一种无透镜光电智能成像优化方法及成像方法技术

本发明专利技术公开了一种无透镜光电智能成像优化方法，应用于无透镜光电智能成像系统，所述无透镜光电智能成像系统包括：依次设置的可学习的光学衍射层、图像传感器和图像处理神经网络；包括以下步骤：获取训练集图像信息；根据所述训练集图像信息对可学习的光学衍射层和所述图像处理神经网络进行训练，得到训练后的目标光学衍射层和目标图像处理神经网络；其中，所述图像传感器作为非线性连接层。本发明专利技术通过可学习的光学衍射层可以有效提取光信号的强度或相位信息，从而可以将相位信息转换为强度形式通过图像传感器输出，实现多模态的计算成像。同时，在训练时利用深度光学理念实现“端到端”的联合优化，实现高精度的图像特征提取与重建。重建。重建。

【技术实现步骤摘要】
一种无透镜光电智能成像优化方法及成像方法


[0001]本专利技术属于计算机视觉
，具体涉及一种无透镜光电智能成像优化方法及成像方法
。

技术介绍

[0002]光信号具有多个维度信息，如幅度，相位等
。
然而，现有图像传感器仅输出光强信息，造成相位信息丢失
。
如何将相位信息转换为强度形式通过图像传感器输出，实现多模态的计算成像有待解决
。
光学衍射神经网络利用光的衍射效应实现对入射光的相位调制，其中可学习相位的衍射层允许大部分光通过，提供高信噪比，适用于弱光场景和光子受限成像，且光学衍射神经网络具有光速
、
多模态与低功耗的特点
。
然而，光学卷积神经网络的信号特征提取依赖于线性操作，很难与卷积操作的特征提取能力相媲美
。
因此，如何对光信号实现高精度和多模态的特征提取有待解决
。
[0003]现有技术中，植入式
、
可穿戴设备，自动驾驶汽车
、
机器人
、r/>互联网物联网<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种无透镜光电智能成像优化方法，其特征在于，应用于无透镜光电智能成像系统，所述无透镜光电智能成像系统包括：依次设置的可学习的光学衍射层
、
图像传感器和图像处理神经网络；包括以下步骤：获取训练集图像信息；其中，所述训练集图像信息包括：散斑图像信息或待缩放图像信息；所述散斑图像信息包括：散斑图像强度信息或散斑图像相位信息；所述待缩放图像信息包括：待缩放图像强度信息或待缩放图像相位信息；根据所述训练集图像信息对可学习的光学衍射层和所述图像处理神经网络进行训练，得到训练后的目标光学衍射层和目标图像处理神经网络；其中，在训练过程中，所述图像传感器作为所述可学习的光学衍射层和所述图像处理神经网络之间的非线性连接层
。2.
根据权利要求1所述的一种无透镜光电智能成像优化方法，其特征在于，所述可学习的光学衍射层上的每个人工神经元的传输系数为：其中，
i
表示第
i
个神经元，
a
i
表示第
i
个神经元的振幅，为常数，表示第
i
个神经元的相位
。3.
根据权利要求1所述的一种无透镜光电智能成像优化方法，其特征在于，所述可学习的光学衍射层和所述图像传感器之间的传递函数为：其中，
z
表示所述可学习的光学衍射层和所述图像传感器之间的轴向距离，
λ
表示照明波长，
f
x
和
f
y
分别表示
x
和
y
方向上的频率
。4.
根据权利要求3所述的一种无透镜光电智能成像优化方法，其特征在于，所述可学习的光学衍射层上第
i
个神经元的强度分布表示为：其中，表示输入图像的第
k
个像素的强度分布
。5.
根据权利要求1所述的一种无透镜光电智能成像优化方法，其特征在于，所述图像处理神经网络，包括
U
‑
Net
神经网络或生成对抗网络
。6.
根据权利要求5所述的一种无透镜光电智能成像优化方法，其特征在于，所述生成对抗网络，包括：生成器和判决器；所述生成器，包括：特征嵌入模块
、

【专利技术属性】
技术研发人员：王杨云逗，邵晓鹏，
申请(专利权)人：西安电子科技大学杭州研究院，
类型：发明
国别省市：