本发明专利技术提出一种基于复数神经网络的非训练相位重建方法及装置，其中方法包括，S1、获取目标的采集数据；S2、构建复数神经网络，复数神经网络的输入是采集数据，输出是目标场景的幅值图像和相位图像；S3、使用复数神经网络作为生成器，输入采集数据，输出重建的幅值图像与相位图像；使用重建的幅值图像与相位图像根据物理成像模型计算得到仿真采集数据；通过最小化仿真采集数据与采集数据的差异来更新网络参数；S4、重复进行S3，使得网络参数更新收敛，输出最终的目标的幅值图像和相位图像。本发明专利技术解决了传统实数神经网络缺乏实部与虚部间信息交互、对复数信号表征能力弱的问题，并且无需额外训练样本，对数据依赖性低。对数据依赖性低。对数据依赖性低。
【技术实现步骤摘要】
基于复数神经网络的非训练相位重建方法及装置
[0001]本专利技术属于计算摄像学领域。
技术介绍
[0002]相位恢复是一般是指测量信号在某个给定线性空间域(如傅里叶变换)的幅值已知情况下，利用幅值恢复相位的过程。其在光学、X射线晶体学、医学图像重建等领域都有广泛的应用。比如在光学成像中，由于观测手段的限制，大部分光学采集设备(如CCD相机、光感胶片、人眼成像)只能够捕获光场强度而无法获取光波相位，变换后的测量值中信号的相位信息难以获取，因此只能根据有限的幅值信息去逆向解算原始信号的幅值和相位。作为一个经典的反问题，相位恢复具有典型的非凸和病态性的特点，通常情况下需要利用一定的先验知识并通过施加其他物理约束来进行求解。
[0003]从上世纪70年代以来，相位恢复算法层出不穷。求解手段主要包括基于强度传输方程的方法和基于误差下降的迭代投影算法。最为经典的迭代投影算法是R.W.Gerchberg和W.O.Saxton于1972年为解决空间望远镜的在位像差校正问题提出的GS算法。GS算法通过在不同测量平面之间反复迭代，并代入振幅测量值作为各平面的约束条件，来对初始面的光场信号进行恢复。GS算法提出后，由于该算法所要求的实验装置简单、不易受振动等外界因素的影响，而得到了广泛应用，但其自身受限于简单的双平面迭代和有限的目标平面振幅约束，故在解决相位恢复这样的病态问题时还存在初始解敏感、收敛速度慢、易陷入局部解而发生停滞等诸多不足。
[0004]近几年，随着深度学习技术的兴起，其强大的非线性拟合能力，它在解决传统相位恢复的高维病态逆问题上有显著的优势，为进一步提高相位恢复算法的准确度和鲁棒性提供了可能。于是，研究人员在将其应用到相位恢复上做了许多努力，但是大部分网络都是基于数据驱动的。如S.Li等人利用在图像数据集上训练好的神经网络模型，学习输入和输出之间的映射关系，直接进行端到端的相位恢复。其泛化性与网络学习的数据集的大小、丰富程度息息相关。此外，网络结构都是基于实数网络，而相位恢复问题研究的采集数据实际上包括幅值和相位，是一个复数。简单考虑实部虚部，或者考虑幅度和相位角都丢失了复数原本的关系。
[0005]基于以上，本专利技术提出用于相位恢复的复数神经网络，并通过非训练的方式重建相位。
技术实现思路
[0006]本专利技术旨在至少在一定程度上解决相关技术中的技术问题之一。
[0007]为此，本专利技术的第一个目的在于提出一种基于复数神经网络的非训练相位重建方法，用于通过非训练的方式重建相位。
[0008]本专利技术的第二个目的在于提出一种基于复数神经网络的非训练相位重建装置。
[0009]为达上述目的，本专利技术第一方面实施例提出了一种基于复数神经网络的非训练相
位重建方法，包括：
[0010]S1、获取目标的采集数据；
[0011]S2、构建复数神经网络，所述复数神经网络的输入是所述采集数据，输出是所述目标场景的幅值图像和相位图像；
[0012]S3、使用所述复数神经网络作为生成器，输入所述采集数据，输出重建的幅值图像与相位图像；使用所述重建的幅值图像与相位图像根据物理成像模型计算得到仿真采集数据；通过最小化所述仿真采集数据与所述采集数据的差异来更新网络参数；
[0013]S4、重复进行S3，使得所述网络参数更新收敛，输出最终的所述目标的幅值图像和相位图像。
[0014]另外，根据本专利技术上述实施例的基于复数神经网络的非训练相位重建方法还可以具有以下附加的技术特征：
[0015]进一步地，在本专利技术的一个实施例中，所述采集数据包括所述目标的场景的幅度和相位信息，采集方式包括以下方法中的任一一种或多种：
[0016]相干衍射成像，相干光照射所述目标后在远场处形成衍射图样，传感器记录衍射图样的强度信息；
[0017]傅里叶叠层成像，通过频域处理利用传感器采集一系列低分辨强度图；
[0018]自相关散射成像，光透过散射介质形成散斑图，传感器采集散斑图。
[0019]进一步地，在本专利技术的一个实施例中，所述复数神经网络的输入和输出是复数信号，神经网络各层运算基于复数运算，包括复数卷积、复数激活函数、复数权重初始化。
[0020]进一步地，在本专利技术的一个实施例中，所述复数卷积包括：
[0021]对于复数输入数据c＝a+ib、g＝e+if，复数c与g的卷积表示为：c*g＝(a+ib)*(e+if)＝(a*e
‑
b*f)+i(a*f+b*e)，卷积结果的实部和虚部可以分别通过实数卷积获得。
[0022]进一步地，在本专利技术的一个实施例中，所述复数激活函数分别在复数输入数据的实部和虚部上进行激活操作，其中，对于复数输入数据c＝a+ib，激活函数f(x)，复数激活函数为f(c)＝f(a)+if(b)。
[0023]进一步地，在本专利技术的一个实施例中，所述复数权重初始化是对幅值和相位或者实部和虚部分别进行初始化。
[0024]进一步地，在本专利技术的一个实施例中，所述仿真采集数据与所述采集数据的差异包括以下的任一一种或多种：
[0025]均方误差、平均绝对误差、平滑平均绝对误差。
[0026]进一步地，在本专利技术的一个实施例中，所述通过最小化所述仿真采集数据与所述采集数据的差异来更新网络参数，包括：
[0027]更新过程中仅使用所述采集数据作为监督，无需额外的训练数据。
[0028]为达上述目的，本专利技术第二方面实施例提出了一种基于复数神经网络的非训练相位重建装置，包括以下模块：
[0029]采集模块，用于获取目标的采集数据；
[0030]构建模块，用于构建复数神经网络，所述复数神经网络的输入是所述采集数据，输出是所述目标场景的幅值图像和相位图像；
[0031]优化模块，用于使用所述复数神经网络作为生成器，输入所述采集数据，输出重建
的幅值图像与相位图像；使用所述重建的幅值图像与相位图像根据物理成像模型计算得到仿真采集数据；通过最小化所述仿真采集数据与所述采集数据的差异来更新网络参数；
[0032]迭代模块，用于重复优化模块，使得所述网络参数更新收敛，输出最终的所述目标的幅值图像和相位图像。
[0033]进一步地，在本专利技术的一个实施例中，所述复数神经网络的输入和输出是复数信号，神经网络各层运算基于复数运算，包括复数卷积、复数激活函数、复数权重初始化。
[0034]本专利技术实施例提出的基于复数神经网络的非训练相位重建方法及装置，使用复数神经网络，匹配相位重建任务的数据特征，解决传统实数神经网络缺乏实部与虚部间信息交互、对复数信号表征能力弱的问题，并且无需额外训练样本，对数据依赖性低。
附图说明
[0035]本专利技术上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
[0036]图1为本专利技术实施例所提供的一种基于复数神经网络的非训练相位重建方法的流程示意图。
[0本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于复数神经网络的非训练相位重建方法，其特征在于，包括以下步骤：S1、获取目标的采集数据；S2、构建复数神经网络，所述复数神经网络的输入是所述采集数据，输出是所述目标场景的幅值图像和相位图像；S3、使用所述复数神经网络作为生成器，输入所述采集数据，输出重建的幅值图像与相位图像；使用所述重建的幅值图像与相位图像根据物理成像模型计算得到仿真采集数据；通过最小化所述仿真采集数据与所述采集数据的差异来更新网络参数；S4、重复进行S3，使得所述网络参数更新收敛，输出最终的所述目标的幅值图像和相位图像。2.根据权利要求1所述的方法，其特征在于，所述采集数据包括所述目标的场景的幅度和相位信息，采集方式包括以下方法中的任一一种或多种：相干衍射成像，相干光照射所述目标后在远场处形成衍射图样，传感器记录衍射图样的强度信息；傅里叶叠层成像，通过频域处理利用传感器采集一系列低分辨强度图；自相关散射成像，光透过散射介质形成散斑图，传感器采集散斑图。3.根据权利要求1所述的方法，其特征在于，所述复数神经网络的输入和输出是复数信号，神经网络各层运算基于复数运算，包括复数卷积、复数激活函数、复数权重初始化。4.根据权利要求3所述的方法，其特征在于，所述复数卷积包括：对于复数输入数据c＝a+ib、g＝e+if，复数c与g的卷积表示为：c*g＝(a+ib)*(e+if)＝(a*e
‑
b*f)+i(a*f+b*e)，卷积结果的实部和虚部可以分别通过实数卷积获得。5.根据权利要求3所述的方法，其特...
【专利技术属性】
技术研发人员：边丽蘅，李璐，李道钰，
申请(专利权)人：北京理工大学，
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。