特征在于，具体包括以下步骤：S1采集训练阶段的步骤为：S1.1使用红外全息记录光路采集样品的红外数字全息图，将每个全息图记为U
n
,其中n＝1,2,3,4,5
…
k，其中，k为正整数，代表全息图像数量；S1.2记录到红外数字全息图的光强分布B
n
,其中n＝1,2,3,4,5
…
k；S1.3记录到红外数字全息图的物光和参考光在全息记录平面上的复振幅记为H；S1.4使用数字全息算法从图像中得到相位P
n
，以原始红外全息图作为训练样本，以相位与光强分布作为卷积网络的标准，建立多层卷积神经网络，对其进行训练，获得完成训练的红外全息图像卷积神经网络模型；S2噪声抑制阶段步骤为：S2.1通过5
×
5的噪声特征提取滤波器提取全息图像的噪声特征，通过动量的随机梯度下降法以全息图像光强分布为基础进行卷积计算提取光强分布上的各个图层中的噪声特征对其进行标记，建立一个以光强分布的噪声特征为样本的卷积神经网路，得到其各种相应的噪声特征，对其进行相应的降噪训练后得到红外全息噪声抑制卷积神经网络模型，通过巴特沃斯滤波器对其相应噪声特征进行降噪；S2.2将降噪后的图像利用全息算法得到相应的光强分布图，得到光强分布的噪声特征抑制模型；训练后的网络不需要再次训练就可以对未知红外全息图进行实时的噪声抑制得到处理后红外全息图；S3重建阶...

【专利技术属性】
技术研发人员：张永安，李亚轩，叶飞，张云浩，赵航，郗加民，赵丹露，陈强珅，康文杰，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：