【技术实现步骤摘要】
本专利技术属于信息领域的光学信息探测和处理技术，具体涉及结合自监督学习和物理模型的全息像重建方法。
技术介绍
1、全息图根据参考光波和物光波的夹角不同分为同轴全息图和离轴全息图。对于离轴全息图，传统的生成全息图方法还需要构建参考光波以及设定合适的物参光夹角。但两种全息图的生成都需要基于物理模型对光波的衍射进行模拟。常用的衍射模拟方法有：菲涅尔衍射法、角谱法。
2、菲涅尔衍射法(fdm)基于菲涅尔衍射理论，衍射距离必须满足菲涅尔近似条件。对于预放大数字全息显微系统，菲涅尔近似条件不一定成立。菲涅尔衍射法只进行一次傅里叶变换就可以得到衍射光波，因此衍射平面像元大小与物平面像元大小不一致，受到波长、衍射距离和采样数目的约束，使得菲涅尔衍射法的应用范围受到一定程度的限制。
3、角谱法(asm)基于衍射的平面波理论，严格遵从标量衍射的亥姆霍兹方程推导，不受到菲涅尔近似条件对衍射距离的限制。在角谱法中，需要分别进行一次二维离散傅里叶变换和二维离散逆傅里叶变换，因此物平面像元大小与衍射平面像元大小一致，在实际应用中相较于菲涅尔衍射法更加方便实用。但是在衍射距离太长时，会由于欠采样导致混叠。为了解决混叠通常需要对图像进行补零，显著地增加了计算量。传统生成全息图算法的缺陷是：1.菲涅尔衍射法与角谱法都存在临界有效衍射距离，在其范围内才能正确模拟衍射过程；2.两种方法的临界有效衍射距离存在一个禁区，需要补零或者插值扩展临界距离，增大了计算量；3.对于真实实验环境中存在的灰尘、噪声等因素不能很好的模拟，导致仿真实验结果与真实实
4、对于数字图像处理任务，深度学习方法一般利用卷积神经网络对图像的特征进行提取，前向传播获取目标图片或分类结果后，计算损失函数，反向传播更新网络参数，通过降低损失函数实现网络的训练，达到数字图像处理的目的。
5、现有的深度学习训练需要输入大量配对数据，因而面临着大量配对数据集的采集困难和采集耗时长的问题，同时训练所耗时间成本也较高。针对以上问题，提出一种能减少人力成本和时间成本的全息像重建方法很有必要。
技术实现思路
1、本专利技术提供一种新的结合自监督学习和物理模型的全息像重建智能算法，将一组系统成像所得的全息图与传统算法得到的相位图和振幅图构成图像数据。全息图、相位图和振幅图共同作为网络输入，并且作为监督标签，监督优化网络的参数，最终实现全息像的重建。相较于现有算法，本专利技术克服了前述的现有技术中存在的需要大量配对的标签数据、计算时间较长等缺陷。而且本专利技术对硬件环境条件没有特别要求，能针对拍摄全息图的多种情景实现准确短时生成。
2、本专利技术的具体技术方案是：
3、一种用于全息像重建的基于物理模型的自监督学习方法，其特征在于该方法包括以下步骤：
4、s1.使用离轴的预放大数字全息显微系统，对目标拍摄了多幅全息图，并且利用传统算法恢复了目标的相位和振幅，用于实验训练和验证。同时利用角谱法对生物细胞数字集生成了大量离轴全息图，用于仿真验证；
5、s2.建立神经网络模型，其中包含用于生成相位图像的网络1、用于生成振幅图像的网络2、用于生成全息图的网络3和网络4，四个网络都包含相同的网络结构；
6、s3.首先进行网络3、4优化，将全息图分别输入网络1和网络2生成对应的相位图和振幅图，再将生成的相位图和振幅图合成为复振幅，经过傅里叶变换后取得实部和虚部，分别输入网络3和网络4得到两个输出，将它们相加得到生成全息图。利用生成的全息图像与输入全息图像进行损失函数约束，实现对网络3、4的参数优化；
7、s4.随后再进行网络1、2的优化，将生成全息图输入网络1和网络2生成对应的相位图和振幅图，所有生成结果与输入振幅和相位，进行损失函数约束，实现对网络3、4的参数优化。
8、所述步骤s1的离轴的预放大数字全息显微系统可以是任意能实现对目标相位物体的离轴显微全息图拍摄的成像系统。
9、所述步骤s1的传统算法可以是任意能实现高质量离轴全息图重建的方法，其特征在于理论完备丰富，可实现途径多。
10、所述步骤s2的网络1、2、3、4可以是任意结构的网络模型，包括但不限于u型神经网络、全连接网络、全卷积网络、transformer网络等。
11、所述步骤s3的合成复振幅指将相位图作为虚部、振幅图作为实部合成为复数矩阵的操作。
12、本专利技术的有益效果在于克服了前述的现有技术中存在的需要大量配对的标签数据、计算时间较长等缺陷，通过对网络结构及损失函数进行优化，对一组数据进行训练，提供一种新的全息像重建智能算法。而且本专利技术对硬件环境条件没有特别要求，能针对拍摄全息图的多种情景实现准确短时生成。
本文档来自技高网...【技术保护点】
1.一种用于全息像重建的基于物理模型的自监督学习方法，其特征在于该方法包括以下步骤：
2.根据权利要求1所述的一种用于全息像重建的基于物理模型的自监督学习方法，其特征在于，所述步骤S1的离轴的预放大数字全息显微系统可以是任意能实现对目标相位物体的离轴显微全息图拍摄的成像系统。
3.根据权利要求1所述的一种用于全息像重建的基于物理模型的自监督学习方法，其特征在于，所述步骤S1的传统算法可以是任意能实现高质量离轴全息图重建的方法，其特征在于理论完备丰富，可实现途径多。
4.根据权利要求1所述的一种用于全息像重建的基于物理模型的自监督学习方法，其特征在于，所述步骤S2的网络1、2、3、4可以是任意结构的网络模型，包括但不限于U型神经网络、全连接网络、全卷积网络、Transformer网络等。
5.根据权利要求1所述的一种用于全息像重建的基于物理模型的自监督学习方法，其特征在于，所述步骤S3的合成复振幅指将相位图作为虚部、振幅图作为实部合成为复数矩阵的操作。
【技术特征摘要】
1.一种用于全息像重建的基于物理模型的自监督学习方法，其特征在于该方法包括以下步骤：
2.根据权利要求1所述的一种用于全息像重建的基于物理模型的自监督学习方法，其特征在于，所述步骤s1的离轴的预放大数字全息显微系统可以是任意能实现对目标相位物体的离轴显微全息图拍摄的成像系统。
3.根据权利要求1所述的一种用于全息像重建的基于物理模型的自监督学习方法，其特征在于，所述步骤s1的传统算法可以是任意能实现高质量离轴全息图重建的方法，其...
【专利技术属性】
技术研发人员：任振波，熊晨岑，邸江磊，赵建林，
申请(专利权)人：西北工业大学，
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。