一种基于深度学习和多模光纤散斑的抗扰动成像方法技术

本发明专利技术公开了一种基于深度学习和多模光纤散斑的抗扰动成像方法，包括：S1、利用第一光学实验系统获取无扰动情况下多模光纤模式色散后出现的散斑图；S2、通过深度学习方法对无扰动样本进行训练，得到基于U

【技术实现步骤摘要】
一种基于深度学习和多模光纤散斑的抗扰动成像方法


[0001]本专利技术涉及多模光纤模式色散成像的
，特别涉及一种基于深度学习和多模光纤散斑的抗扰动成像方法。

技术介绍

[0002]多模光纤在内窥镜小型化中起着重要作用，然而，作为一种特殊的散射介质，通过MMF传输的光模式是不稳定的，并受到多模色散的影响，这导致目标信息被干扰成散斑。同时在实验过程中会受到各种各样的扰动，散斑图的灵敏度也带来了挑战，因为对实验条件的小扰动会显著改变这些传播参数。目前使用相位共轭、波前整形和光纤传输矩阵计算等方法来恢复和识别多模光纤末端的斑点图案，但是，这些方法需要精确校准和重复测量，并且在灵活性和稳定性方面存在一定的限制。
[0003]在实际的散斑图案收集过程中，经常会收到外界噪声的扰动。现有的成像方法抗扰动较弱，导致成像质量不高。目前的主流方法是采用深度学习对多模光纤散斑进行重构，此类方法虽然可以较好的完成散斑图像的重构，但是存在着成像质量差，鲁棒性差(抗干扰能力弱)的缺点。

技术实现思路

[0004]针对现有技术中存在的不足之处，本专利技术的目的是提供一种基于深度学习和多模光纤散斑的抗扰动成像方法，可以提升扰动情况下多模光纤散斑的成像效果，以便实验条件改变时从其校准状态也能实现高质量成像效果，从而提高模型的抗干扰能力。为了实现根据本专利技术的上述目的和其他优点，提供了一种基于深度学习和多模光纤散斑的成像方法，包括：
[0005]S1、利用第一光学实验系统获取无扰动情况下多模光纤模式色散后出现的散斑图；
[0006]S2、通过深度学习方法对无扰动样本进行训练，得到基于U
‑
net的多模光纤散斑成像模型；
[0007]S3、利用第二光学实验系统获取有扰动情况下多模光纤模式色散后出现的散斑图；
[0008]S4、将扰动情况下的样本与未扰动的样本用深度学习方法进行相似度度量，同时利用离群点检测方法确定剔除阈值来区分离群点和正常点，剔除部分异常相似度的数据点，得到基于VGG的自适应校准模型，将扰动样本用未扰动样本进行校准；
[0009]S5、扰动样本校准为未扰动样本后使用U
‑
net模型进行成像。
[0010]优选的，步骤S1中第一光学试验系统包括激光器、依次设置于激光器一侧的第一物镜、设置于物镜一侧的针孔滤光片、透镜、偏振片、分束器及设置于分束器一侧的空间光调制器，该分束器下方设置有第二物镜，该第二物镜通过多模光纤连接有第三物镜，该第三物镜一侧设置有第二透镜，该第二透镜一侧设置有相机。
[0011]优选的，步骤S2中基于U
‑
net网络通过多个卷积层进行特征提取和下采样，得到高维特征图；在高维特征图的基础上通过多个反卷积层进行上采样和特征重建，得到与原始图像尺寸相同的成像结果，同时加入跳跃连接。
[0012]优选的，步骤S3中的第二光学实验系统包括激光器、依次设置于激光器一侧的第一物镜、设置于物镜一侧的针孔滤光片、透镜、偏振片、分束器及设置于分束器一侧的空间光调制器，该分束器下方设置有第二物镜，该第二物镜通过多模光纤连接有第三物镜，且该多模光纤中连接有电动位移台，该第三物镜一侧设置有第二透镜，该第二透镜一侧设置有相机。
[0013]优选的，步骤S4中包括在训练阶段，VGG模型通过大量的图像数据进行训练，学习到图像的特征表示；在检索阶段，对于每个查询图像，使用训练好的VGG模型提取其特征向量，并计算与数据库中所有图像的相似度；在提取特征向量之后，使用离群点检测算法设置剔除阈值识别出那些特征向量与其他向量相差较大的样本，剔除部分异常相似度样本；最后将相似度按照从大到小排序，选取相似度最高图片作为结果输出，之后便用检索到的图片进行成像。
[0014]本专利技术与现有技术相比，其有益效果是：
[0015](1)使用U
‑
net和VGG两个网络相结合的方法对多模光纤散斑图案进行重构与传统方法相比，有抗干扰能力强、成像质量高、对误差进行补偿、可以实现实验条件改变时从其校准状态也能实现高质量成像效果的优点。
[0016](2)基于自适应抗干扰方法对VGG网络进行数据增强、数据扩充、正则化的方法，有助于VGG模型学习到更多的特征，以确保模型能够准确地捕捉到不同图像之间的相似性和差异性，实现扰动散斑图与非扰动散斑图的精准检索。
[0017](3)基于U
‑
net的深度学习成像方法通过编码器和解码器的组合，以及跳跃连接的使用，可以实现图像的高质量成像。
附图说明
[0018]图1为根据本专利技术的基于深度学习和多模光纤散斑的成像方法的光学系统图；
[0019]图2为根据本专利技术的基于深度学习和多模光纤散斑的成像方法的流程图；
[0020]图3为根据本专利技术的基于深度学习和多模光纤散斑的成像方法的U
‑
net模型结构图；
[0021]图4为根据本专利技术的基于深度学习和多模光纤散斑的成像方法的扰动光学系统图；
[0022]图5为根据本专利技术的基于深度学习和多模光纤散斑的成像方法的自校准过程示意图；
[0023]图6为根据本专利技术的基于深度学习和多模光纤散斑的成像方法的VGG模型结构图。
具体实施方式
[0024]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他
实施例，都属于本专利技术保护的范围。
[0025]参照图1
‑
6，一种基于深度学习和多模光纤散斑的抗扰动成像方法，包括以下步骤：
[0026]S1、利用第一光学实验系统获取无扰动情况下多模光纤模式色散后出现的散斑图；
[0027]S2、通过深度学习方法对无扰动样本进行训练，得到基于U
‑
net的多模光纤散斑成像模型；
[0028]S3、利用第二光学实验系统获取有扰动情况下多模光纤模式色散后出现的散斑图；
[0029]S4、将扰动情况下的样本与未扰动的样本用深度学习方法进行相似度度量，同时利用离群点检测方法确定剔除阈值来区分离群点和正常点，剔除部分异常相似度的数据点，得到基于VGG的自适应校准模型，将扰动样本用未扰动样本进行校准；
[0030]S5、扰动样本校准为未扰动样本后使用U
‑
net模型进行成像。
[0031]实施例1
[0032]步骤S1，首先利用第一光学实验系统获取无扰动情况下多模光纤模式色散后出现的散斑图。第一光学系统图如图1所示，He
‑
Ne激光器发射波长为632.8nm的激光作为实验光源，利用微物镜、针孔滤光片和透镜对光源进行对焦、过滤、准直和扩展。利用偏光镜、分束器和空间光调制器将图像信息传输到光路。在实验中，空间光调制器是纯相位本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习和多模光纤散斑的抗扰动成像方法，其特征在于，包括以下步骤：S1、利用第一光学实验系统获取无扰动情况下多模光纤模式色散后出现的散斑图；S2、通过深度学习方法对无扰动样本进行训练，得到基于U
‑
net的多模光纤散斑成像模型；S3、利用第二光学实验系统获取有扰动情况下多模光纤模式色散后出现的散斑图；S4、将扰动情况下的样本与未扰动的样本用深度学习方法进行相似度度量，同时利用离群点检测方法确定剔除阈值来区分离群点和正常点，剔除部分异常相似度的数据点，得到基于VGG的自适应校准模型，将扰动样本用未扰动样本进行校准；S5、扰动样本校准为未扰动样本后使用U
‑
net模型进行成像。2.如权利要求1所述的一种基于深度学习和多模光纤散斑的抗扰动成像方法，其特征在于，步骤S1中第一光学试验系统包括激光器、依次设置于激光器一侧的第一物镜、设置于物镜一侧的针孔滤光片、透镜、偏振片、分束器及设置于分束器一侧的空间光调制器，该分束器下方设置有第二物镜，该第二物镜通过多模光纤连接有第三物镜，该第三物镜一侧设置有第二透镜，该第二透镜一侧设置有相机。3.如权利要求2所述的一种基于深度学习和多模光纤散斑的抗扰动成像方法，其特征在于，步骤S2中...

【专利技术属性】
技术研发人员：张雷洪，李紫菲，徐润初，李阳俊，张怡强，杨麾，刘凯，方瑶，徐邦联，张大伟，
申请(专利权)人：上海理工大学，
类型：发明
国别省市：