【技术实现步骤摘要】
基于深度学习的大尺寸二维计算全息图实时生成方法
[0001]本专利技术涉及计算机全息
,具体涉及一种深度学习的大尺寸二维计算全息图实时生成方法。
技术介绍
[0002]计算机生成全息图(Computer
‑
generated Hologram,CGH)所呈现具有连续深度感觉的三维(3D)场景的能力对虚拟和增强现实、人机交互、医学成像等方面产生了深远的影响,因而CGH的应用被认为是最有前途的3D显示候选技术。
[0003]传统的计算全息技术可以在相对较宽的观察范围内捕获干涉图案,这通常是利用光调制设备改变光的振幅或相位,以逐像素获取的方式得以实现。在相同尺寸下,人眼的3D双目视场的灵敏度为147亿像素,因此,CGH计算需要在物体和全息图平面上至少处理十亿像素大小的数据。此外,针对大尺寸的数据,全息显示器需要巨大的空间带宽以满足视场角度和奈奎斯特采样的要求,逐个扫描的方式在这种数据量大的全息图的实时生成中很难适用,并且这种情况下,如果通过常规迭代的方法处理会出现消耗内存、速率低下等问题。
[0004]在对CGH计算的实现中,由于计算纯相位的CGH的问题是一个不适定问题,即:解决方案的数量是多种的或者不确定的,在这里常见的解决方式有迭代投影算法或非凸的优化方法等,但采用这些方法都会面临着计算量大、消耗时间长以及对硬件要求高等挑战。这里已经提出了几种非迭代方法来实现快速计算CGH,比如空间复用和相位编码等。然而,这些方法涉及到的复杂调制以及对分辨率的牺牲依然会导致较大的误差,难以十分准 ...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的大尺寸二维计算全息图实时生成方法,其特征在于,包括以下步骤,利用分解法将待处理大尺寸目标图像沿横向和纵向等分成若干份,得到若干个子目标图像;之后利用带宽补偿和空间位移补偿来确保子图像块在全息平面中的正确映射;在消除了图像块之间的数据依赖性后,对每个子目标图像块进行处理;利用深度学习中U
‑
net架构通过非迭代生成经过补偿后得到图像块对应的子子全息图,再利用空间移位将同一图像块在不同空间位置生成的子子全息图合成为一幅子全息图;最后将不同图像块对应的子全息图进行复振幅叠加并提取相位得到最终全息图。2.根据权利要求1所述的深度学习的大尺寸二维计算全息图实时生成方法,其特征在于:利用分解法将待处理大尺寸目标图像沿横向和纵向等分成若干份,得到若干个子目标图像;之后利用带宽补偿和空间位移补偿来确保子图像块在全息平面中的正确映射;具体包括:设计算N
×
N大小的二维大尺寸数据的CGH,需要对一个N
×
N大小的二维目标进行FFT操作,对于二维离散傅里叶变化,其中N个数据点相互依赖;将对象分解为K个子对象,针对每个子对象进行二维傅里叶变换,通过以K为周期,划分成K个子周期,使其仅在Δf
s
区间有数据,而Δk子区间所需的数据通过傅里叶变换的移位特性生成,最终生成K个大小为N
×
N的子全息图,每个子全息图对应一个子对象,若成功地以原始分辨率重建子对象,则数据依赖性被打破;始分辨率重建子对象,则数据依赖性被打破;P
BC
=e
‑
i(kΔKpΔx+jΔJqΔy)
其中,F(nΔf
s
+kΔK,mΔg
s
+jΔJ)表示插值运算,(nΔf
s
+kΔK,mΔg
s
+jΔJ)表示进行插值运算傅里叶平面的坐标,Δf
s
和Δg
s
分别表示傅里叶平面横向采样间隔和纵向采样间隔,Δx和Δy分别表示空间平面横向采样间隔和纵向采样间隔,O(pΔx,qΔy)表示空间平面的数据点,用于表示傅里叶平面数据点的位置;K表示待处理大尺寸目标图像横纵方向分解的份数;ΔK表示将Δf
...
【专利技术属性】
技术研发人员:张成,张如,张莉茹,陈明生,吴峰,沈川,程鸿,韦穗,
申请(专利权)人:安徽大学,
类型:发明
国别省市:
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。