一种结合DNN的纯相位全息图生成方法及系统技术方案

本发明专利技术涉及一种结合DNN的纯相位全息图生成方法及系统，所述方法包括：获取目标图像；将目标图像进行反向传播，得到全息面上的衍射场；将所述衍射场的复振幅利用深度神经网络进行处理，得到纯相位信息；所述深度神经网络为生成器结构；根据所述纯相位信息利用角谱法进行图像重建，得到重建图像。本发明专利技术能够提高重建图像的显示质量。建图像的显示质量。建图像的显示质量。

【技术实现步骤摘要】
一种结合DNN的纯相位全息图生成方法及系统


[0001]本专利技术涉及纯相位全息领域，特别是涉及一种结合DNN的纯相位全息图生成方法及系统。

技术介绍

[0002]计算全息可以灵活地重建包括大体积、大场景甚至现实世界不存在的各种三维物体的物光波前，在三维显示领域受到广泛应用。目前阶段重建图像所使用的SLM为大多为纯相位空间光调制器，因此需要生成高质量的纯相位全息图。经典的GS算法需要迭代多次才能生成再现质量良好的全息图，花费时间过多。而传统的加快计算速度的全息计算方法，往往是对物光波前或干涉条纹近似处理，导致再现图像质量不高。
[0003]传统神经网络在计算纯相位全息图时，直接把目标图像作为输入数据输入到网络模型中，然后直接输出纯相位信息。神经网络隐含层的计算过程中糅杂了傅里叶变换、傅里叶逆变换和复振幅与纯相位之间的变换等复杂的运算关系，网络结构十分复杂，且神经网络对傅里叶变换的拟合能力较弱，这导致了重建图像质量较差。当目标图像像素过多时，传统方法对神经网络的结构设计、节点参数提出了很高的要求，并且容易出现过拟合的情况。

技术实现思路

[0004]本专利技术的目的是提供一种结合DNN的纯相位全息图生成方法及系统，以提高重建图像的显示质量。
[0005]为实现上述目的，本专利技术提供了如下方案：
[0006]一种结合DNN的纯相位全息图生成方法，包括：
[0007]获取目标图像；
[0008]将所述目标图像进行反向传播，得到全息面上的衍射场；
[0009]将所述衍射场的复振幅利用深度神经网络进行处理，得到纯相位信息；所述深度神经网络为生成器结构；
[0010]根据所述纯相位信息利用角谱法进行图像重建，得到重建图像。
[0011]可选地，所述深度神经网络的训练过程具体包括：
[0012]以衍射场的训练复振幅为输入，以纯相位训练信息为输出，以所述目标图像和所述重建图像之间损失为损失函数，对深度神经网络中的参数进行优化训练，得到训练好的深度神经网络；所述损失包括像素损失和感知损失。
[0013]可选地，所述衍射场的表达式为：
[0014][0015]其中，U(x,y；z)为衍射场，为傅里叶变换符号，为傅里叶逆变换符号，为目标图像反向传播的带限传递函数，u(x,y)为复振幅的实部，v(x,y)为复振幅的虚部，j为虚数单位，I(x',y')为目标图像。
[0016]可选地，所述重建图像的表达式为：
[0017][0018]其中，为重建图像，为傅里叶变换符号，为傅里叶逆变换符号，为纯相位信息，为纯相位正向传播的带限传递函数。
[0019]一种结合DNN的纯相位全息图生成系统，包括：
[0020]获取模块，用于获取目标图像；
[0021]反向传播模块，用于将所述目标图像进行反向传播，得到全息面上的衍射场；
[0022]纯相位信息确定模块，用于将所述衍射场的复振幅利用深度神经网络进行处理，得到纯相位信息；所述深度神经网络为生成器结构；
[0023]重建模块，用于根据所述纯相位信息利用角谱法进行图像重建，得到重建图像。
[0024]可选地，所述深度神经网络的训练过程具体包括：
[0025]以衍射场的训练复振幅为输入，以纯相位训练信息为输出，以所述目标图像和所述重建图像之间损失为损失函数，对深度神经网络中的参数进行优化训练，得到训练好的深度神经网络；所述损失包括像素损失和感知损失。
[0026]可选地，所述衍射场的表达式为：
[0027][0028]其中，U(x,y；z)为衍射场，为傅里叶变换符号，为傅里叶逆变换符号，为目标图像反向传播的带限传递函数，u(x,y)为复振幅的实部，v(x,y)为复振幅的虚部，j为虚数单位，I(x',y')为目标图像。
[0029]可选地，所述重建图像的表达式为：
[0030][0031]其中，为重建图像，为傅里叶变换符号，为傅里叶逆变换符号，为纯相位信息，为纯相位正向传播的带限传递函数。
[0032]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：
[0033]本专利技术提供的结合DNN的纯相位全息图生成方法及系统，将目标图像进行反向传播，得到全息面上的衍射场；将所述衍射场的复振幅利用深度神经网络进行处理，得到纯相位信息；所述深度神经网络为生成器结构；根据所述纯相位信息利用角谱法进行图像重建，得到重建图像。本专利技术将纯相位全息图生成方法计算过程分成了两步，首先使用角谱法实现傅里叶变换和傅里叶逆变换，然后再利用深度神经网络实现复振幅与纯相位之间的变换，这减轻了神经网络的工作负担，降低了网络模型的结构复杂度和节点参数数目，有效提高了计算的精度，明显增强了重建图像的显示质量。
附图说明
[0034]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性的前提下，还可以根据这些附图获得其他的附图。
[0035]图1为本专利技术提供的结合DNN的纯相位全息图生成方法流程图；
[0036]图2为本专利技术提供的结合DNN的纯相位全息图生成方法示意图；
[0037]图3为本专利技术提供的结合DNN的纯相位全息图生成系统框图。
具体实施方式
[0038]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。
[0039]本专利技术的目的是提供一种结合DNN的纯相位全息图生成方法及系统，以提高重建图像的显示质量。
[0040]为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本专利技术作进一步详细的说明。
[0041]如图1所示，本专利技术提供的一种结合DNN的纯相位全息图生成方法，包括：
[0042]步骤101：获取目标图像。
[0043]步骤102：将目标图像进行反向传播，得到全息面上的衍射场。
[0044]步骤103：将所述衍射场的复振幅利用深度神经网络进行处理，得到纯相位信息；所述深度神经网络为生成器结构。
[0045]步骤104：根据所述纯相位信息利用角谱法进行图像重建，得到重建图像。
[0046]在实际应用中，所述深度神经网络的训练过程具体包括：
[0047]以衍射场的训练复振幅为输入，以纯相位训练信息为输出，以所述目标图像和所述重建图像之间损失为损失函数，对深度神经网络中的参数进行优化训练，得到训练好的深度神经网络；所述损失包括像素损失和感知损失。像素损失用重建图像和目标图像之间的平均绝对误差或平方差来表示；感知损失由重建图像和目标图像分别通过卷积得本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种结合DNN的纯相位全息图生成方法，其特征在于，包括：获取目标图像；将所述目标图像进行反向传播，得到全息面上的衍射场；将所述衍射场的复振幅利用深度神经网络进行处理，得到纯相位信息；所述深度神经网络为生成器结构；根据所述纯相位信息利用角谱法进行图像重建，得到重建图像。2.根据权利要求1所述的结合DNN的纯相位全息图生成方法，其特征在于，所述深度神经网络的训练过程具体包括：以衍射场的训练复振幅为输入，以纯相位训练信息为输出，以所述目标图像和所述重建图像之间损失为损失函数，对深度神经网络中的参数进行优化训练，得到训练好的深度神经网络；所述损失包括像素损失和感知损失。3.根据权利要求1所述的结合DNN的纯相位全息图生成方法，其特征在于，所述衍射场的表达式为：其中，U(x,y；z)为衍射场，为傅里叶变换符号，为傅里叶逆变换符号，为目标图像反向传播的带限传递函数，u(x,y)为复振幅的实部，v(x,y)为复振幅的虚部，j为虚数单位，I(x',y')为目标图像。4.根据权利要求1所述的结合DNN的纯相位全息图生成方法，其特征在于，所述重建图像的表达式为：其中，为重建图像，为傅里叶变换符号，为傅里叶逆变换符号，为纯相位信息，为纯相位正向传播的带限传递函数。5.一种结合DNN的纯相位全息图生成系统，其特征...

【专利技术属性】
技术研发人员：汪熙，闫兴鹏，刘新蕾，柳强，蒋晓瑜，荆涛，
申请(专利权)人：中国人民解放军陆军装甲兵学院，
类型：发明
国别省市：