一种多深度全息图生成方法、系统、电子设备及存储介质技术方案

本发明专利技术公开一种多深度全息图生成方法、系统、电子设备及存储介质，涉及全息领域，方法包括获取多深度图像的训练集和测试集；根据所述训练集利用全卷积神经网络生成纯相位全息图；根据所述纯相位全息图确定全息图不同深度处的衍射场；根据全息图不同深度处的所述衍射场确定多深度损失函数；根据所述训练集利用所述多深度损失函数对所述全卷积神经网络进行训练，得到纯相位全息图生成模型；根据所述测试集利用所述纯相位全息图生成模型生成多深度全息图。本发明专利技术能根据生成质量和生成速度灵活地调整网络参数，从而提高生成过程的灵活性。从而提高生成过程的灵活性。从而提高生成过程的灵活性。

【技术实现步骤摘要】
一种多深度全息图生成方法、系统、电子设备及存储介质


[0001]本专利技术涉及全息领域，特别是涉及一种多深度全息图生成方法、系统、电子设备及存储介质。

技术介绍

[0002]“曲面异形”“超大屏”“超大视角”“8K超级屏”等不断发展的平面显示技术极大方便了人们的生产、生活和工作，但是随着人们生活水平的提高，二维显示技术中所固有的问题(如沉浸感不强、代入感差等)也严重影响了人们的观看效果和视觉品质。因此近些年来，三维显示技术蓬勃发展，有效提升了观众的视觉体验，带给观众身临其境的视觉享受。继高清之后，三维显示技术已经成为下一代显示技术发展的重心。
[0003]目前三维显示技术大多是基于双目立体显示技术的原理。双目立体显示技术通过给双眼直接呈现具有不同视角的视差图像，依靠人自身的大脑还原真实的空间关系，使观众获得图像中包含的深度信息，从而实现三维立体显示的视觉体验，其实现方式主要包括分色、分光、分时、光栅等方式。这种显示方式具有效率高、成本低、精度合适、系统结构简单等优点，但其依赖于双目视差，而不是从根本上提供真正的自然立体视觉，割裂了人眼成像系统中聚焦与辐辏的相关性，导致观众产生疲劳、头晕等不适症状，因此开发视觉体验更加自然的显示技术已经成为显示和成像领域的一个热点问题。
[0004]计算全息(Computer generated hologram，CGH)结合计算机技术与传统的光学全息术，能够提供包括辐辏、聚焦、遮挡和深度等在内的多种视觉线索，是一种真三维显示技术。且随着空间光调制器(Spatial LightModulator，SLM)和激光设备的不断发展，通过计算全息对三维场景还原出的深度信息已经愈加逼近真实效果。而传统的方法编码方式单一，生成速度和再现质量的关系较为固定，基本不能调整。

技术实现思路

[0005]本专利技术的目的是提供一种多深度全息图生成方法、系统、电子设备及存储介质，可根据生成质量和生成速度灵活地调整网络参数，从而提高生成过程的灵活性。
[0006]为实现上述目的，本专利技术提供了如下方案：
[0007]一种多深度全息图生成方法，包括：
[0008]获取多深度图像的训练集和测试集；
[0009]根据所述训练集利用全卷积神经网络生成纯相位全息图；
[0010]根据所述纯相位全息图确定全息图不同深度处的衍射场；
[0011]根据全息图不同深度处的所述衍射场确定多深度损失函数；
[0012]根据所述训练集利用所述多深度损失函数对所述全卷积神经网络进行训练，得到纯相位全息图生成模型；
[0013]根据所述测试集利用所述纯相位全息图生成模型生成多深度全息图。
[0014]可选地，所述全卷积神经网络包括依次连接的输入层、下采样层、中间层、上采样
层和输出层；所述下采样层还与所述上采样层跳跃连接。
[0015]可选地，根据所述训练集利用全卷积神经网络生成纯相位全息图，具体包括：
[0016]将所述训练集中目标图像的单通道灰度图和单通道深度图输入所述全卷积神经网络，生成纯相位全息图。
[0017]可选地，根据全息图不同深度处的所述衍射场确定多深度损失函数，具体包括：
[0018]根据全息图不同深度处的所述衍射场的强度分布确定全息图不同深度处的衍射场的强度分布；
[0019]根据全息图不同深度处的衍射场的强度分布和目标图像的灰度值分布确定误差函数；
[0020]根据所述误差函数确定多深度损失函数。
[0021]可选地，所述多深度损失函数的表达式为：
[0022][0023]其中，Loss为多深度损失函数，L
n
(x,y)为误差函数，w(n)为单调递增函数，n为第n个深度平面，N为离散的深度平面总数。
[0024]本专利技术还提供一种多深度全息图生成系统，包括：
[0025]获取模块，用于获取多深度图像的训练集和测试集；
[0026]纯相位全息图生成模块，用于根据所述训练集利用全卷积神经网络生成纯相位全息图；
[0027]衍射场确定模块，用于根据所述纯相位全息图确定全息图不同深度处的衍射场；
[0028]多深度损失函数确定模块，用于根据全息图不同深度处的所述衍射场确定多深度损失函数；
[0029]训练模块，用于根据所述训练集利用所述多深度损失函数对所述全卷积神经网络进行训练，得到纯相位全息图生成模型；
[0030]多深度全息图生成模块，用于根据所述测试集利用所述纯相位全息图生成模型生成多深度全息图。
[0031]可选地，所述全卷积神经网络包括依次连接的输入层、下采样层、中间层、上采样层和输出层；所述下采样层还与所述上采样层跳跃连接。
[0032]可选地，纯相位全息图生成模块，具体包括：
[0033]纯相位全息图生成单元，用于将所述训练集中目标图像的单通道灰度图和单通道深度图输入所述全卷积神经网络，生成纯相位全息图。
[0034]本专利技术还提供一种电子设备，包括：
[0035]一个或多个处理器；
[0036]存储装置，其上存储有一个或多个程序；
[0037]当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上述的方法。
[0038]本专利技术还提供一种存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如上述的方法。
[0039]根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
[0040]本专利技术获取多深度图像的训练集和测试集；根据所述训练集利用全卷积神经网络生成纯相位全息图；根据所述纯相位全息图确定全息图不同深度处的衍射场；根据全息图不同深度处的所述衍射场确定多深度损失函数；根据所述训练集利用所述多深度损失函数对所述全卷积神经网络进行训练，得到纯相位全息图生成模型；根据所述测试集利用所述纯相位全息图生成模型生成多深度全息图。本专利技术使用全卷积神经网络生成多深度纯相位全息图，可以根据生成质量和生成速度灵活地调整网络参数，使得在生成速度和再现质量方面达到一个较好的平衡。
附图说明
[0041]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0042]图1为本专利技术提供的多深度全息图生成方法流程图；
[0043]图2为彩色图像RDB
‑
D四通道输出结果；
[0044]图3为深度图像RDB
‑
D四通道输出结果；
[0045]图4为全卷积神经网络结构示意图。
具体实施方式
[0046]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，而不本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多深度全息图生成方法，其特征在于，包括：获取多深度图像的训练集和测试集；根据所述训练集利用全卷积神经网络生成纯相位全息图；根据所述纯相位全息图确定全息图不同深度处的衍射场；根据全息图不同深度处的所述衍射场确定多深度损失函数；根据所述训练集利用所述多深度损失函数对所述全卷积神经网络进行训练，得到纯相位全息图生成模型；根据所述测试集利用所述纯相位全息图生成模型生成多深度全息图。2.根据权利要求1所述的多深度全息图生成方法，其特征在于，所述全卷积神经网络包括依次连接的输入层、下采样层、中间层、上采样层和输出层；所述下采样层还与所述上采样层跳跃连接。3.根据权利要求1所述的多深度全息图生成方法，其特征在于，根据所述训练集利用全卷积神经网络生成纯相位全息图，具体包括：将所述训练集中目标图像的单通道灰度图和单通道深度图输入所述全卷积神经网络，生成纯相位全息图。4.根据权利要求1所述的多深度全息图生成方法，其特征在于，根据全息图不同深度处的所述衍射场确定多深度损失函数，具体包括：根据全息图不同深度处的所述衍射场的强度分布确定全息图不同深度处的衍射场的强度分布；根据全息图不同深度处的衍射场的强度分布和目标图像的灰度值分布确定误差函数；根据所述误差函数确定多深度损失函数。5.根据权利要求1所述的多深度全息图生成方法，其特征在于，所述多深度损失函数的表达式为：其中，Loss为多深度损失函数，L
n
(x,y)为误差函数，w(n)为单调递增函数，n为第n个深...

【专利技术属性】
技术研发人员：雷鸣，
申请(专利权)人：雷鸣，
类型：发明
国别省市：