基于深度学习的光学自干涉数字全息重构方法及系统技术方案

本发明专利技术涉及光学自干涉数字全息技术领域，尤其涉及一种基于深度学习的光学自干涉数字全息重构方法及系统。本发明专利技术提出了一种以U

【技术实现步骤摘要】
基于深度学习的光学自干涉数字全息重构方法及系统


[0001]本专利技术涉及光学自干涉数字全息
，尤其涉及一种基于深度学习的光学自干涉数字全息重构方法及系统。

技术介绍

[0002]光学自干涉数字全息技术，是一种以空间非相干光源为信息载体构建全息图的技术，其原理为空间非相干光源上任意两点发出的光波互不相干，因此，在两光波互相重叠区域并不会形成干涉，通过适当的光学技巧，对空间非相干光源同一点发出的光进行分波，利用两束光波的空间自相干特性实现点源全息图的记录，所有的点源全息图的非相干叠加构成样品的全息图，利用合适的再现算法即可从样品全息图实现三维重建。其中，菲涅尔非相干相关数字全息通过在空间光调制器上加载衍射透镜，并通过加载的透镜对点光源发出的光分波，从而记录非相干全息图。其具有无接触、无侵害、非扫描、高横向分辨率、低散斑噪声等优势。目前，该技术已经被广泛应用于生物荧光成像、天文成像、自适应光学等领域中。
[0003]菲涅尔非相干相关数字全息技术为了利用点光源的时间相干性，通常以同轴记录方式为主，然而，全息图中的直流项以及共轭项会影响再现图的质量。为了消除这些影响，菲涅尔非相干相关数字全息经常结合相移技术，通过记录同一样品的多幅相移全息图，结合相移算法抑制直流项和共轭项，得到复值全息图。该类方法不易受噪声的影响，能够提高重建项的信噪比，具有较高的测量精度。相移技术可分为时域相移以及空域相移，但无论是采用不同时刻下的多幅相移干涉图的时域相移、还是利用复杂的干涉光路或牺牲空间分辨率的偏振相机，同时采集多幅相移干涉图的空域相移，都将引入额外的测量误差，并且极大的减低了系统的成像速度，限制了其在动态相位测量上的应用。
[0004]因此，如何在保证高测量精度的条件下，实现动态测量，依旧是该技术的难点。

技术实现思路

[0005]本专利技术旨在解决现有技术在非相干光学相位重构中，难以实现动态测量的技术问题。
[0006]为解决上述技术问题，第一方面，本专利技术实施例提供一种基于深度学习的光学自干涉数字全息重构方法，所述光学自干涉数字全息重构方法包括以下步骤：
[0007]S1、构建以U
‑
Net为基础的端对端的卷积神经网络；
[0008]S2、搭建菲涅尔非相干自干涉光路，并通过所述菲涅尔非相干自干涉光路采集多组不同相移量的菲涅尔全息图；
[0009]S3、将不同所述相移量的所述菲涅尔全息图通过三步相移算法处理得到复值全息图，并将所述复值全息图通过衍射传播再现算法进行处理，得到相位重构图，将所述相位重构图作为标签，记录重构距离，之后，对所述菲涅尔全息图进行反向传播，记录反向传播的所述菲涅尔全息图作为输入数据，将所述输入数据和所述标签作为数据对，构建训练数据集和测试数据集；
[0010]S4、根据所述训练数据集对所述卷积神经网络进行训练；
[0011]S5、在所述卷积神经网络训练的过程中，将所述训练数据集和所述测试数据集轮换作为卷积神经网络的输入，并分别记录所述训练数据集和所述测试数据集的作为所述卷积神经网络的输出与所述相位重构图之间的训练误差曲线、测试误差曲线；
[0012]S6、结合所述训练误差曲线、所述测试误差曲线，对所述卷积神经网络进行优化调整，并输出收敛后的所述卷积神经网络，作为菲涅尔非相干相关数字全息重构模型；
[0013]S7、将所述菲涅尔全息图输入所述菲涅尔非相干相关数字全息重构模型，输出得到对应的菲涅尔全息相位重构图。
[0014]更进一步地，步骤S2中，所述菲涅尔全息图的所述相移量至少包括0、2π/3、4π/3。
[0015]更进一步地，步骤S3中，对所述菲涅尔全息图进行反向传播，记录反向传播的所述菲涅尔全息图作为输入数据的步骤，具体为：
[0016]对所述相移量为0的所述菲涅尔全息图进行反向传播处理，反向传播距离与所述重构距离相同，之后，将完成反向传播的所述菲涅尔全息图作为所述输入数据。
[0017]更进一步地，步骤S4中，所述卷积神经网络使用均方根误差计算其输出与所述相位重构图之间的差异。
[0018]更进一步地，步骤S4中，所述卷积神经网络使用梯度下降法优化网络参数。
[0019]更进一步地，步骤S4中，所述卷积神经网络使用的LOSS函数为其输出与所述相位重构图之间的均方根之和。
[0020]更进一步地，步骤S6中，结合所述训练误差曲线、所述测试误差曲线，对所述卷积神经网络进行优化调整的步骤，具体为：
[0021]判断所述训练误差曲线、所述测试误差曲线与预设误差值之间的数值关系，其中：
[0022]若所述训练误差曲线、所述测试误差曲线均低于所述预设误差值，则保留网络参数；
[0023]若所述训练误差曲线、所述测试误差曲线均高于所述预设误差值，则增加所述卷积神经网络中卷积核的数量；
[0024]若所述训练误差曲线低于所述预设误差值、且所述测试误差曲线高于所述预设误差值，则利用所述菲涅尔非相干自干涉光路补充采集所述菲涅尔全息图，并重新划分所述训练数据集和所述测试数据集。
[0025]第二方面，本专利技术实施例还提供一种基于深度学习的光学自干涉数字全息重构系统，包括：
[0026]网络构建模块，用于构建以U
‑
Net为基础的端对端的卷积神经网络；
[0027]数据获取模块，用于搭建菲涅尔非相干自干涉光路，并通过所述菲涅尔非相干自干涉光路采集多组不同相移量的菲涅尔全息图；
[0028]数据预处理模块，用于将不同所述相移量的所述菲涅尔全息图通过三步相移算法处理得到复值全息图，并将所述复值全息图通过衍射传播再现算法进行处理，得到相位重构图，将所述相位重构图作为标签，记录重构距离，之后，对所述菲涅尔全息图进行反向传播，记录反向传播的所述菲涅尔全息图作为输入数据，将所述输入数据和所述标签作为数据对，构建训练数据集和测试数据集；
[0029]网络训练模块，用于根据所述训练数据集对所述卷积神经网络进行训练；
[0030]拟合模块，用于在所述卷积神经网络训练的过程中，将所述训练数据集和所述测试数据集轮换作为卷积神经网络的输入，并分别记录所述训练数据集和所述测试数据集的作为所述卷积神经网络的输出与所述相位重构图之间的训练误差曲线、测试误差曲线；
[0031]优化模块，用于结合所述训练误差曲线、所述测试误差曲线，对所述卷积神经网络进行优化调整，并输出收敛后的所述卷积神经网络，作为菲涅尔非相干相关数字全息重构模型；
[0032]相位重构模块，用于将所述菲涅尔全息图输入所述菲涅尔非相干相关数字全息重构模型，输出得到对应的菲涅尔全息相位重构图。
[0033]本专利技术所达到的有益效果，在于提出了一种以U
‑
Net为基础的端对端的神经网络直接实现菲涅尔非相干相关数字全息单次曝光相位重构的方法，其中，菲涅尔全息图通过光路采集，可以提高成像速度，加快网络的训练速度，同时，训练得到的全息重构模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的光学自干涉数字全息重构方法，其特征在于，所述光学自干涉数字全息重构方法包括以下步骤：S1、构建以U
‑
Net为基础的端对端的卷积神经网络；S2、搭建菲涅尔非相干自干涉光路，并通过所述菲涅尔非相干自干涉光路采集多组不同相移量的菲涅尔全息图；S3、将不同所述相移量的所述菲涅尔全息图通过三步相移算法处理得到复值全息图，并将所述复值全息图通过衍射传播再现算法进行处理，得到相位重构图，将所述相位重构图作为标签，记录重构距离，之后，对所述菲涅尔全息图进行反向传播，记录反向传播的所述菲涅尔全息图作为输入数据，将所述输入数据和所述标签作为数据对，构建训练数据集和测试数据集；S4、根据所述训练数据集对所述卷积神经网络进行训练；S5、在所述卷积神经网络训练的过程中，将所述训练数据集和所述测试数据集轮换作为卷积神经网络的输入，并分别记录所述训练数据集和所述测试数据集的作为所述卷积神经网络的输出与所述相位重构图之间的训练误差曲线、测试误差曲线；S6、结合所述训练误差曲线、所述测试误差曲线，对所述卷积神经网络进行优化调整，并输出收敛后的所述卷积神经网络，作为菲涅尔非相干相关数字全息重构模型；S7、将所述菲涅尔全息图输入所述菲涅尔非相干相关数字全息重构模型，输出得到对应的菲涅尔全息相位重构图。2.如权利要求1所述的基于深度学习的光学自干涉数字全息重构方法，其特征在于，步骤S2中，所述菲涅尔全息图的所述相移量至少包括0、2π/3、4π/3。3.如权利要求2所述的基于深度学习的光学自干涉数字全息重构方法，其特征在于，步骤S3中，对所述菲涅尔全息图进行反向传播，记录反向传播的所述菲涅尔全息图作为输入数据的步骤，具体为：对所述相移量为0的所述菲涅尔全息图进行反向传播处理，反向传播距离与所述重构距离相同，之后，将完成反向传播的所述菲涅尔全息图作为所述输入数据。4.如权利要求1所述的基于深度学习的光学自干涉数字全息重构方法，其特征在于，步骤S4中，所述卷积神经网络使用均方根误差计算其输出与所述相位重构图之间的差异。5.如权利要求1所述的基于深度学习的光学自干涉数字全息重构方法，其特征在于，步骤S4中，所述卷积神经网络使用梯度下降法优化网络参数。6.如权利要求1所述的基于深度学习...

【专利技术属性】
技术研发人员：钟丽云，黄韬，章勤男，李娇声，秦玉文，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：