基于光衍射神经网络的拓展全息显示分辨率方法技术

本发明专利技术提供了一种基于光衍射神经网络的拓展全息显示分辨率方法。该方法在全息图重建过程中通过光衍射神经网络拓展全息重建图像的分辨率。通过在低分辨率全息图重建路径上使用光衍射神经网络，光衍射神经网络的衍射层分辨率为目标分辨率，将对全息图重建中不同距离的光场进行重采样和调制，最终在保证全息图重建质量的前提下提高重建图像分辨率。本发明专利技术可以有效扩展全息重建图像分辨率，以生成低分辨率全息图的计算时间，获得高分辨率全息图的显示效果，而且，具有计算速度快，功耗低的特点。功耗低的特点。功耗低的特点。

【技术实现步骤摘要】
基于光衍射神经网络的拓展全息显示分辨率方法


[0001]本专利技术涉及一种光学和机器学习
，特别是一种拓展全息显示分辨率的方法。

技术介绍

[0002]全息术能够存储光的振幅和相位并重建目标光场全部信息，它在很多应用领域获得了广泛的研究。在全息显示中，使用计算机生成高分辨全息图需要处理很大的数据量，高分辨率全息图生成耗时，因此加快全息图的生成速度一直是全息领域研究的热点。传统的全息图快速生成方法使用计算机存储空间换取更快的生成时间，其计算过程同样依赖于电子计算机。如果生成低分辨全息图，然后在全息重建端进行上采样，会得到高分辨重建图像，还有光速并行和低功耗的优势。然而，如何在全息图上采样后重建还能保持重建图像的质量，在这方面的研究较少。因此，在全息重建过程中实现分辨率的拓展仍旧是一个挑战。

技术实现思路

[0003]本专利技术针对上述高分辨率全息图生成耗时且依赖于电子计算机的问题，提出一种基于光衍射神经网络的拓展全息显示分辨率方法。所提出的方法可以在全息图重建过程中使用光学手段并行处理图像，以低分辨全息图生成时间获得高分辨全息显示效果，而且计算方便、计算速度快。
[0004]所述的方法总体分为四个步骤，方法具体描述为：步骤一，基于光学衍射算法计算全息面衍射场分布：首先，对分辨率为m
×
n的物体U0进行随机相位调制得到复振幅分布U1，其过程表示为U1=U0
×
exp(j
×
ϕ
)，其中，j为虚数单位，
ϕ
为在[0, 2π]间分布的随机相位；然后，对于复振幅分布为U1的物平面初始光场经过距离为z的衍射过程，采用基于光学衍射传播算法计算全息面衍射场分布U2，其过程表示为U2= Prop{U1, z}，其中Prop{(), z}表示距离为z的衍射过程；步骤二，全息面衍射场分布编码为计算全息图：将得到的全息面衍射场分布U2进行编码，得到用于空间光调制器件上加载并进行显示的全息图Holo，其过程表示为Holo=Encode(U2)，其中Encode()表示对复振幅的编码过程函数；步骤三，全息图重建过程中使用光衍射神经网络提升重建图像分辨率：在全息图Holo重建距离z间加入L层的光衍射神经网络，通过最小化损失函数Loss()值训练的光衍射神经网络处理全息图Holo得到分辨率拓展后的重建图像U
re
，其过程表述为：U
re
=ODN
θ
{Holo, z},其中ODN
θ
{(), z}表示光衍射神经网络拓展全息重建图像分辨率的过程；步骤四，光衍射神经网络物理参数的设计：根据生成全息图的光波长
휆
、全息图采样间隔
∆
h、衍射距离z，设计光衍射神经网络的物理参数，其中所涉及到的参数包括：傅里透镜焦距f、光衍射神经网络的衍射层数L、每层的神经元数目N与大小
∆
p、以及衍射层之间的间隔D。
[0005]所述的对物体U0进行随机相位调制，特别地，如果随机相位的相位皆为0，则是不添加随机相位，不添加随机相位是添加随机相位的一种特殊情况。
[0006]所述的光衍射神经网络拓展全息重建图像分辨率的过程ODN
θ
{(), z}，其特征在
于，光衍射神经网络的结构是由多个衍射层组合而成，光场传播到衍射层上，经过衍射层参数的幅度和相位调制，每层的神经元的输出又变成次级波源衍射到下一层。全息图在重建过程中，重建距离z被分为L份，L表示光衍射神经网络的衍射层数，不同距离的重建光场与衍射层进行卷积操作，所有衍射层的分辨率皆为r
⋅
m
×
r
⋅
n，其中r代表最终拓展的目标分辨率乘性因子，经过L层光衍射神经网络的调制，实现拓展分辨率的目的，同时保障全息图重建质量。其中任意一个衍射层的输出函数表示为：U
i = FT
‑1(A
i
×
exp(j
×
φ
i
)
×
FT(Prop{U
i
‑1, D
i
}))，其中U
i
‑1和U
i
分别表示经过第i
‑
1层和第i层衍射层调制后的输出光场，D
i
表示第i
‑
1层到第i层的衍射距离，A
i
表示第i衍射层的振幅调制系数，φ
i
表示第i衍射层的相位调制系数，FT()为傅里叶变换，FT
‑1()为逆傅里叶变换。
[0007]所述的损失函数Loss()，其特征在于，采用均方误差计算目标图像和光衍射神经网络处理后图像间的损失，具体公式为：Loss = Sum{(U
re
ꢀ−ꢀ
U
t
)2}∕N，其中Sum{}是求解输入所有元素的和的方法，U
t
为目标图像，U
re
为经过光衍射神经网络处理后的图像，N为图像像素数量。在计算机中进行模型训练过程，使用梯度下降方法更新网络的调制参数，经过多次迭代，使得Loss函数值收敛，得到优化好的光衍射神经网络模型。
[0008]所述的光衍射神经网络物理参数的设计过程，其特征在于，傅里透镜焦距f、光衍射神经网络的衍射层数L根据多次仿真实验确定；衍射层神经元数目N根据全息图分辨率m
×
n和扩展因子r确定，神经元大小
∆
p根据公式
∆
p = 휆
×
f∕(
∆
h
×
n
×
r)计算得到；衍射层之间的间隔D通过公式D≥ N
1/2
∆
p
×
(4
×∆
p2∕
휆2‑
1)
1/2
计算得到。
[0009]该方法的有益效果在于：本专利技术创造性地将光衍射神经网络用在全息显示领域，在全息重建端使用来提高重建图像的分辨率，同时维持人眼可接受的重建质量。本专利技术所提供的方法能够有效提高全息图重建图像的分辨率，减少全息图生成时间，模型训练简单且计算速度快、功耗低。
附图说明
[0010]附图1为本专利技术的基于光衍射神经网络的拓展全息显示分辨率的示意图。
[0011]附图2为本专利技术中低分辨全息图重建性能示意图。
[0012]附图3为本专利技术中低分辨率全息图填充为高分辨率全息图后直接重建和经过光衍射神经网络重建的性能对比示意图。
[0013]注：上述附图只是示意性的，并没有按比例绘制。
具体实施方式
[0014]下面详细说明本专利技术一种基于光衍射神经网络的拓展全息显示分辨率方法的一个典型实施例，对该方法进行进一步的具体描述。有必要在此指出的是，以下实施例只用于该方法做进一步的说明，不能理解为对该方法保护范围的限制，该领域技术熟练人员本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于光衍射神经网络的拓展全息显示分辨率方法，其特征在于，在全息图重建端使用光衍射神经网络进行分辨率拓展，所述的方法具体描述为：步骤一，基于光学衍射算法计算全息面衍射场分布：首先，对分辨率为m
×
n的物体U0进行随机相位调制得到复振幅分布U1，其过程表示为U1=U0
×
exp(j
×
ϕ
)，其中，j为虚数单位，
ϕ
为在[0, 2π]间分布的随机相位；然后，对于复振幅分布为U1的物平面初始光场经过距离为z的衍射过程，采用基于光学衍射传播算法计算全息面衍射场分布U2，其过程表示为U2= Prop{U1, z}，其中Prop{(), z}表示距离为z的衍射过程；步骤二，全息面衍射场分布编码为计算全息图：将得到的全息面衍射场分布U2进行编码，得到用于空间光调制器件上加载并进行显示的全息图Holo，其过程表示为Holo=Encode(U2)，其中Encode()表示对复振幅的编码过程函数；步骤三，全息图重建过程中使用光衍射神经网络提升重建图像分辨率：在全息图Holo重建距离z间加入L层的光衍射神经网络，通过最小化损失函数Loss()值训练的光衍射神经网络处理全息图Holo得到分辨率拓展后的重建图像U
re
，其过程表述为：U
re
=ODN
θ
{Holo, z},其中ODN
θ
{(), z}表示光衍射神经网络拓展全息重建图像分辨率的过程；步骤四，光衍射神经网络物理参数的设计：根据生成全息图的光波长
휆
、全息图采样间隔
∆
h、衍射距离z，设计光衍射神经网络的物理参数，其中所涉及到的参数包括：傅里透镜焦距f、光衍射神经网络的衍射层数L、每层的神经元数目N与大小
∆
p、以及衍射层之间的间隔D。2.根据权利要求1所述的对物体U0进行随机相位调制，特别地，如果随机相位的相位皆为0，则是不添加随机相位，不添加随机相位是添加随机相位的一种特殊情况。3.根据权利要求1所述的光衍射神经网络拓展全息重建图像分辨率的过程ODN
θ
{(), z}，其特征在于，光衍射神经网络的结构是由多个衍射层组合而成，光场传播到衍射层上，经过衍射层参数的幅度和相位调制，每层的神经元的输出又变成次级波源衍射到下一层；全息图在重建过程中，重建距离z被分为L份，L表示光衍射神经网络的衍射层数，不同距离的重建光场与衍射层进行卷积操作，所有衍射层的分辨率皆为...

【专利技术属性】
技术研发人员：王君，杨欢，伍旸，
申请(专利权)人：四川大学，
类型：发明
国别省市：