CN108089425B - 一种基于深度学习的消除光学扫描全息离焦噪声的方法 - Google Patents
一种基于深度学习的消除光学扫描全息离焦噪声的方法 Download PDFInfo
- Publication number
- CN108089425B CN108089425B CN201810038955.4A CN201810038955A CN108089425B CN 108089425 B CN108089425 B CN 108089425B CN 201810038955 A CN201810038955 A CN 201810038955A CN 108089425 B CN108089425 B CN 108089425B
- Authority
- CN
- China
- Prior art keywords
- image
- filter
- noise
- layer
- convex lens
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 230000003287 optical effect Effects 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000001093 holography Methods 0.000 title claims abstract description 20
- 238000013135 deep learning Methods 0.000 title claims abstract description 13
- 230000008030 elimination Effects 0.000 title claims description 13
- 238000003379 elimination reaction Methods 0.000 title claims description 13
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 238000013528 artificial neural network Methods 0.000 claims abstract description 6
- 210000001747 pupil Anatomy 0.000 claims description 32
- 230000006870 function Effects 0.000 claims description 20
- 238000013527 convolutional neural network Methods 0.000 claims description 19
- 238000003062 neural network model Methods 0.000 claims description 8
- 210000002569 neuron Anatomy 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 241001269238 Data Species 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000005070 sampling Methods 0.000 description 9
- 238000012546 transfer Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000003475 lamination Methods 0.000 description 2
- 210000004218 nerve net Anatomy 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 1
- 239000000571 coke Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000005622 photoelectricity Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03H—HOLOGRAPHIC PROCESSES OR APPARATUS
- G03H1/00—Holographic processes or apparatus using light, infrared or ultraviolet waves for obtaining holograms or for obtaining an image from them; Details peculiar thereto
- G03H1/04—Processes or apparatus for producing holograms
- G03H1/0443—Digital holography, i.e. recording holograms with digital recording means
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03H—HOLOGRAPHIC PROCESSES OR APPARATUS
- G03H1/00—Holographic processes or apparatus using light, infrared or ultraviolet waves for obtaining holograms or for obtaining an image from them; Details peculiar thereto
- G03H1/04—Processes or apparatus for producing holograms
- G03H1/10—Processes or apparatus for producing holograms using modulated reference beam
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03H—HOLOGRAPHIC PROCESSES OR APPARATUS
- G03H2225/00—Active addressable light modulator
- G03H2225/20—Nature, e.g. e-beam addressed
- G03H2225/21—Acousto-optic SLM [AO-SLM]
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03H—HOLOGRAPHIC PROCESSES OR APPARATUS
- G03H2226/00—Electro-optic or electronic components relating to digital holography
- G03H2226/02—Computing or processing means, e.g. digital signal processor [DSP]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Theoretical Computer Science (AREA)
- Holo Graphy (AREA)
Abstract
本发明公开了一种基于深度学习的消除光学扫描全息离焦噪声的方法,属于光学扫描全息领域与图像去噪领域,主要解决了光学扫描全息中离焦噪声的问题。本发明利用深度神经网络学习的方法,消除经随机加密处理后的重建图的离焦噪声,通过训练带有离焦噪声的图像以及无离焦噪声的图像,从而消除测试图像的离焦噪声。本发明有效地实现了光学扫描全息中离焦噪声大的问题,这种去除噪声的方法适用于各个领域。
Description
技术领域
本发明涉及光学扫描全息领域与图像去噪领域,具体地讲,是涉及一种基于深度学习的消除光学扫描全息离焦噪声的方法及实现该方法的装置。
背景技术
光学扫描全息技术,简称OSH,它利用逐点扫描的方法将三维物体以二维数字图像形式存储,相较于一般的数字全息技术,其通过逐点扫描,因此其分辨率不受数字设备的限制,同时,其获得的全息图没有干涉引起的斑点噪声。自该技术提出以来,已在多个领域得到了应用,比如:扫描全息显微镜、3D图像识别以及3D光学遥感等领域。
消除离焦噪声一直是光学扫描全息中的一个热点研究问题,其对于多层切片的全息图有重要意义。当重建全息图在某一层聚焦时,其余层将会作为离焦噪声影响图像的清晰度,因此,为了得到高分辨率的重建全息图,国内外科研人员做了很多相关工作。
文献《Sectional image reconstruction in optical scanning holographyusing a random-phase pupil》提出了一种利用随机相位板实现对光学扫描全息图加密的算法,并提出了一种利用多帧平均的方法消除离焦噪声,该方法可以很好的消去离焦噪声,但由于需要多帧平均处理,因此时效性较低。
文献《Defocus noise suppression with combined frame difference andconnected component methods in optical scanning holography》提出了一种基于帧差法和连通域的方法,该方法具有较好的时效性,但该方法得到的结果边缘不光滑,且相较于原图像有变形。
如何在保证很好地消除离焦噪声的同时具备较快的处理时效的问题,是本发明重点解决的问题之一。
另外,文献《U-Net:Convolutional Networks for Biomedical ImageSegmentation》利用深度卷积神经网络分割生物细胞图像,其中给出了一种U形网络结构,其通过对称网络路径的结构设计,使其具有使用样本少、速度快的特点,本发明基于这种深度学习方法和网络结构,巧妙融入对离焦噪声处理的问题中,实现部分模拟人的能力,对光学随机加密后的离焦噪声进行有效消除。
发明内容
为克服现有技术中的上述问题,本发明提供一种处理时效较高、消除效果较好的基于深度学习的消除光学扫描全息离焦噪声的方法,该方法利用深度卷积神经网络,经过对样本的训练,实现有效消除离焦噪声的目的。
为了实现上述目的,本发明采用的技术方案如下:
一种基于深度学习的消除光学扫描全息离焦噪声的方法,包括如下步骤:
(S100)通过光学全息扫描装置扫描物体获得加密的全息图;
(S200)解密重建全息图得到带有离焦噪声的重建图像;
(S300)预先利用样本图像训练深度卷积神经网络,获得可消除离焦噪声的神经网络模型;
(S400)将步骤(S200)中带有离焦噪声的重建图像经过所述神经网络模型,得到消除离焦噪声后的重建图像。
具体地,所述光学全息扫描装置包括激光器Laser,与激光器Laser对应的第一分束器BS1,由声光调制器AOFS、第一反射镜M1、第一光瞳p1(x,y)和第一凸透镜L1构成的并与第一分束器BS1对应的第一光路,由第二反射镜M2、第二光瞳p2(x,y)和第二凸透镜L2构成的并与第一分束器BS1对应的第二光路,将第一光路和第二光路干涉合并的第二分束器BS2,与第二分束器BS2对应的由X-Y扫描振镜、第三凸透镜L3和光电探测器PD构成的扫描光路,其中,第一凸透镜L1和第二凸透镜L2的焦距相同,待扫描的物体放置于该扫描光路的X-Y扫描振镜和第三凸透镜L3之间。
进一步地,所述步骤(S100)中,激光器Laser发射频率为ω0的激光,由第一分束器BS1将光波分为两束,其中一束光波走第一光路经声光调制器AOFS将其频率由ω0提升为ω0+Ω,再依次经过第一反射镜M1、第一光瞳p1(x,y)和第一凸透镜L1,到达第二分束器BS2处,同时另一束光波走第二光路依次经过第二反射镜M2、第二光瞳p2(x,y)和第二凸透镜L2,也到达第二分束器BS2处;
该两束光波在第二分束器BS2处干涉形成菲涅尔波带板,再经X-Y扫描振镜反射扫描物体,其中透过物体的光波经第三凸透镜L3汇聚,并被光电探测器PD接收,经一系列解调得到加密的全息图。
其中,所述第一光瞳p1(x,y)为随机相位板,所述第二光瞳p2(x,y)为矩形1函数。
所述扫描过程的光学传递函数为:
其中,x和y表示待测物体的位置,x’和y’为积分变量,z表示X-Y扫描振镜到待测物体的距离,λ表示光波波长,表示波数,f为第一凸透镜和第二凸透镜的焦距,kx和ky表示频域坐标,p1(x,y)和p2(x,y)分别表示第一光瞳函数和第二光瞳函数,
此处,由于第一光瞳为随机相位板,故p1(x,y)=exp(jπ·r(x,y)),由于第二光瞳为矩形1函数,故p2(x,y)=1,r(x,y)为[0,1]的二维随机数,则光学传递函数可表达为
其中,zi表示待测物体第i层与X-Y扫描振镜的轴向距离,i=1,2,…,N,N为待测物体沿轴向离散的层数,P1表示p1(x,y)的傅里叶变换形式,*表示共轭运算;
因此,所述加密的全息图表达为
其中,g(x,y;zi)为待测物体第i层切片的复振幅函数,F和F-1分别表示傅里叶变换和逆傅里叶变换。
进一步地,所述步骤(S200)中,在解密重建第r层物体的图像时,设定解码光瞳函数p1d(x,y)=1,则重建zr图像表达为
其中,g(x,y;zr)为在zr处重建恢复的图像,等式右侧剩余部分为噪声项。
进一步地,所述步骤(S300)中,训练深度卷积神经网络的过程为
(S310)获取噪声部分图像:预先准备M张物体的样本图像O(x,y),根据所述式3获得其加密的全息图,并通过所述式4进行解密,此时解密时设定p1d(x,y)=1,p2d(x,y)=exp(jπ·r1(x,y)),使得这些全息图被错误解密,获得M张噪声图像N(x,y),其中,r1(x,y)为与r(x,y)不同的二维随机数;
(S320)生成训练数据:用O(x,y)+N(x,y)作为深度卷积神经网络训练的输入图像,O(x,y)为深度卷积神经网络对应的输出图像,得到M2组训练数据;
(S330)基于这些训练数据构建形成可消除离焦噪声的神经网络模型。
其中,所述深度卷积神经网络包括多个巻积层和池化层,以及相应的正则化;
巻积层:输入图像与巻积层中的各个滤波器做卷积运算,得到与滤波器个数相同层数的图像;
池化层:将图像逐点在滤波器大小的矩阵区域当中选择出其中的最大值,作为矩阵对应位置的新值;
正则化:将大于阈值的神经元保留,将小于阈值的神经元去掉,防止过拟合。
具体地,所述深度卷积神经网络包括
第一层:卷积层,滤波器个数为64,滤波器的大小为3×3;第二层:卷积层,滤波器个数为64,滤波器的大小为3×3;第三层:池化层,大小为2×2;第四层:卷积层,滤波器个数为128,滤波器的大小为3×3;第五层:卷积层,滤波器个数为128,滤波器的大小为3×3;第六层:池化层,大小为2×2;第七层:卷积层,滤波器个数为256,滤波器的大小为3×3;第八层:卷积层,滤波器个数为256,滤波器的大小为3×3;第九层:池化层,大小为2×2;第十层:卷积层,滤波器个数为512,滤波器的大小为3×3;第十一层:卷积层,滤波器个数为512,滤波器的大小为3×3,并以0.5为阈值正则化;第十二层:池化层,大小为2×2;第十三层:卷积层,滤波器个数为1024,滤波器的大小为3×3;第十四层:卷积层,滤波器个数为1024,滤波器的大小为3×3,并以0.5为阈值正则化;第十五层:卷积层,滤波器个数为512,滤波器的大小为2×2,上采样大小为2×2,并与第十二层叠加合并;第十六层:卷积层,滤波器个数为512,滤波器的大小为3×3;第十七层:卷积层,滤波器个数为512,滤波器的大小为3×3;第十八层:卷积层,滤波器个数为256,滤波器的大小为2×2,上采样大小为2×2,并与第九层叠加合并;第十九层:卷积层,滤波器个数为256,滤波器的大小为3×3;第二十层:卷积层,滤波器个数为256,滤波器的大小为3×3;第二十一层:卷积层,滤波器个数为128,滤波器的大小为2×2,上采样大小为2×2,并与第六层叠加合并;第二十二层:卷积层,滤波器个数为128,滤波器的大小为3×3;第二十三层:卷积层,滤波器个数为128,滤波器的大小为3×3;第二十四层:卷积层,滤波器个数为64,滤波器的大小为2×2,上采样大小为2×2,并与第三层叠加合并;第二十五层:卷积层,滤波器个数为64,滤波器的大小为3×3;第二十六层:卷积层,滤波器个数为64,滤波器的大小为3×3;第二十七层:卷积层,滤波器个数为2,滤波器的大小为3×3;第二十八层:卷积层,滤波器个数为1,滤波器的大小为1×1。
与现有技术相比,本发明具有以下有益效果:
(1)本发明使用深度卷积神经网络和光学扫描全息技术,通过利用深度神经网络训练带有离焦噪声的图像,获得一个具有去噪特性的神经网络模型,实现了消除经随机加密后的全息图的离焦噪声。
(2)本发明使用深度学习的方法,有效地解决了随机加密后的全息图具有离焦噪声问题。
(3)该方法相较于现有技术,方法更简单,效果更优,且更加的智能化。
(4)本发明不仅实现方式简单、便于操作,同时具有很强的使用性。
附图说明
图1为本发明中光学全息扫描装置的基本结构示意图。
图2为本发明实施例采用的扫描的一组物体图像示意。
图3为本发明实施例得到的全息图例。
图4为本发明实施例解密后的图像,(a)为第一层的解密图像,(b)为第二层的解密图像。
图5为本发明实施例采用的深度卷积神经网络。
图6为本发明实施例采用的一组测试样本(a)为带有离焦噪声的测试样本,(b)为经过深度卷积神经网络去噪后的图像。
具体实施方式
下面结合附图和实施例对本发明作进一步说明,本发明的实施方式包括但不限于下列实施例。
实施例
如图1至图6所示,该基于深度学习的消除光学扫描全息离焦噪声的方法,具体步骤如下:
(S100)通过光学全息扫描装置扫描物体获得加密的全息图:
其所采用的光学全息扫描装置的基本结构如图1所示,包括:激光器Laser,与激光器Laser对应的第一分束器BS1,由声光调制器AOFS、第一反射镜M1、第一光瞳p1(x,y)和第一凸透镜L1构成的并与第一分束器BS1对应的第一光路,由第二反射镜M2、第二光瞳p2(x,y)和第二凸透镜L2构成的并与第一分束器BS1对应的第二光路,将第一光路和第二光路干涉合并的第二分束器BS2,与第二分束器BS2对应的由X-Y扫描振镜、第三凸透镜L3和光电探测器PD构成的扫描光路,其中,待扫描的物体放置于该扫描光路的X-Y扫描振镜和第三凸透镜L3之间;激光器发出的光波的波长λ=632.8nm,第一凸透镜L1和第二凸透镜L2的焦距相同,都为75mm,X-Y扫描振镜到双层切片的距离分别为z1=14mm,z2=15mm,被扫描物体如图2所示,采用的切片尺寸为1mm×1mm,采样像素点为256×256。
该光学全息扫描装置执行的过程为:激光器Laser发射频率为ω0的激光,由第一分束器BS1将光波分为两束,其中一束光波走第一光路经声光调制器AOFS将其频率由ω0提升为ω0+Ω,再依次经过第一反射镜M1、第一光瞳p1(x,y)和第一凸透镜L1,到达第二分束器BS2处,同时另一束光波走第二光路依次经过第二反射镜M2、第二光瞳p2(x,y)和第二凸透镜L2,也到达第二分束器BS2处,其中,所述第一光瞳p1(x,y)为随机相位板,所述第二光瞳p2(x,y)为矩形1函数;
该两束光波在第二分束器BS2处干涉形成菲涅尔波带板,再经X-Y扫描振镜反射扫描物体,其中透过物体的光波经第三凸透镜L3汇聚,并被光电探测器PD接收,经一系列解调得到加密的全息图,如图3所示。
该过程的光学传递函数为:
其中,x和y表示待测物体的位置,x’和y’为积分变量,z表示X-Y扫描振镜到待测物体的距离,λ表示光波波长,表示波数,f为第一凸透镜和第二凸透镜的焦距,kx和ky表示频域坐标,p1(x,y)和p2(x,y)分别表示第一光瞳函数和第二光瞳函数,
此处,由于第一光瞳为随机相位板,故p1(x,y)=exp(jπ·r(x,y)),由于第二光瞳为矩形1函数,故p2(x,y)=1,r(x,y)为[0,1]的二维随机数,则光学传递函数可表达为
其中,zi表示待测物体第i层与X-Y扫描振镜的轴向距离,i=1,2,…,N,N为待测物体沿轴向离散的层数,P1表示p1(x,y)的傅里叶变换形式,*表示共轭运算;
因此,所述加密的全息图表达为
其中,g(x,y;zi)为待测物体第i层切片的复振幅函数,F和F-1分别表示傅里叶变换和逆傅里叶变换。
(S200)解密重建全息图得到带有离焦噪声的重建图像,如图4所示;
为了重建第r层物体的图像,设定解码光瞳函数p1d(x,y)=1,则重建zr图像,可以表达为:
其中,g(x,y;zr)为在zr处重建恢复的图像,等式右侧剩余部分为噪声项。
(S300)预先利用样本图像训练深度卷积神经网络,获得可消除离焦噪声的神经网络模型:
(S310)获取噪声部分图像:预先准备30张物体的样本图像O(x,y),根据所述式3获得其加密的全息图,并通过所述式4进行解密,为了获得噪声部分,此时解密时设定另一错误的解码光瞳函数p1d(x,y)=1,p2d(x,y)=exp(jπ·r1(x,y)),使得这些全息图被错误解密,获得30张噪声图像N(x,y),其中,r1(x,y)为与r(x,y)不同的二维随机数;
(S320)生成训练数据:用O(x,y)+N(x,y)作为深度卷积神经网络训练的输入图像,O(x,y)为深度卷积神经网络对应的输出图像,得到900组训练数据;
其中,所述深度卷积神经网络包括多个巻积层和池化层,以及相应的正则化;
巻积层:输入图像与巻积层中的各个滤波器做卷积运算,得到与滤波器个数相同层数的图像;
池化层:将图像逐点在滤波器大小的矩阵区域当中选择出其中的最大值,作为矩阵对应位置的新值;
正则化:将大于阈值的神经元保留,将小于阈值的神经元去掉,防止过拟合。
本实施例中基于初始所选参数所采用的神经网络结构如图5所示,具体为:
第一层:卷积层,滤波器个数为64,滤波器的大小为3×3;第二层:卷积层,滤波器个数为64,滤波器的大小为3×3;第三层:池化层,大小为2×2;第四层:卷积层,滤波器个数为128,滤波器的大小为3×3;第五层:卷积层,滤波器个数为128,滤波器的大小为3×3;第六层:池化层,大小为2×2;第七层:卷积层,滤波器个数为256,滤波器的大小为3×3;第八层:卷积层,滤波器个数为256,滤波器的大小为3×3;第九层:池化层,大小为2×2;第十层:卷积层,滤波器个数为512,滤波器的大小为3×3;第十一层:卷积层,滤波器个数为512,滤波器的大小为3×3,并以0.5为阈值正则化;第十二层:池化层,大小为2×2;第十三层:卷积层,滤波器个数为1024,滤波器的大小为3×3;第十四层:卷积层,滤波器个数为1024,滤波器的大小为3×3,并以0.5为阈值正则化;第十五层:卷积层,滤波器个数为512,滤波器的大小为2×2,上采样大小为2×2,并与第十二层叠加合并;第十六层:卷积层,滤波器个数为512,滤波器的大小为3×3;第十七层:卷积层,滤波器个数为512,滤波器的大小为3×3;第十八层:卷积层,滤波器个数为256,滤波器的大小为2×2,上采样大小为2×2,并与第九层叠加合并;第十九层:卷积层,滤波器个数为256,滤波器的大小为3×3;第二十层:卷积层,滤波器个数为256,滤波器的大小为3×3;第二十一层:卷积层,滤波器个数为128,滤波器的大小为2×2,上采样大小为2×2,并与第六层叠加合并;第二十二层:卷积层,滤波器个数为128,滤波器的大小为3×3;第二十三层:卷积层,滤波器个数为128,滤波器的大小为3×3;第二十四层:卷积层,滤波器个数为64,滤波器的大小为2×2,上采样大小为2×2,并与第三层叠加合并;第二十五层:卷积层,滤波器个数为64,滤波器的大小为3×3;第二十六层:卷积层,滤波器个数为64,滤波器的大小为3×3;第二十七层:卷积层,滤波器个数为2,滤波器的大小为3×3;第二十八层:卷积层,滤波器个数为1,滤波器的大小为1×1。
(S330)基于这些训练数据构建形成可消除离焦噪声的神经网络模型,具体为:通过这些训练数据不断训练确定出该神经网络中各层的内部参数,这些内部参数对应每层滤波器的矩阵中的数据,从而确定出该可消除离焦噪声的神经网络模型;关于深度学习的内容为现有成熟技术,本实施例对具体细节不再赘述。
(S400)将步骤(S200)中带有离焦噪声的重建图像经过所述神经网络模型,得到消除离焦噪声后的重建图像。如图6所示,可以看出经过神经网络后,消除了大部分离焦噪声。
上述实施例仅为本发明的优选实施例,并非对本发明保护范围的限制,但凡采用本发明的设计原理,以及在此基础上进行非创造性劳动而作出的变化,均应属于本发明的保护范围之内。
Claims (5)
1.一种基于深度学习的消除光学扫描全息离焦噪声的方法,其特征在于,包括如下步骤:
(S100)通过光学全息扫描装置扫描物体获得加密的全息图,该加密的全息图表达为:
其中,i=1,2,…,N,N为待测物体沿轴向离散的层数,g(x,y;zi)为待测物体第i层切片的复振幅函数,F和F-1分别表示傅里叶变换和逆傅里叶变换,x和y表示待测物体的位置,z表示X-Y扫描振镜到待测物体的距离,表示波数,λ表示光波波长,f为第一凸透镜和第二凸透镜的焦距,kx和ky表示频域坐标,P1表示第一光瞳函数p1(x,y)=exp(jπ·r(x,y))的傅里叶变换形式,*表示共轭运算,r(x,y)为[0,1]的二维随机数,
(S200)解密重建全息图得到带有离焦噪声的重建图像,在解密重建第r层物体的图像时,设定解码光瞳函数p1d(x,y)=1,则重建zr图像表达为
其中,g(x,y;zr)为在zr处重建恢复的图像,等式右侧剩余部分为噪声项;
(S300)预先利用样本图像训练深度卷积神经网络,获得可消除离焦噪声的神经网络模型:
(S310)获取噪声部分图像:预先准备M张物体的样本图像O(x,y),根据所述式3获得其加密的全息图,并通过所述式4进行解密,此时解密时设定p1d(x,y)=1,p2d(x,y)=exp(jπ·r1(x,y)),使得这些全息图被错误解密,获得M张噪声图像N(x,y),其中,r1(x,y)为与r(x,y)不同的二维随机数;
(S320)生成训练数据:用O(x,y)+N(x,y)作为深度卷积神经网络训练的输入图像,O(x,y)为深度卷积神经网络对应的输出图像,得到M2组训练数据;
(S330)基于这些训练数据构建形成可消除离焦噪声的神经网络模型;
(S400)将步骤(S200)中带有离焦噪声的重建图像经过所述神经网络模型,得到消除离焦噪声后的重建图像。
2.根据权利要求1所述的基于深度学习的消除光学扫描全息离焦噪声的方法,其特征在于,所述光学全息扫描装置包括激光器Laser,与激光器Laser对应的第一分束器BS1,由声光调制器AOFS、第一反射镜M1、第一光瞳p1(x,y)和第一凸透镜L1构成的并与第一分束器BS1对应的第一光路,由第二反射镜M2、第二光瞳p2(x,y)和第二凸透镜L2构成的并与第一分束器BS1对应的第二光路,将第一光路和第二光路干涉合并的第二分束器BS2,与第二分束器BS2对应的由X-Y扫描振镜、第三凸透镜L3和光电探测器PD构成的扫描光路,其中,第一凸透镜L1和第二凸透镜L2的焦距相同,待扫描的物体放置于该扫描光路的X-Y扫描振镜和第三凸透镜L3之间。
3.根据权利要求2所述的一种基于深度学习的消除光学扫描全息离焦噪声的方法,其特征在于,所述步骤(S100)中,激光器Laser发射频率为ω0的激光,由第一分束器BS1将光波分为两束,其中一束光波走第一光路经声光调制器AOFS将其频率由ω0提升为ω0+Ω,再依次经过第一反射镜M1、第一光瞳p1(x,y)和第一凸透镜L1,到达第二分束器BS2处,同时另一束光波走第二光路依次经过第二反射镜M2、第二光瞳p2(x,y)和第二凸透镜L2,也到达第二分束器BS2处;
该两束光波在第二分束器BS2处干涉形成菲涅尔波带板,再经X-Y扫描振镜反射扫描物体,其中透过物体的光波经第三凸透镜L3汇聚,并被光电探测器PD接收,经一系列解调得到加密的全息图。
4.根据权利要求3所述的基于深度学习的消除光学扫描全息离焦噪声的方法,其特征在于,所述第一光瞳p1(x,y)为随机相位板,所述第二光瞳p2(x,y)为矩形1函数。
5.根据权利要求1~4任一项所述的基于深度学习的消除光学扫描全息离焦噪声的方法,其特征在于,所述深度卷积神经网络包括多个巻积层和池化层,以及相应的正则化;
巻积层:输入图像与巻积层中的各个滤波器做卷积运算,得到与滤波器个数相同层数的图像;
池化层:将图像逐点在滤波器大小的矩阵区域当中选择出其中的最大值,作为矩阵对应位置的新值;
正则化:将大于阈值的神经元保留,将小于阈值的神经元去掉,防止过拟合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810038955.4A CN108089425B (zh) | 2018-01-16 | 2018-01-16 | 一种基于深度学习的消除光学扫描全息离焦噪声的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810038955.4A CN108089425B (zh) | 2018-01-16 | 2018-01-16 | 一种基于深度学习的消除光学扫描全息离焦噪声的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108089425A CN108089425A (zh) | 2018-05-29 |
CN108089425B true CN108089425B (zh) | 2019-09-24 |
Family
ID=62182252
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810038955.4A Expired - Fee Related CN108089425B (zh) | 2018-01-16 | 2018-01-16 | 一种基于深度学习的消除光学扫描全息离焦噪声的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108089425B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108900294B (zh) * | 2018-06-11 | 2020-12-01 | 成都大象分形智能科技有限公司 | 涉及指定频段加密的神经网络模型加密保护系统及方法 |
CN108958000B (zh) * | 2018-09-17 | 2019-06-21 | 电子科技大学 | 一种基于分类学习与二分法的光学扫描全息自聚焦方法 |
CN111199574A (zh) * | 2018-11-16 | 2020-05-26 | 青岛海信激光显示股份有限公司 | 一种全息图像生成方法及设备 |
CN109597291B (zh) * | 2018-11-30 | 2020-03-27 | 电子科技大学 | 一种基于卷积神经网络的光学扫描全息图像识别方法 |
CN109459923B (zh) * | 2019-01-02 | 2020-10-27 | 西北工业大学 | 一种基于深度学习的全息重建算法 |
CN109814360A (zh) * | 2019-03-27 | 2019-05-28 | 昆明理工大学 | 一种基于环形随机相位板的光学扫描全息实现多图像并行加密的方法 |
CN109884869A (zh) * | 2019-04-22 | 2019-06-14 | 重庆邮电大学 | 一种基于双瞳孔外差计算全息成像系统及方法 |
CN114384780B (zh) * | 2020-10-16 | 2024-02-09 | 深圳大学 | 透过散射介质成像的方法、装置、计算机设备和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0935159A2 (en) * | 1998-02-09 | 1999-08-11 | Denso Corporation | Image projection and image recording system |
CN103676596A (zh) * | 2013-12-26 | 2014-03-26 | 北京工业大学 | 一种基于全息术的图像分区加密系统及方法 |
CN104007649A (zh) * | 2014-06-04 | 2014-08-27 | 北京工业大学 | 基于压缩全息的彩色图像加密系统及加密解密方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5091965A (en) * | 1990-07-16 | 1992-02-25 | Sony Corporation | Video image processing apparatus |
CN104159094B (zh) * | 2014-07-09 | 2016-04-06 | 四川大学 | 一种改善光学扫描全息层析成像效果的方法 |
CN105204311B (zh) * | 2015-07-06 | 2018-05-18 | 电子科技大学 | 一种基于高斯切趾的光学扫描全息边缘检测方法 |
CN107240074A (zh) * | 2017-05-15 | 2017-10-10 | 电子科技大学 | 基于二维最佳直方图熵法与遗传算法的离焦躁声消除方法 |
CN107085838B (zh) * | 2017-06-02 | 2021-02-26 | 新疆大学 | 全息图噪声的去除方法及装置 |
-
2018
- 2018-01-16 CN CN201810038955.4A patent/CN108089425B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0935159A2 (en) * | 1998-02-09 | 1999-08-11 | Denso Corporation | Image projection and image recording system |
CN103676596A (zh) * | 2013-12-26 | 2014-03-26 | 北京工业大学 | 一种基于全息术的图像分区加密系统及方法 |
CN104007649A (zh) * | 2014-06-04 | 2014-08-27 | 北京工业大学 | 基于压缩全息的彩色图像加密系统及加密解密方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108089425A (zh) | 2018-05-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108089425B (zh) | 一种基于深度学习的消除光学扫描全息离焦噪声的方法 | |
CN104159094B (zh) | 一种改善光学扫描全息层析成像效果的方法 | |
CN103822577B (zh) | 单像素太赫兹全息成像装置和方法 | |
Martínez-Corral et al. | Integral imaging with improved depth of field by use of amplitude-modulated microlens arrays | |
Bianco et al. | On-speckle suppression in IR digital holography | |
Takaki et al. | Simplified calculation method for computer-generated holographic stereograms from multi-view images | |
CN110363843A (zh) | 基于相移压缩菲涅尔全息的三维图像光学重建方法及系统 | |
Somkuwar et al. | Holographic imaging through a scattering layer using speckle interferometry | |
Millan | Advanced optical correlation and digital methods for pattern matching—50th anniversary of Vander Lugt matched filter | |
CN109814360A (zh) | 一种基于环形随机相位板的光学扫描全息实现多图像并行加密的方法 | |
Zhang et al. | 3D object hiding using three-dimensional ptychography | |
Javidi et al. | Multi-dimensional imaging | |
Wei et al. | Noninvasive imaging of two isolated objects through a thin scattering medium beyond the 3D optical memory effect | |
Das et al. | Lensless complex amplitude image retrieval through a visually opaque scattering medium | |
EP3535623B1 (en) | System and method for reconstruction of holographic lens-free images by multi-depth sparse phase recovery | |
CN108267945B (zh) | 一种基于自组织映射神经网络的消除光学扫描全息离焦噪声的方法 | |
Shaked et al. | Multiple-viewpoint projection holograms synthesized by spatially incoherent correlation with broadband functions | |
CN107835074B (zh) | 一种消除随机加密光学扫描全息离焦噪声的方法 | |
Tsang et al. | Enhancing the pictorial content of digital holograms at 100 frames per second | |
Katkovnik et al. | Multiwavelength surface contouring from phase-coded noisy diffraction patterns: wavelength-division optical setup | |
Bryngdahl et al. | One-dimensional holography with spatially incoherent light | |
Latorre-Carmona et al. | Three-dimensional imaging with multiple degrees of freedom using data fusion | |
Leal-León et al. | Object wave field extraction in off-axis holography by clipping its frequency components | |
Li et al. | Single-shot three-dimensional imaging with a scattering layer | |
Kar et al. | Fast computational spectral imaging with a programmable diffractive lens |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190924 Termination date: 20200116 |
|
CF01 | Termination of patent right due to non-payment of annual fee |