【技术实现步骤摘要】
本专利技术为一种涉及深度学习和全息显示领域的高质量柱面全息图生成方法。
技术介绍
1、能否快速生成高质量柱面全息图是扩大全息图观察区域及提升观看体验的关键问题。近年来，深度学习技术随着gpu算力的提高性能愈发优越，由于其拟合能力强，计算速度快等特点，其在计算全息领域也显示出了显著优势。但是目前基于深度学习的全息图仅应用在平面全息显示技术中。已有的柱面全息优化方法生成速度过慢且生成的全息图质量不高。 因此，为了扩大全息图观察区域，提供更好的全息观感，提出一种基于神经网络快速生成高质量柱面全息图的方法是有必要的。
技术实现思路
1、本专利技术针对柱面全息图生成过程中的全息图质量较差问题，一种基于神经网络快速生成高质量柱面全息图的方法，本方法的计算过程按如下步骤进行：步骤1，将目标图像输入相位预测网络，获得对应的预测相位；步骤2，采用目标图像作为振幅信息，并结合预测相位进行复值化操作，生成融合复值；步骤3，在柱面全息图生成过程中使用柱面衍射算法，将融合复值衍射到指定深度，得到相应的衍射信息；步骤4，将衍射信息输入全息编码网络，生成对应的全息图；步骤5，在柱面全息图重建过程中，采用与生成过程相对的逆过程的衍射算法对全息图进行重建，得到重建物体表面的振幅信息，所述的生成过程与逆过程的衍射算法是非对称的；步骤6，使用损失函数计算重建物体表面振幅与目标图像振幅之间的振幅损失，并通过最小化损失函数的方法来训练相位预测网络和全息编码网络。
2、步骤1所述的相位预测网络是基于u-net架构
3、步骤4所述的全息编码网络是基于u-net架构的拟合网络，由复值型cnn卷积网络组成，其特征在于：步骤a，将融合复值作为复值卷积块的输入得到复值嵌入信息；步骤b，将复值嵌入信息输入到下采样卷积块中，经过四次下采样，得到下采样信息，其中下采样模块包含一个复值卷积层；步骤c，使用一个转置复值卷积层对特征值分别进行四次上采样，得到预测的全息图，其中每个上采样模块与相同通道数的下采样模块之间都包含跳跃连接。
4、该方法在相位预测阶段使用复值傅里叶卷积层在复振幅光场中提取双域信息，增强特征提取和推理，同时大大减轻了编码网络的负担，从而实现快速生成高质量柱面全息图。 因此，本专利技术可以快速生成高质量的柱面全息图，并且也有助于未来全息裸眼3d显示的发展。
本文档来自技高网...【技术保护点】
1.一种基于神经网络快速生成高质量柱面全息图的方法，其特征是按如下方法进行：步骤1，将目标图像输入相位预测网络，获得对应的预测相位；步骤2，采用目标图像作为振幅信息，并结合预测相位进行复值化操作，生成融合复值；步骤3，在柱面全息图生成过程中使用柱面衍射算法，将融合复值衍射到指定深度，得到相应的衍射信息；步骤4，将衍射信息输入全息编码网络，生成对应的全息图；步骤5，在柱面全息图重建过程中，采用与生成过程相对的逆过程的衍射算法对全息图进行重建，得到重建物体表面的振幅信息，所述的生成过程与逆过程的衍射算法是非对称的；步骤6，使用损失函数计算重建物体表面振幅与目标图像振幅之间的振幅损失，并通过最小化损失函数的方法来训练相位预测网络和全息编码网络。
2.根据权利要求1一种基于神经网络快速生成高质量柱面全息图的方法，所述的相位预测网络，其特征在于：步骤A，将带有初始相位的目标图像输入预处理模块得到复值嵌入信息，其中预处理模块依次经过复值傅里叶卷积层、复值归一化层，复值激活层；步骤B，将复值嵌入信息输入到下采样卷积块中，经过三次下采样，得到下采样信息，其中下采样卷积块中包含一个复值
3.根据权利要求1一种基于神经网络快速生成高质量柱面全息图的方法，所述的全息图编码网络，其特征在于：步骤A，将融合复值作为复值卷积块的输入得到复值嵌入信息；步骤B，将复值嵌入信息输入到下采样卷积块中，经过四次下采样，得到下采样信息，其中下采样模块包含一个复值卷积层；步骤C，使用一个转置复值卷积层对特征值分别进行四次上采样，得到预测的全息图，其中每个上采样模块与相同通道数的下采样模块之间都包含跳跃连接。
4.根据权利要求2所述的相位预测网络中所述的复值傅里叶卷积层，其特征在于包含实部和虚部两个处理分支，每个分支分别包含一个卷积层和一个傅里叶卷积层。
...【技术特征摘要】
1.一种基于神经网络快速生成高质量柱面全息图的方法，其特征是按如下方法进行：步骤1，将目标图像输入相位预测网络，获得对应的预测相位；步骤2，采用目标图像作为振幅信息，并结合预测相位进行复值化操作，生成融合复值；步骤3，在柱面全息图生成过程中使用柱面衍射算法，将融合复值衍射到指定深度，得到相应的衍射信息；步骤4，将衍射信息输入全息编码网络，生成对应的全息图；步骤5，在柱面全息图重建过程中，采用与生成过程相对的逆过程的衍射算法对全息图进行重建，得到重建物体表面的振幅信息，所述的生成过程与逆过程的衍射算法是非对称的；步骤6，使用损失函数计算重建物体表面振幅与目标图像振幅之间的振幅损失，并通过最小化损失函数的方法来训练相位预测网络和全息编码网络。
2.根据权利要求1一种基于神经网络快速生成高质量柱面全息图的方法，所述的相位预测网络，其特征在于：步骤a，将带有初始相位的目标图像输入预处理模块得到复值嵌入信息，其中预处理模块依次经过复值傅里叶卷积层、复值归一化层，复值...
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。