一种基于深度前馈神经网络的数字全息图生成系统及方法技术方案

本发明专利技术公开一种基于深度前馈神经网络的数字全息图生成系统及方法，所述方法包括：1)构建前馈神经网络，包含输入层、隐含层和输出层；2)构建四层全连接神经网络，包含一个输入层、两个隐含层和一个输出层，使用相应数据进行训练，得到训练完毕的全连接神经网络；3)以步骤1)构建前馈神经网络的输出作为步骤2)所得全连接神经网络的输入，对两个网络进行拼接，形成深度前馈神经网络；使用深度前馈神经网络生成点云物体的数字全息图。本发明专利技术提供的方法与点源法相比，能够以更快的速度实现数字全息图的生成，无需额外的内存占用，同时可以保持点源法生成全息图的成像质量和泛化能力。

【技术实现步骤摘要】
一种基于深度前馈神经网络的数字全息图生成系统及方法
本专利技术涉及数字全息
，特别涉及一种基于深度前馈神经网络的数字全息图生成系统及方法。
技术介绍
全息技术是一种能够记录和再现物体三维信息的显示技术。物体反射光波的振幅代表物体的亮度信息，相位体现物体的深度信息，全息图同时记录了物光波的振幅和相位信息，因此可以实现物体的三维显示。传统的全息术通过全息记录介质保存物光波和参考光波发生干涉后形成的干涉条纹，生成全息图；再使用参考光照射全息图，通过光的衍射使得物光波再现，重构三维物体。传统全息术复杂的光路系统和繁琐的全息记录材料处理工艺限制了它的发展和应用。1967年美国科学家古德曼(J.W.Goodman)首次提出了数字全息图。数字全息是传统全息术和计算机技术结合的产物，它用计算机准确地模拟物光波和参考光波的干涉过程，生成全息图；然后通过绘图仪或专用的计算机缩微系统模拟物光波的衍射过程，进行光学再现。计算全息不仅可以全面的记录真实物光波的振幅和相位，还可以对虚拟的三维物体进行全息图的生成，其全息图生成和三维物体再现过程简单、方便，具有极大的灵活性，因而在工业领域得到了广泛的应用，例如激光处理、数字显微镜和3D显示等。计算全息可以有效利用计算机技术和数字图像处理技术来改善全息图的质量，同时可以得到良好的三维显示效果，但是实际应用中的全息图空间带宽积往往很大，现有计算机的计算速度、存储容量等无法满足全息图的实时生成和显示，严重制约了计算全息的发展。点源法，也叫光线追迹法，是经典的计算全息算法，它完全模拟了光学全息的物理过程，将三维物体视为空间中的点光源集合，每个点光源会与参考光在全息面相干生成基元全息图，叠加所有的基元全息图便可得到三维物体的全息图。点源法计算全息能够提供物体完整的三维信息，但是每计算全息图上的一个像素位就要遍历所有的物光点，且计算过程涉及指数运算、平方根运算等复杂的非线性运算，算法的运算量会随着物光点数目的增多急剧增加，使得全息图的生成速度极低。针对这一问题，MarkLucent等人提出了查表法(M.Lucente,Interactivecomputationofhologramsusingalook-uptable,J.ElectronicImaging2(1),28-35(1993))，将三维空间区域的所有物光点的基元全息图预先计算并存储起来，当计算一个物体的全息图时，通过相应的索引从存储的数据中调用三维物体各个物光点的基元全息图，然后线性叠加即可得到物体的全息图。查表法通过提前离线计算的方式避免了在线生成全息图过程中复杂的非线性运算，但是存储三维空间物光点的基元全息图需要占据很大的存储空间，对实际应用产生了极大的限制。
技术实现思路
本专利技术的目的在于提供一种基于深度前馈神经网络的数字全息图生成系统及方法，以大大降低点源法生成全息图的计算时间，解决现有技术存在的问题。本专利技术通过自定义前馈网络将点源法中的距离计算过程网络化，并训练全连接神经网络逼近点源法计算过程涉及的非线性函数，然后使用网络拼接的方式形成深度前馈神经网络。利用得到的深度前馈神经网络可以实现不同点云物体数字全息图的快速生成。为了实现上述目的，本专利技术采用如下技术方案：一种基于深度前馈神经网络的数字全息图生成方法，包括：1)构建前馈神经网络，包含输入层、隐含层和输出层；2)构建四层全连接神经网络，包含一个输入层、两个隐含层和一个输出层，使用相应数据进行训练，得到训练完毕的全连接神经网络；3)以步骤1)构建前馈神经网络的输出作为步骤2)所得全连接神经网络的输入，对两个网络进行拼接，形成深度前馈神经网络；使用深度前馈神经网络生成点云物体的数字全息图。进一步的，还包括以下步骤：4)对步骤3)得到的数字全息图进行再现，得到再现像。进一步的，步骤1)中根据前馈神经网络结构对点源法计算全息图的基本计算公式进行网络化设计，得到三层自定义的前馈神经网络；步骤1)所述点源法计算全息图的基本计算公式如式(5)所示：其中，rp为物光点p到全息面采样点(xh,yh)的距离，rp计算公式如式(2)所示：采用自定义前馈神经网络对公式(2)进行网络化设计；以(xp,yp,zp)为网络输入，(xh,yh)为网络参数，神经元激活函数采用自定义激活函数，为输出，构建自定义前馈神经网络。进一步的，前馈神经网络中输入层和隐含层之间所有连接的权重均为1，偏置自上而下分别为-xh，-yh和0，隐含层激活函数为自定义求平方函数；隐含层和输出层之间所有连接的权重均为1，偏置均为0，输出层激活函数为自定义取小数函数；(xh,yh)为全息面上采样点坐标。进一步的，步骤2)具体包括如下步骤：21)构建四层全连接神经网络，用于学习余弦函数运算规律；所述余弦函数为公式(5)中的余弦函数部分，记为22)将高频余弦函数映射为单周期基频函数，映射表达式为：其中frac()为取小数操作；所述的相应数据为神经网络训练数据，由rp及公式(7)产生；23)使用步骤22)中的训练数据，采用逆向传播算法对步骤21)中构建的全连接神经网络进行训练；所述神经网络的逆向传播训练方法采用均方误差的最速下降算法，调整所述全连接神经网络的网络权重和偏置；当网络输出误差达到设定值时结束网络训练，得到训练完毕的全连接神经网络。进一步的，步骤3)具体包括：将步骤1)得到的自定义前馈神经网络的输出层和步骤2)得到的训练完毕的全连接神经网络的输入层合并为一层，并修改其神经元激活函数，完成两个网络的拼接，形成深度前馈神经网络。进一步的，步骤3)中使用深度前馈神经网络生成三维点云物体的数字全息图，具体过程为：以点云物体的三维坐标(xp,yp,zp)为深度前馈神经网络的输入，网络的输出为该物光点在全息面采样点(xh,yh)处的基元全息图，叠加所有物光点在(xh,yh)处的基元全息图，得到点云物体在(xh,yh)处的全息图；遍历全息面所有采样点，得到点云物体的数字全息图。进一步的，全连接神经网络的逆向传播训练方法包括：(1)对训练数据集进行归一化处理；(2)将一个训练样本输入到全连接神经网络中，计算网络输出；(3)计算网络实际输出与期望输出的误差，根据Adam优化方法，逆向逐层调整各层参数；(4)重复第(2)、(3)步，直至所有训练样本都已输入；(5)计算所有训练样本的实际输出与期望输出的累计总误差，训练次数加1，若此总误差小于设定总误差或训练次数大于设定训练次数，网络训练结束，否则重新进入步骤(2)。一种基于深度前馈神经网络的数字全息图生成系统，包括：前馈神经网络构建模块，用于构建前馈神经网络；所构建的前馈神经网络包含输入层、隐含层和输出层；四层全连接神经网络构建模块，用于构建四层全连接神经网络；所构建四层全连接神经网络构包含一个输入层、两个隐含层和一个输出层；所述四层全连本文档来自技高网...

【技术保护点】
1.一种基于深度前馈神经网络的数字全息图生成方法，其特征在于，包括：/n1)构建前馈神经网络，包含输入层、隐含层和输出层；/n2)构建四层全连接神经网络，包含一个输入层、两个隐含层和一个输出层，使用相应数据进行训练，得到训练完毕的全连接神经网络；/n3)以步骤1)构建前馈神经网络的输出作为步骤2)所得全连接神经网络的输入，对两个网络进行拼接，形成深度前馈神经网络；使用深度前馈神经网络生成点云物体的数字全息图。/n

【技术特征摘要】
1.一种基于深度前馈神经网络的数字全息图生成方法，其特征在于，包括：
1)构建前馈神经网络，包含输入层、隐含层和输出层；
2)构建四层全连接神经网络，包含一个输入层、两个隐含层和一个输出层，使用相应数据进行训练，得到训练完毕的全连接神经网络；
3)以步骤1)构建前馈神经网络的输出作为步骤2)所得全连接神经网络的输入，对两个网络进行拼接，形成深度前馈神经网络；使用深度前馈神经网络生成点云物体的数字全息图。


2.根据权利要求1所述的一种基于深度前馈神经网络的数字全息图生成方法，其特征在于，还包括以下步骤：
4)对步骤3)得到的数字全息图进行再现，得到再现像。


3.根据权利要求1所述的一种基于深度前馈神经网络的数字全息图生成方法，其特征在于，步骤1)中根据前馈神经网络结构对点源法计算全息图的基本计算公式进行网络化设计，得到三层自定义的前馈神经网络；
步骤1)所述点源法计算全息图的基本计算公式如式(5)所示：



其中，rp为物光点p到全息面采样点(xh,yh)的距离，rp计算公式如式(2)所示：



采用自定义前馈神经网络对公式(2)进行网络化设计；以(xp,yp,zp)为网络输入，(xh,yh)为网络参数，神经元激活函数采用自定义激活函数，为输出，构建自定义前馈神经网络。


4.根据权利要求3所述的一种基于深度前馈神经网络的数字全息图生成方法，其特征在于，前馈神经网络中输入层和隐含层之间所有连接的权重均为1，偏置自上而下分别为-xh，-yh和0，隐含层激活函数为自定义求平方函数；隐含层和输出层之间所有连接的权重均为1，偏置均为0，输出层激活函数为自定义取小数函数；(xh,yh)为全息面上采样点坐标。


5.根据权利要求1所述的一种基于深度前馈神经网络的数字全息图生成方法，其特征在于，步骤2)具体包括如下步骤：
21)构建四层全连接神经网络，用于学习余弦函数运算规律；所述余弦函数为公式(5)中的余弦函数部分，记为



22)将高频余弦函数映射为单周期基频函数，映射表达式为：



其中frac()为取小数操作；所述的相应数据为神经网络训练数据，由rp及公式(7)产生；
23)使用步骤22)中的训练数据，采用逆向传播算法对步骤21)中构建的全连接神经网络进行训练；所述神经网络的逆向传播训练方法采用均方误差的最速下降算法，调整所述全连接神经网络的网络权重和偏置；当网络输出误差...

【专利技术属性】
技术研发人员：刘静，马超群，蒋晓瑜，李刘鹏，苏立玉，黄开宇，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：陕西;61