基于深度学习的分数阶涡旋光相位恢复与图像恢复方法技术

本发明专利技术提供了一种基于深度学习的分数阶涡旋光相位恢复与图像恢复方法，提出了一个用获取分数阶涡旋光在任意传输位置上的相位信息的解决方案，构建一个对大范围光场模式都适用的模型，从而对分数阶涡旋光在传输途中的相位演化规律进行解析。并在该模型的基础上构建了一套彩色图像恢复系统。结合分数阶涡旋光在传输中的相位演化规律，对任意衍射位置的相位信息都可以准确恢复，依据模型输出的混淆矩阵可以获知，在初始位置，模型可以将所有相位都准确恢复，在近场衍射区域，平均准确率为99.3％。而在远场衍射区域，平均准确率为97.8％。97.8％。97.8％。

【技术实现步骤摘要】
基于深度学习的分数阶涡旋光相位恢复与图像恢复方法


[0001]本专利技术涉及自由空间光通信和图像处理
，特别地涉及一种基于深度学习的分数阶涡旋光相位恢复与图像恢复方法。

技术介绍

[0002]获取涡旋光束的相位信息从而得到其OAM模式是涡旋光通信的一个关键问题。分数阶涡旋光因为具有特殊的相位演化规律，因此也蕴含着更为丰富的相位信息和OAM模式。但是分数阶涡旋光束的相位在光束传输中会不断演化。这使得在接收端解调分数阶涡旋光的相位成为了一个难题。目前主要的获取分数阶涡旋光相位信息的方法有以下几种：
[0003]1.G
‑
S迭代算法：初始输入平面和接收的输出平面间不断迭代的衍射计算过程，根据已知的输入平面上光场振幅分布和要求的输出平面上光场振幅分布，计算得到所需的输入平面上光场相位分布。
[0004]2.TIE传输方程：先获取分数阶涡旋光强度分布以及光轴方向上的强度微分，然后对于二阶偏微分方程进行求解，最终可以得到某一位置处具体的平面相位分布信息。一般来说，可以采用两个或者两个以上的散焦图像，通过有限差分的方式本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的分数阶涡旋光相位恢复与图像恢复方法，其特征在于，包括以下步骤：首先将RGB格式的图像进行通道分离，分解成R、G、B格式，针对R、G、B格式的图像进行调制；用分数阶涡旋光束模式的存在与否来表征像素的二进制数；基于深度学习模型，通过多次轴向测量，得到分数阶涡旋光在不同位置的光场强度图；用不同位置的强度图分别表征不同通道下的图像信息；然后将得到的强度图输入模型，得到对应光束的相位图像；根据相位图像中包含的涡旋强度值，对不同通道的像素进行二进制数的解码，解码完成后就得到了不同通道下的图像，再进行通道复合得到对应的原始图像。2.根据权利要求1所述的基于深度学习的分数阶涡旋光相位恢复与图像恢复方法，其特征在于，所述深度学习模型为：首先给出损失函数：x表示源域图像，y表示真实图片，z表示输入生成器G网络的噪声，D(x,y)表示鉴别器D网络判断真实图片是否真实的概率；G(x,z)表示G网络根据源域图像和随机噪声生成的目标域图片；而D(x,G(x,z))是D网络判断G生成图片的是否真实的概率；E代表数学期望；V(D,G)为判别器的目标函数；基于损失函数，深度学习模型包括生成器部分和鉴别器部分；在生成器部分，分数阶涡旋光在不同位置的光场强度图作为输入图像，残余网络卷积层为涡旋束图像；卷积核执行卷积运算，然后是特征映射和重复卷积运算，模型生成器使用卷积层；将卷积步长条设置为大于1的值，允许网络自行学习下采样方法；使用bn层进行批量归一化；通过使用转置卷积层来执行反向恢复操作；经过以上步骤，生成器实现了从图像到数据再到图像的转换；由生成器获得的图像和真实图像被输入到鉴别器；鉴别器采用马尔科夫判别器；在卷积层对输入图像进行操作之后，通过平均，最终得到大小1
×
1的图像，然后确定生成的图像是真还是假。3.根据权利要求2所述的基于深度学习的分数阶涡旋光相位恢复与图像恢复方法，其特征在于，所述深度学习模型采取相似度对比方案来量化模型恢复效果，先分别求出两张图像在直方图上的概...

【专利技术属性】
技术研发人员：张志红，高珩，王冉冉，张雨轩，杨元杰，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：