CN109597291A - 一种基于卷积神经网络的光学扫描全息图像识别方法 - Google Patents
一种基于卷积神经网络的光学扫描全息图像识别方法 Download PDFInfo
- Publication number
- CN109597291A CN109597291A CN201811449686.7A CN201811449686A CN109597291A CN 109597291 A CN109597291 A CN 109597291A CN 201811449686 A CN201811449686 A CN 201811449686A CN 109597291 A CN109597291 A CN 109597291A
- Authority
- CN
- China
- Prior art keywords
- hologram
- convolutional neural
- neural networks
- function
- optical scanner
- 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.)
- Granted
Links
- 230000003287 optical effect Effects 0.000 title claims abstract description 29
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 title claims abstract description 21
- 230000006870 function Effects 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 22
- 210000001747 pupil Anatomy 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 230000021615 conjugation Effects 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- YNPNZTXNASCQKK-UHFFFAOYSA-N phenanthrene Chemical compound C1=CC=C2C3=CC=CC=C3C=CC2=C1 YNPNZTXNASCQKK-UHFFFAOYSA-N 0.000 claims 2
- 238000013135 deep learning Methods 0.000 abstract description 7
- 238000001093 holography Methods 0.000 abstract description 6
- 230000015572 biosynthetic process Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013526 transfer learning Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011160 research Methods 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
- G03H1/0005—Adaptation of holography to specific applications
-
- 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
- G03H1/08—Synthesising holograms, i.e. holograms synthesized from objects or objects from holograms
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Holo Graphy (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于卷积神经网络的光学扫描全息图像识别技术,属于光学扫描全息与深度学习领域,主要解决了光学扫描全息图像识别问题。本发明利用卷积神经网络对全息图进行识别。本发明有效地,智能化地实现了光学扫描全息的识别问题。这种全息图识别的方法适用于各个领域。
Description
技术领域
本发明属于光学扫描全息与深度学习技术领域,具体涉及一种基于卷积神经网络的光学扫描全息图像识别方法。
背景技术
光学扫描全息术(OSH)是一种独特的实时全息技术,它利用二维光学扫描原理来获得一个三维物体的全息图。OSH作为一个3-D成像技术,在很多领域里具有应用,如3-D遥感,机器人视觉,模式识别等领域。
近年来,研究深度学习成为了国内外学者的一个热点,其动机在于建立,模拟人脑进行分析学习的神经网络,模仿人脑的机制来解释数据,例如图像,文本和声音。目前已经有研究学者利用深度学习来解决图像识别问题,因此,结合深度学习解决光学扫描全息图识别问题也成了近年来的研究热点之一。
文献“Deep Residual Learning for Image Recognition”、文献“ImageRecognition Technology Based on Deep Learning”和文献“Deep Residual Net withTransfer Learning for Image-based Structural Damage Recognition Deep ResidualNetwork with Transfer Learning”都提出了利用深度学习来进行图像识别。但是,目前还未有学者结合深度学习来处理全息图识别问题。
发明内容
本发明的目的是克服上述现有技术的缺陷,提供一种基于卷积神经网络的光学扫描全息图像识别方法,利用卷积神经网络,通过一系列的样本训练,实现全息图像识别。
本发明所提出的技术问题是这样解决的:
一种基于卷积神经网络的光学扫描全息图像识别方法,包括以下步骤:
步骤1.首先,角频率为ω0的激光被第一分束器BS1分成两束方向不同的光路,其中一束光在声光调制器AOFS的作用下,角频率变为ω0+Ω,再通过反光镜M1,第一光瞳p1(x,y) 和第一凸透镜L1变成球面波;同时,另一束光通过反射镜M2,第二光瞳p2(x,y)和第二凸透镜L2;
步骤2.频率为ω0+Ω的球面波和频率为ω0的平面波在第二分束器BS2处干涉形成实时菲涅尔波带板,然后再通过X-Y扫描振镜对物体进行扫描,置于物体后的光电探测器接收物体的透射光,最后经过解调得到全息图;
步骤3.重复步骤1和步骤2,以此获得N幅全息图;统一对N幅全息图的文件名进行处理,每一张图像名称修改为对应的全息图标签;
步骤4.利用获得的全息图以及对应的标签作为训练数据,训练一个能够识别全息图的模型。
其中,步骤2中获得全息图的具体过程如下:
步骤2-1.光波在第二分束器BS2处汇聚干涉形成菲涅尔波带板,再通过X-Y扫描振镜对物体进行扫描,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,第一凸透镜和第二凸透镜的焦距均为f,kx和ky表示频域坐标,上标*表示共轭,p1(x,y)和p2(x,y)分别为第一光瞳函数和第二光瞳函数;
这里采用传统光瞳函数,p1(x,y)=δ(x,y),p2(x,y)=1,δ为冲激函数,则光学传递函数可表示为:
步骤2-2.菲涅尔波带板对3-D物体进行2-D扫描,置于物体后的光电探测器接受物体的透射光并将其转化为电信号,传到电脑端,得到全息图,物体的全息图函数可写成:
g(x,y)=F-1{F[O(x,y;z0)]·OTF(kx,ky;z0)}
其中,z0为物体所在位置,F和F-1分别表示傅里叶变换和逆傅里叶变换,O(x,y;z0)表示物体的振幅函数。
步骤4的具体过程为:
步骤4-1.将步骤3得到的N幅全息图依次顺时针旋转90°以扩充训练图像数据,并修改每一张全息图标签,以此得到训练标签;
步骤4-2.利用旋转前后得到的2*N幅全息图及其对应的标签作为训练数据,训练卷积神经网络得到一个可以识别全息图的模型,记为函数Model。
卷积神经网络结构依次如下:
Input:输入层,即全息图;Layer1:卷积层1,包含32个3x3的卷积核,2x2的池化层,以及Re LU激活函数;Layer2:卷积层2,包含64个3x3的卷积核,2x2的池化层,以及Re LU 激活函数;FC1:全连接层1,包含256个神经元;Output:输出层,包含10个神经元,即为标记的10类。
本发明的有益效果是:
(1)本发明构造了一个能够识别全息图的卷积神经网络模型,能够有效的识别全息图;
(2)本发明较于现有的传统方法更有效,效果更佳;
(3)本发明不仅操作简单,效率高,而且具有很强的实用性。
附图说明
图1为本发明实施例采用的实验结构图;
图2为本发明实施例采用的扫描物体;
图3为本发明实施例获得的全息图;
图4为本发明实施例采用的卷积神经网络模型;
图5为本发明实施例在训练样本和验证样本下的误差值;
图6为本发明实施例在训练样本和验证样本下的准确值。
具体实施方式
下面结合附图和实施例对本发明进行进一步的说明。
本实施例提供一种基于卷积神经网络的光学扫描全息图像识别方法,其采用的实验结构图如图1所示,扫描物体如图2所示,包括以下步骤:
步骤1.首先,角频率为ω0的激光被第一分束器BS1分成两束方向不同的光路,其中一束光在声光调制器AOFS的作用下,角频率变为ω0+Ω,再通过反光镜M1,第一光瞳p1(x,y) 和第一凸透镜L1变成球面波;同时,另一束光通过反射镜M2,第二光瞳p2(x,y)和第二凸透镜L2;
步骤2.频率为ω0+Ω的球面波和频率为ω0的平面波在第二分束器BS2处干涉形成实时菲涅尔波带板,然后再通过X-Y扫描振镜对物体进行扫描,置于物体后的光电探测器接收物体的透射光,最后经过解调得到全息图,获得的全息图如图3所示;
步骤2中获得全息图的具体过程如下:
步骤2-1.光波在第二分束器BS2处汇聚干涉形成菲涅尔波带板,再通过X-Y扫描振镜对物体进行扫描,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,第一凸透镜和第二凸透镜的焦距均为f,kx和ky表示频域坐标,上标*表示共轭,p1(x,y)和p2(x,y)分别为第一光瞳函数和第二光瞳函数;
这里采用传统光瞳函数,p1(x,y)=δ(x,y),p2(x,y)=1,δ为冲激函数,则光学传递函数可表示为:
步骤2-2.菲涅尔波带板对3-D物体进行2-D扫描,置于物体后的光电探测器接受物体的透射光并将其转化为电信号,传到电脑端,得到全息图,物体的全息图函数可写成:
g(x,y)=F-1{F[O(x,y;z0)]·OTF(kx,ky;z0)}
其中,z0为物体所在位置,F和F-1分别表示傅里叶变换和逆傅里叶变换,O(x,y;z0)表示物体的振幅函数;
步骤3.重复步骤1和步骤2,以此获得N幅全息图;统一对N幅全息图的文件名进行处理,每一张图像名称修改为对应的全息图标签;
步骤4.利用获得的全息图以及对应的标签作为训练数据,训练一个能够识别全息图的模型;
步骤4的具体过程为:
步骤4-1.将步骤3得到的N幅全息图依次顺时针旋转90°以扩充训练图像数据,并修改每一张全息图标签,以此得到训练标签;
步骤4-2.利用旋转前后得到的2*N幅全息图及其对应的标签作为训练数据,训练卷积神经网络得到一个可以识别全息图的模型,记为函数Model;
卷积神经网络模型如图4所示,结构依次如下:
Input:输入层,即全息图;Layer1:卷积层1,包含32个3x3的卷积核,2x2的池化层,以及Re LU激活函数;Layer2:卷积层2,包含64个3x3的卷积核,2x2的池化层,以及Re LU 激活函数;FCl:全连接层1,包含256个神经元;Output:输出层,包含10个神经元,即为标记的10类。
利用训练好的网络模型就能解决全息图像识别问题,如,当输入数字1的全息图时,该模型会输出数字1。
图5为本发明实施例在训练样本和验证样本下的误差值;图6为本发明实施例在训练样本和验证样本下的准确值。
Claims (4)
1.一种基于卷积神经网络的光学扫描全息图像识别方法,其特征在于,包括以下步骤:
步骤1.首先,角频率为ω0的激光被第一分束器分成两束方向不同的光路,其中一束光在声光调制器的作用下,角频率变为ω0+Ω,再通过反光镜,第一光瞳和第一凸透镜变成球面波;同时,另一束光通过反射镜,第二光瞳和第二凸透镜;
步骤2.频率为ω0+Ω的球面波和频率为ω0的平面波在第二分束器处干涉形成实时菲涅尔波带板,然后再通过X-Y扫描振镜对物体进行扫描,置于物体后的光电探测器接收物体的透射光,最后经过解调得到全息图;
步骤3.重复步骤1和步骤2,以此获得N幅全息图;统一对N幅全息图的文件名进行处理,每一张图像名称修改为对应的全息图标签;
步骤4.利用获得的全息图以及对应的标签作为训练数据,训练一个能够识别全息图的模型。
2.根据权利要求1所述的基于卷积神经网络的光学扫描全息图像识别方法,其特征在于,步骤2中获得全息图的具体过程如下:
步骤2-1.光波在第二分束器处汇聚干涉形成菲涅尔波带板,再通过X-Y扫描振镜对物体进行扫描,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,第一凸透镜和第二凸透镜的焦距均为f,kx和ky表示频域坐标,上标*表示共轭,p1(x,y)和p2(x,y)分别为第一光瞳函数和第二光瞳函数;
采用传统光瞳函数,p1(x,y)=δ(x,y),p2(x,y)=1,δ为冲激函数,则光学传递函数可表示为:
步骤2-2.菲涅尔波带板对3-D物体进行2-D扫描,置于物体后的光电探测器接受物体的透射光并将其转化为电信号,传到电脑端,得到全息图,物体的全息图函数可写成:
g(x,y)=F-1{F[O(x,y;z0)]·OTF(kx,ky;z0)}
其中,z0为物体所在位置,F和F-1分别表示傅里叶变换和逆傅里叶变换,O(x,y;z0)表示物体的振幅函数。
3.根据权利要求2所述的基于卷积神经网络的光学扫描全息图像识别方法,其特征在于,步骤4的具体过程为:
步骤4-1.将步骤3得到的N幅全息图依次顺时针旋转90°以扩充训练图像数据,并修改每一张全息图标签,以此得到训练标签;
步骤4-2.利用旋转前后得到的2*N幅全息图及其对应的标签作为训练数据,训练卷积神经网络得到一个可以识别全息图的模型,记为函数Model。
4.根据权利要求3所述的基于卷积神经网络的光学扫描全息图像识别方法,其特征在于,卷积神经网络结构依次如下:
Input:输入层,即全息图;Layerl:卷积层1,包含32个3x3的卷积核,2x2的池化层,以及Re LU激活函数;Layer2:卷积层2,包含64个3x3的卷积核,2x2的池化层,以及Re LU激活函数;FCl:全连接层1,包含256个神经元;Output:输出层,包含10个神经元,即为标记的10类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811449686.7A CN109597291B (zh) | 2018-11-30 | 2018-11-30 | 一种基于卷积神经网络的光学扫描全息图像识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811449686.7A CN109597291B (zh) | 2018-11-30 | 2018-11-30 | 一种基于卷积神经网络的光学扫描全息图像识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109597291A true CN109597291A (zh) | 2019-04-09 |
CN109597291B CN109597291B (zh) | 2020-03-27 |
Family
ID=65959184
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811449686.7A Expired - Fee Related CN109597291B (zh) | 2018-11-30 | 2018-11-30 | 一种基于卷积神经网络的光学扫描全息图像识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109597291B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110441033A (zh) * | 2019-07-03 | 2019-11-12 | 中国科学院上海光学精密机械研究所 | 基于强度编码调制的相干组束图像测量装置及其测量方法 |
CN111723848A (zh) * | 2020-05-26 | 2020-09-29 | 浙江工业大学 | 一种基于卷积神经网络和数字全息的海洋浮游生物自动分类方法 |
JP7495301B2 (ja) | 2020-08-28 | 2024-06-04 | 浜松ホトニクス株式会社 | 学習モデル生成方法、識別方法、学習モデル生成システム、識別システム、学習モデル生成プログラム、識別プログラム及び記録媒体 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104614970A (zh) * | 2015-02-15 | 2015-05-13 | 电子科技大学 | 一种基于双孔光瞳的光学扫描全息图像边缘提取方法 |
CN107967703A (zh) * | 2018-01-05 | 2018-04-27 | 电子科技大学 | 一种基于连通域的光学扫描全息的自聚焦和重建方法 |
CN108089425A (zh) * | 2018-01-16 | 2018-05-29 | 电子科技大学 | 一种基于深度学习的消除光学扫描全息离焦噪声的方法 |
CN108153132A (zh) * | 2017-12-28 | 2018-06-12 | 电子科技大学 | 一种基于均值梯度函数的光学扫描全息自聚焦方法 |
US20180292784A1 (en) * | 2017-04-07 | 2018-10-11 | Thanh Nguyen | APPARATUS, OPTICAL SYSTEM, AND METHOD FOR DIGITAL Holographic microscopy |
-
2018
- 2018-11-30 CN CN201811449686.7A patent/CN109597291B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104614970A (zh) * | 2015-02-15 | 2015-05-13 | 电子科技大学 | 一种基于双孔光瞳的光学扫描全息图像边缘提取方法 |
US20180292784A1 (en) * | 2017-04-07 | 2018-10-11 | Thanh Nguyen | APPARATUS, OPTICAL SYSTEM, AND METHOD FOR DIGITAL Holographic microscopy |
CN108153132A (zh) * | 2017-12-28 | 2018-06-12 | 电子科技大学 | 一种基于均值梯度函数的光学扫描全息自聚焦方法 |
CN107967703A (zh) * | 2018-01-05 | 2018-04-27 | 电子科技大学 | 一种基于连通域的光学扫描全息的自聚焦和重建方法 |
CN108089425A (zh) * | 2018-01-16 | 2018-05-29 | 电子科技大学 | 一种基于深度学习的消除光学扫描全息离焦噪声的方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110441033A (zh) * | 2019-07-03 | 2019-11-12 | 中国科学院上海光学精密机械研究所 | 基于强度编码调制的相干组束图像测量装置及其测量方法 |
CN111723848A (zh) * | 2020-05-26 | 2020-09-29 | 浙江工业大学 | 一种基于卷积神经网络和数字全息的海洋浮游生物自动分类方法 |
JP7495301B2 (ja) | 2020-08-28 | 2024-06-04 | 浜松ホトニクス株式会社 | 学習モデル生成方法、識別方法、学習モデル生成システム、識別システム、学習モデル生成プログラム、識別プログラム及び記録媒体 |
Also Published As
Publication number | Publication date |
---|---|
CN109597291B (zh) | 2020-03-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109597291A (zh) | 一种基于卷积神经网络的光学扫描全息图像识别方法 | |
Wang et al. | Deep learning wavefront sensing and aberration correction in atmospheric turbulence | |
CN104115074B (zh) | 全息图处理方法和系统 | |
Nguyen et al. | Computational optical tomography using 3-D deep convolutional neural networks | |
CN109459852B (zh) | 一种基于神经网络的散射介质光学成像方法 | |
Tang et al. | RestoreNet: a deep learning framework for image restoration in optical synthetic aperture imaging system | |
CN113762460B (zh) | 基于数值散斑的多模光纤传输图像迁移重构算法 | |
CN104008536A (zh) | 基于cs-chmt和idpcnn的多聚焦噪声图像融合方法 | |
CN110942423A (zh) | 一种基于傅里叶叠层成像的远场超分辨率重建方法 | |
Chen et al. | Binary amplitude-only image reconstruction through a MMF based on an AE-SNN combined deep learning model | |
CN112862077A (zh) | 多模光纤结合深度学习网络替代传统光谱仪的系统及方法 | |
Montoya et al. | FocusNET: An autofocusing learning‐based model for digital lensless holographic microscopy | |
Lin et al. | Deep learning-assisted wavefront correction with sparse data for holographic tomography | |
Sun et al. | Iris recognition based on local circular Gabor filters and multi-scale convolution feature fusion network | |
Yang et al. | Multi-modal bifurcated network for depth guided image relighting | |
Meng et al. | Numerical dark-field imaging using deep-learning | |
Tang et al. | Object-independent tilt detection for optical sparse aperture system with large-scale piston error via deep convolution neural network | |
Madsen et al. | On-axis digital holographic microscopy: Current trends and algorithms | |
CN111077085B (zh) | 基于深度学习的无波前探测器自适应点扫描成像方法 | |
CN110987861A (zh) | 一种连续太赫兹波多物面叠层相衬成像方法 | |
Li et al. | Acoustic hologram reconstruction with unsupervised neural network | |
Zhang et al. | High-throughput deep learning microscopy using multi-angle super-resolution | |
Liao et al. | Real-time imaging through moving scattering layers via a two-step deep learning strategy | |
CN115170429A (zh) | 基于深度学习的水下原位显微成像仪景深扩展方法及系统 | |
CN108958000B (zh) | 一种基于分类学习与二分法的光学扫描全息自聚焦方法 |
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: 20200327 |