【技术实现步骤摘要】
本专利技术涉及一种应用于光图像信号系统中的基于全光衍射神经网络的全光恢复方法，属于光信号处理领域。
技术介绍
1、随着全球信息化的不断发展，图像信号的处理和分类成为信息数字化领域的重要环节。图像分类是一种关键的技术，它能够自动识别和分类不同类型的图像，从而在众多应用领域中发挥重要作用，包括计算机视觉、医学影像分析和自动驾驶等。自适应图像分类是一种有效的图像处理技术，它能够实时监测和调整图像分类系统的性能参数，包括识别准确度、分类效率、降噪处理和抗干扰性能等。这种技术被广泛应用于图像识别和分类领域，有助于提高图像处理系统的性能和效能。
2、光图像在传输过程中存在各种因素导致的畸变，在后续分类过程中严重影响了系统的精度性能，在接收端接收到的信号存在多种因素导致的图像受损，如噪声、非线性效应等。目前存在的一些传统方法都是对光信号进行捕获并转换为电信号进行处理，如卷积神经网络等，能对受损的图像实现分类任务。但是这些算法都普遍存在需要光电转换、需要额外能量以及随之而来的光电转换噪声、信息处理时延和系统的更高能耗开销。近些年来，随着光信号处理理论方法和处理器件的发展，针对数字域信号的处理方法的高度发展为全光领域信号处理带来了新思路、新方法，为光图像的分类任务提供了一种新的解决途径。
3、基于传统光学器件的光学系统往往难以实现对具有较高复杂度的信号变换的拟合，故只能实现一些较为简单的处理流程，因此在实际应用中需要多器件协同来实现复杂的光信号变换，这种系统对工作环境的稳定性有较高的要求。提高在复杂情况下针对光图像信号的超
技术实现思路
1、本专利技术的目的是提供一种基于全光衍射神经网络的光纤图像显示恢复方法，基于全光衍射神经网络进行光纤图像显示恢复，且能够直接在光域进行散斑图像的恢复，无需光电器件进行由光到电的信号转换。本专利技术与传统图像显示恢复方法相比，能够加快光纤信号的处理速度，降低光纤成像系统的接收端能耗。
2、本专利技术的目的是通过下述技术方案实现的：
3、本专利技术公开的一种基于全光衍射神经网络的光纤图像显示恢复方法，搭建光纤成像系统的光路，在空间光调制器上展示待传输的图像，在接收端用ccd相机采集光纤输出的散斑，此二者用以形成衍射神经板相位调制的训练数据集；板上过程将l个板上的n×n的元素对穿过其的光线的相位调制参数设置为用于学习的参数矩阵，每当光波经过衍射板，其输出都被视作一个经过板上对应参数相位调制的子光源，板间过程以菲涅尔衍射过程作为物理模型在计算机上进行训练，衍射过程的参数设计由多次实验尝试经验设置，训练过程采取学习率衰减的优化方法以加快收敛，得到能够从散斑恢复出原图像的参数矩阵；根据训练好的衍射神经网络模型参制作衍射神经板，将制作的全光衍射板放置于分束器与ccd相机之间，从光域直接恢复散斑作为在空间光调制器上展示的图片，从而基于全光衍射神经网络实现光纤图像显示恢复。
4、本专利技术公开的一种基于全光衍射神经网络的光纤图像显示恢复方法，包括以下步骤：
5、步骤一：搭建光纤成像系统，所述光纤成像系统按照激光源的光路走向依次包括半波透镜、偏振片、用作扩束的透镜系统、空间光调制器、偏振片、光纤耦合器与光纤、扩束器、分束器和ccd相机。在分束器与ccd相机之间增加用于恢复图像的全光衍射神经网络，通过全光衍射神经网络实现从散斑到图像的光域恢复。全光衍射神经网络输入为空间光调制器上展示的图片，输出经过光纤传输过程影响图片生成的散斑。使在空间光调制器上展示待传输的图像和在接收端用ccd相机采集光纤输出的散斑一一对应，生成监督学习的数据对，多个图像经过此过程传输生成训练用数据集。
6、作为优选，通过数据增广、采用更多工况下的图像以增大训练集从而提高模型的泛化性能；获取从总训练集中能够放回的抽取训练子集；使用抽取的训练子集作为数量恢复任务的训练集，输入计算机上的全光衍射神经网络进行后续步骤三的训练。
7、步骤二：构建用于光纤成像系统散斑恢复的全光衍射神经网络，所述全光衍射神经网络包括l个衍射神经板、l-1个板间传输过程。
8、构建基于衍射神经网络的图像恢复器方法如下：依据光的衍射、光的相位调制、光的叠加相消机理，根据输入图片据特征进行学习-表达训练。在衍射神经网络的操作层上根据参数对输入该层单元的光信号进行相位调制，调制层输出的光信号在层间遵从光的菲涅尔衍射进行传播、叠加相消并作为下一层的输入；经过多层调制-衍射作用的光束在输入平面上在预设好的区域达到最高幅值强度，实现一次一个图像的恢复过程；将预测结果与样本结果对比，计算误差并依据误差对网络中的参数进行重复的迭代优化，获得基于神经网路辅助训练的全光分类处理器件的相位调制参数矩阵，根据相位调制参数矩阵构建基于衍射神经网路的图像恢复器。
9、设定基准相位调制为0的总传输时间和基准厚度，由于光在不同材质中的传输速度不同(如在器件材料中的传输速度低于空气中的传输速度)，基于不同的材料厚度能够实现对光的不同幅度的相位调制。同时对于材料厚度来说，光速具有的超高速特性，故完整的分类流程仍等效为以光速进行的。
10、进一步地，构建基于衍射神经网络的图像恢复器方法，具体实现方法如下：
11、板间的光传输过程根据瑞利-索默菲尔德衍射方程，将衍射神经网络层内的每个单个神经元等效为波的次级发射源，由所述的光学模式组成。
12、
13、其中，l表示第l层，i表示该l层上不同位置的调制元素，λ是照明源的波长，以及让表示第l层中的第i个相位调制元素，表示其对输入波延迟。像素元素的第l层的输出如下式所示：
14、
15、将以矩阵形式表征光如何通过单个衍射层，传输分为两个阶段，分别为在板上和板间的传输。在板内传输过程，相位和强度受到每个板上调制元素的调制，经过调制后的光将通过衍射神经网络层间的传输。单独的衍射层无法达到多层衍射神经网络结构的推理能力。通过衍射神经网络的多层架构在给定的物理空间内提高衍射神经网络灵活性，使得衍射神经网络训练拟合了其输入和输出平面的转换函数。单层神经元仅依靠相位调制或相位和幅度调制无法复制这种灵活性。衍射神经网络的层越多，生成图像的精度越高。整合多个衍射板共同作用的传输过程表达为下式：
16、xout＝(mn el(m2 e(m1 exin)·p1)·p2 l)·pn
17、其单层展开模式如下式所示：
18、
19、
20、其中m/m代表板上的相位调制幅度，x/x表示过程中传输信号的值，p/p表示衍射神经板间元素衍射对应关系。
21、步骤三：将最小均方误差与结构相似度为优化的目标函数；计算训练样本与衍射神经网络输出的采样平均之间的平方差偏差，以更深度的神经网络用于学习参数矩阵的参数，训练步骤二构建全光衍射神经网络，重复训练过程数次直至达到预设的精度需求，得到训练好的全光衍射神经网本文档来自技高网...
【技术保护点】
1.一种基于全光衍射神经网络的光纤图像显示恢复方法，其特征在于：包括以下步骤，
2.如权利要求1所述的一种基于全光衍射神经网络的光纤图像显示恢复方法，其特征在于：步骤二中，构建基于衍射神经网络的图像恢复器方法，具体实现方法如下：
3.如权利要求1或2所述的一种基于全光衍射神经网络的光纤图像显示恢复方法，其特征在于：通过数据增广，采用更多工况下的图像以增大训练集从而提高模型的泛化性能；获取从总训练集中能够放回的抽取训练子集；使用抽取的训练子集作为数量恢复任务的训练集，输入计算机上的全光衍射神经网络进行后续步骤三的训练。
【技术特征摘要】
1.一种基于全光衍射神经网络的光纤图像显示恢复方法，其特征在于：包括以下步骤，
2.如权利要求1所述的一种基于全光衍射神经网络的光纤图像显示恢复方法，其特征在于：步骤二中，构建基于衍射神经网络的图像恢复器方法，具体实现方法如下：
3.如权利要求1或2...
【专利技术属性】
技术研发人员：朱磊，忻向军，朱建平，刘博，高然，胡善亭，李志沛，王富，董泽，李欣颖，田博，常欢，潘晓龙，郭栋，丁畅，胡鹏，邓晓晓，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。