CN111366557B - 一种基于薄散射介质的相位成像方法 - Google Patents
一种基于薄散射介质的相位成像方法 Download PDFInfo
- Publication number
- CN111366557B CN111366557B CN202010211444.5A CN202010211444A CN111366557B CN 111366557 B CN111366557 B CN 111366557B CN 202010211444 A CN202010211444 A CN 202010211444A CN 111366557 B CN111366557 B CN 111366557B
- Authority
- CN
- China
- Prior art keywords
- phase
- scattering medium
- network
- target
- speckle pattern
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/41—Refractivity; Phase-affecting properties, e.g. optical path length
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/1717—Systems in which incident light is modified in accordance with the properties of the material investigated with a modulation of one or more physical properties of the sample during the optical investigation, e.g. electro-reflectance
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/1717—Systems in which incident light is modified in accordance with the properties of the material investigated with a modulation of one or more physical properties of the sample during the optical investigation, e.g. electro-reflectance
- G01N2021/1725—Modulation of properties by light, e.g. photoreflectance
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1765—Method using an image detector and processing of image signal
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/41—Refractivity; Phase-affecting properties, e.g. optical path length
- G01N2021/4173—Phase distribution
- G01N2021/4186—Phase modulation imaging
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于薄散射介质的相位成像方法,包括:将薄散射介质放置在数字图像传感器前,调整目标波前与数字图像传感器之间的距离并匹配像素尺寸,令入射光透过薄散射介质形成空间分布的散斑,使用数字图像传感器采集形成的散斑图案;对原始散斑图案进行预处理;搭建CNN并使用采集后进行预处理的图片对数据训练网络;使用训练好的CNN网络提取散斑图案中的波前信息,网络的输入为经过处理后的单帧散斑图案,根据特定的成像任务和不同组成的网络训练数据集,输出为对应波前的相位灰度图或振幅灰度图或复振幅。本发明实现一种单帧、实时、无参考的相位提取方法,并具有较高图像重建质量和较好的鲁棒性。
Description
技术领域
本发明属于光电技术领域,涉及相位成像方法,尤其涉及一种基于薄散射介质的相位成像方法。
背景技术
相位成像主要用于处理光学成像中的相位问题,是全息成像的组成部分之一。由于现有的光电成像器件或者光学成像系统只能捕获场景的强度信息,直接通过原始的振幅记录实现复振幅(振幅和相位)的重建是相当困难的,因此需要借助特别的光学记录手段和算法对场景和目标的相位信息进行恢复。
现有的复振幅记录技术,譬如数字全息法,可以通过光学干涉实现目标振幅和相位信息的编码和提取。这种方法除了被广泛应用于一般场景的三维图像摄影外,在计量学、生物医学、材料科学等领域都具有重要的应用价值。以生物医学显微测量为例,大多数生物细胞由于透明而呈现出最小光吸收的特性,因此纯粹基于强度的成像方法会使图像的对比度过低而不便于观察。相比之下,基于数字全息显微技术的定量相位成像可以对生物组织及细胞样本的折射率进行精确测量,准确反映生物细胞的动态变化。其他复振幅重建方法,如强度传输方程法(Transport of Intensity Equation,TIE)或基于压缩感知(Compressive Sensing,CS)的方法,则是从算法方面来考虑和解决相位恢复的问题,前者需要多观测平面的强度测量,而后者需要结构照明。
比较以上提到的两类技术,基于相位恢复算法的复振幅成像方法在光学系统搭建方面不需要额外的参考光束,因而相较于干涉测量法在一定程度上简化了光路设计。但是,由于绝大多数相位恢复算法存在迭代计算流程,除了需要对实验系统进行严格校准外,还需要获取目标的先验或多观测平面的测量,限制了这一类方法的应用场景。再者,传统迭代算法在计算过程中普遍存在迭代停滞的问题,因此极大限制了成像系统的实时性和准确性。
发明内容
为解决上述问题,本发明旨在提出一种基于薄散射介质和深度学习的相位成像方法,利用薄散射介质本身的光学散射作用和散斑相关性对入射光场的相位信息进行编码,并依靠CNN(深度学习网络)强大的反演能力和自主特征提取能力对光学散斑图案进行解码,实现一种“端到端”的单帧、实时、无参考相位成像方法。相比传统的干涉测量法和相位恢复迭代算法,具有更简易的光路配置和更高的成像效率。
为了达到上述目的,本发明提供如下技术方案:
一种基于薄散射介质的相位成像方法,包括如下步骤:
步骤(1),将薄散射介质放置在数字图像传感器前,调整目标波前与数字图像传感器之间的距离并匹配像素尺寸,令入射光透过薄散射介质形成空间分布的散斑,使用数字图像传感器采集形成的散斑图案;
步骤(2),对原始散斑图案进行预处理;
步骤(3),搭建深度学习网络并使用采集后进行预处理的图片对数据训练网络,训练时,将经过处理后的矩形散斑图案和目标波前的相位图或振幅图或复振幅作为网络的一对输入和输出,以建立目标相位与对应散斑图案之间的映射关系;
步骤(4),使用训练好的深度学习网络网络提取散斑图案中的波前信息,网络的输入为经过处理后的单帧散斑图案,根据特定的成像任务和不同组成的网络训练数据集,输出为对应波前的相位灰度图或振幅灰度图或复振幅。
进一步的,所述步骤(1)中,当使用相位型空间光调制器对入射光进行调制产生目标波前时,通过设置4-f系统对相位型空间光调制器和数字图像传感器之间的距离进行调整并匹配像素尺寸;当采用显微成像产生目标波前时,通过物镜进行匹配。
进一步的,所述步骤(2)中处理原始散斑图案时,裁切图片,去除其余未被调制的光束所对应的散斑部分,并保证目标散斑图案尺寸与深度学习网络的输入图片尺寸一致。
进一步的,所述步骤(3)中深度学习网络网络基于U-net架构,包括一个进行下采样的编码器和一个进行上采样的解码器,两编码器之间通过跳跃连接。
进一步的,所述进行下采样的编码器包括一个3×3的卷积核,5个由稠密块和池化层连接的组合层和一个单独的稠密块。
进一步的,所述进行下采样的解码器包括5个由稠密块和上采样卷积层连接的组合层、一个3×3卷积核和一个1×1卷积操作单元。
进一步的,所述稠密块包括三个复合函数,每个复合函数包含了三个连续操作,即Batch Normalization操作、ReLU操作以及一个3×3卷积操作,在稠密块中,每个复合函数都连接其前面所有层的输出特征图作为输入。
进一步的,所述步骤(4)中复振幅包括振幅和相位。
与现有技术相比,本发明具有如下优点和有益效果:
1)光学系统易于搭建。相对于传统的干涉测量法,该方法不需要引入额外的参考光束;相对于基于迭代算法的相位提取方法,该方法不需要严格的光路校准过程。
2)利用神经网络“端到端”学习方式解决相位信息恢复的问题。原则上,训练后收敛的网络可以直接用于对数字图像传感器采集到的单帧散斑图进行相位信息的提取,因此不需要传统迭代算法中必要的多观测平面的强度测量或目标的先验,适用于静态和动态的实时成像等多类应用场景。
3)较高的重建质量和较好的鲁棒性。该方法的图像重建质量直接依赖于网络训练的数据集,增加数据集的类别和数据量可以有效提升该方法的相位估计准确度。并且数据采集过程会受到噪声影响,因此网络在训练时实际上已经考虑到了输入隐含的噪声变量,理论上训练收敛后的网络具备一定的去噪声能力,具有较好的鲁棒性。
附图说明
图1为本发明提供的高速响应纯相位空间光调制器的结构示意图。
图2为本发明的步骤(1)中散斑光斑的空间相关性对目标相位编码作用的原理示意图,其中图(a)未经过目标相位调制,图(b)经过目标相位/>调制。
图3为本发明的步骤(2)中数据集采集流程示意图;
图4为本发明的步骤(2)中两个不同目标相位分别对应的散斑图的同一图案位置的放大对比示意图,其中(a)为参考相位目标所对应的散斑图和局部放大图,(b)为不同于参考的另一个相位目标所对应的散斑图和局部放大图;
图5为本发明的步骤(3)中所使用的CNN网络架构示意图;
图6为本发明的步骤(3)中CNN网络中使用的稠密块结构示意图;
图7为本发明的相位成像结果示意图。
附图标记说明:
1-激光光源,2-偏振器,3-相位型空间光调制器,4-透镜4-f系统,5-薄散射介质,6-数字图像传感器,7-第一计算机,8-第二计算机。
具体实施方式
以下将结合具体实施例对本发明提供的技术方案进行详细说明,应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。
本发明使用相干光源对成像目标进行照明,目标光束通过薄散射介质后发生光学散射并产生自干涉散斑图案。在高度的散斑相关性条件下,使用卷积神经网络(Convolutional Neural Network,CNN)可以容易建立起散斑图案和目标相位信息之间的映射关系,实现一种单帧、实时、无参考的相位提取方法。
具体的说,本发明提供的基于薄散射介质的相位成像方法,包括以下步骤:
(1)使用薄散射介质对入射光波前进行处理,使得到的散斑强度图案在观测平面的横向方向上具有高度的空间相关性,以此对入射光的相位信息进行编码;配置和调节光路,根据特定应用场景获取图像数据集作为目标相位,并使用数字图像传感器采集对应散斑图案;
如图1所示,配置数据采集光路。将激光光源1,偏振器2,相位型空间光调制器3,透镜4-f系统4,薄散射介质5和数字图像传感器6按顺序依次布设。薄散射介质5放置在数字图像传感器前几毫米处。激光光源1发射光束经过偏振器2转换为水平线偏光并照射相位型空间光调制器3,入射光束经过相位调制后形成目标波前,然后依次经过透镜4-f系统4和薄散射介质5形成随机散射光,散射场经过短距离传播后被数字图像传感器6采集。由于SLM像素尺寸和数字图像传感器的实际像素尺寸可能会存在差别,如果使用相位型空间光调制器(Spatial Light Modulator,SLM)对入射光进行调制以产生目标波前,可以通过设置4-f系统对SLM和数字图像传感器之间的像素尺寸进行匹配,对于显微成像,也可以用物镜进行匹配。目标波前还可以采用其他形式,不限于以上提及的两种。本例中,薄散射介质采用薄扩散片,但薄扩散片仅为一种可行方式,只要是能够将经过匹配后的入射光形成散斑图案的薄散射介质均可能满足本发明需求。
由于散射介质对入射光束的随机调制特性,使用单张散斑图案难以对入射光相位信息编码的原理进行说明。这里考虑引入一个参考散射场在数字图像传感器平面的强度分布R(x,y),通过推导R(x,y)和目标散射场在数字图像传感器平面的强度分布T(x,y)之间的空间分布关系,以此说明单张散斑图案对入射光束相位信息的编码作用。如图2,图(a)将由激光光源1发射直接通过薄散射介质5所形成的散斑场作为参考散射场,其对应的强度分布为R(x,y)。相对的,图(a)由激光光源1发射的光束,先经过目标相位调制,再经过薄散射介质5形成的散射场作为目标散射场,其对应的强度分布为T(x,y)。观察图2中的两幅散斑图案,类似于孔径光阑这样的空间位移不变系统,光束通过散射介质也会存在相似的光学现象,称之为“光学记忆效应”。方法中使用薄扩散片作为薄散射介质但不限于此,仅要求所使用薄散射介质具备大的记忆效应范围,即两束存在微小入射角度差的光束通过薄散射介质所形成的散斑强度分布,在空间上具有高度的相关性,表现T(x,y)为中散斑光斑相对R(x,y)于中散斑光斑发生的细小位移/>但不发生形状特征的变化。利用这一特性,可以推导出入射光相位信息/>与光斑位移/>之间的关系:
其中,λ为入射光波长,d表示薄散射介质后表面到数字图像传感器观测平面的距离。
等式(1)和图2解释了利用记忆效应实现相位信息编码的机制,但是考虑到求解需要额外采集参考散斑图R(x,y),以等式(1)为出发点按照求位移矢量场再计算积分来提取相位信息的方案并不满足本发明单帧、实时成像的要求,因此利用神经网络“端到端”学习方式的优势来直接解决相位信息恢复的问题。
(2)如图3所示,光路搭建好之后,使用第一计算机7控制SLM相位图的连续加载,使用第二计算机8控制散斑图案的连续采集。采集过程中SLM加载的相位图可以从现有的大型图像数据库获取,如ImageNet等。如果针对特定的成像功能,例如生物细胞观测,则可以选用对应类别的图片数据进行实验处理和采集。为了更加直观的解释同一薄散射介质光学系统下的高度空间相关性,图4展示了不同相位目标对应散斑图案之间整体轮廓(大图)的相似性和局部光斑(小图)的差异性。最后使用MATLAB程序对采集的原始散斑数据进行方形裁切等预处理,使用固定尺寸的矩形窗口函数处理原始散斑图案,确保目标波前透过薄散射介质所形成的散斑部分位于窗口中心区域并且尽可能占满窗口;裁切时去除其余未被调制的光束所对应的散斑部分,并保证目标散斑图案尺寸与CNN的输入图片尺寸一致。
(3)搭建CNN并使用采集后经过预处理的“散斑-相位”(或散斑-振幅、散斑-复振幅)图片对数据训练网络。搭建CNN网络进行训练时,将经过处理后的矩形散斑图案和目标波前的相位图(或振幅图、复振幅)作为网络的一对输入和输出,以建立目标相位与对应散斑图案之间的映射关系。如图5所示为本实施例所使用的网络模型,模型设计主要基于U-net的架构,即包括一个进行下采样的编码器(Encoder)和一个进行上采样的解码器(Decoder)。网络结构为:将散斑图案T(x,y)(512×512)输入网络,首先经过一个3×3的卷积核,然后依次通过5个由稠密块(Dense Block)和池化层(Pooling Layer)连接的组合层和一个单独的Dense Block,特征图(Feature Map)的空间分辨率缩减至16×16,但在纵向上具有较大的通道数,携带了输入数据的大量深层次特征。至此,信息完全经过了网络的Encoder部分。紧接着,由Encoder输出的特征图再依次经过5个由Dense Block和上采样卷积层连接的组合层、一个3×3卷积核和一个1×1卷积操作并输出,得到结果(512×512)。至此,特征图完全经过了网络的Decoder部分。同时,在Encoder和Decoder之间还添加了跳跃连接(Skip Connections)来加强网络中的特征传递。所设计的CNN在层连接方面主要使用了Dense Block加过渡层(Transition Layer)的结构,图6为一个Dense Block的结构示意图,其由三个复合函数(Composite Function)组成,每个复合函数包含了BatchNormalization(BN)、ReLU以及一个3×3卷积的三个连续操作。在Dense Block中,每个复合函数都连接其前面所有层的输出特征图作为输入,通过特征复用可以改善网络中信息和梯度的流动,降低网络的训练难度。
以校正后的目标相位的图像作为Ground Truth,本实施例选取了常用的均方误差函数(Mean Squared Error,MSE)作为CNN的损失函数(Loss Function)来训练和评估网络的信息提取能力和表现,其定义如下:
其中,m为输入数据的数量,yi为Ground Truth,表示网络的实际输出值,网络参数收敛后,/>即为目标相位。
(4)使用训练好的CNN网络提取散斑图案中的波前信息。网络的输入为经过处理后的单帧散斑图案,根据特定的成像任务和不同组成的网络训练数据集,输出可以为对应波前的相位灰度图、振幅灰度图或复振幅(振幅和相位)。
应用实施例:
本实施例的光路如图3所示,使用波长为520nm的激光光源1作为相干光源,光束从激光器发出首先经过线偏振器转化为水平线偏振光,然后通过分束器照射到空间光调制器3上;空间光调制器为Holoeye Pluto反射式纯相位空间光调制器,具有1920×1080的分辨率和8μm的像素间距,在本例中,仅中心512×512个像素用于调制。数字图像传感器使用CMOS图像传感器,分辨率为1280×1024,像素间距为5.2μm。使用一个焦距为150mm的透镜L1和一个焦距为100mm的透镜L2组成4-f系统,对空间光调制器和CMOS图像传感器之间的像素尺寸进行匹配,并使4-f系统的前焦面与空间光调制器的像素平面重合。将薄扩散片放置在4-f系统后焦面与CMOS图像传感器之间,到4-f系统后焦面的距离为3mm,到传感器平面的距离为5mm;薄扩散片的厚度为0.78mm,扩散角为1±1°。将处理好的图片数据加载到空间光调制器上,入射光束经过相位调制后通过4-f系统和薄扩散片被CMOS图像传感器采集。
使用MATLAB程序随机生成灰度图案作为加载到空间光调制器上的目标相位,图片尺寸为512×512,通过上述光路对相应的散斑图案进行连续大量的采集。使用imcrop()函数对采集到的原始散斑图案进行裁切,窗口大小为512×512,并确保相位被调制的散斑区域大小与窗口尺寸大致吻合。将校准后的灰度图案作为Ground Truth,将裁切处理后的散斑图案作为CNN输入,然后制作训练数据集。
CNN网络模型通过TensorFlow框架搭建,训练数据集包括了7,000张图片作为训练集、2,000张图片作为验证集和1,000张图片作为测试集。训练过程中的初始学习率(Leaning Rate)设置为10-3,并且每10个epoch减半,使用Adam Optimizer在两块GPU(NVIDIA GeForce GTX1080Ti)上训练30个epoch大约耗时为3小时,网络收敛迅速。应用测试集进行相位提取的结果如图7所示,可以实现单帧、实时、无参考的相位成像,并且具有较高的重建质量和较好的鲁棒性。
本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段,还包括由以上技术特征任意组合所组成的技术方案。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (7)
1.一种基于薄散射介质的相位成像方法,其特征在于,包括如下步骤:
步骤(1),将薄散射介质放置在数字图像传感器前,使得到的散斑强度图案在观测平面的横向方向上具有高度的空间相关性,以此对入射光的相位信息进行编码;调整目标波前与数字图像传感器之间的距离并匹配像素尺寸,令入射光透过薄散射介质形成空间分布的散斑,根据特定应用场景获取图像数据集作为目标相位,使用数字图像传感器采集形成的散斑图案;入射光相位信息与光斑位移/>之间的关系为:
其中,λ为入射光波长,d表示薄散射介质后表面到数字图像传感器观测平面的距离,为目标相位;
步骤(2),对原始散斑图案进行预处理;
步骤(3),搭建深度学习网络并使用采集后进行预处理的图片对数据训练网络,训练时,将经过处理后的矩形散斑图案和目标波前的相位图或振幅图或复振幅作为网络的一对输入和输出,以建立目标相位与对应散斑图案之间的映射关系;深度学习网络网络基于U-net架构,包括一个进行下采样的编码器和一个进行上采样的解码器,两编码器之间通过跳跃连接;
步骤(4),使用训练好的深度学习网络网络提取散斑图案中的波前信息,网络的输入为经过处理后的单帧散斑图案,根据特定的成像任务和不同组成的网络训练数据集,输出为对应波前的相位灰度图或振幅灰度图或复振幅。
2.根据权利要求1所述的基于薄散射介质的相位成像方法,其特征在于:所述步骤(1)中,当使用相位型空间光调制器对入射光进行调制产生目标波前时,通过设置4-f系统对相位型空间光调制器和数字图像传感器之间的距离进行调整并匹配像素尺寸;当采用显微成像产生目标波前时,通过物镜进行匹配。
3.根据权利要求1所述的基于薄散射介质的相位成像方法,其特征在于:所述步骤(2)中处理原始散斑图案时,裁切图片,去除其余未被调制的光束所对应的散斑部分,并保证目标散斑图案尺寸与深度学习网络的输入图片尺寸一致。
4.根据权利要求1所述的基于薄散射介质的相位成像方法,其特征在于:所述进行下采样的编码器包括一个3×3的卷积核,5个由稠密块和池化层连接的组合层和一个单独的稠密块。
5.根据权利要求1所述的基于薄散射介质的相位成像方法,其特征在于:所述进行下采样的解码器包括5个由稠密块和上采样卷积层连接的组合层、一个3×3卷积核和一个1×1卷积操作单元。
6.根据权利要求4或5所述的基于薄散射介质的相位成像方法,其特征在于:所述稠密块包括三个复合函数,每个复合函数包含了三个连续操作,即Batch Normalization操作、ReLU操作以及一个3×3卷积操作,在稠密块中,每个复合函数都连接其前面所有层的输出特征图作为输入。
7.根据权利要求1所述的基于薄散射介质的相位成像方法,其特征在于:所述步骤(4)中复振幅包括振幅和相位。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010211444.5A CN111366557B (zh) | 2020-03-24 | 2020-03-24 | 一种基于薄散射介质的相位成像方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010211444.5A CN111366557B (zh) | 2020-03-24 | 2020-03-24 | 一种基于薄散射介质的相位成像方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111366557A CN111366557A (zh) | 2020-07-03 |
CN111366557B true CN111366557B (zh) | 2023-07-28 |
Family
ID=71206987
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010211444.5A Active CN111366557B (zh) | 2020-03-24 | 2020-03-24 | 一种基于薄散射介质的相位成像方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111366557B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111739116B (zh) * | 2020-07-16 | 2021-01-19 | 南京理工大学 | 基于深度神经网络透过散射介质的目标定位和重建方法 |
CN112033280B (zh) * | 2020-09-03 | 2021-09-24 | 合肥工业大学 | 傅里叶变换模型与深度学习结合的散斑干涉相位计算方法 |
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 |
CN112287571B (zh) * | 2020-12-31 | 2021-05-14 | 南京理工大学 | 基于物理驱动的散射泛化成像方法和实验方法 |
CN113607086B (zh) * | 2021-07-01 | 2024-03-08 | 太原理工大学 | 一种透过散射介质的快速三维成像方法 |
CN113834509A (zh) * | 2021-08-27 | 2021-12-24 | 中国计量大学 | 一种基于深度学习的弱反射光纤光栅串解调仪 |
CN113630517B (zh) | 2021-10-08 | 2022-01-25 | 清华大学 | 光电感算一体光场智能成像方法及装置 |
CN115633243B (zh) * | 2022-12-01 | 2023-08-04 | 南京理工大学 | 基于传输矩阵理论的透过散射介质泛化成像方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN206659790U (zh) * | 2016-09-11 | 2017-11-24 | 浙江大学 | 一种用于任意位置多点光聚焦及光斑优化的系统 |
CN108227187B (zh) * | 2018-01-24 | 2020-10-27 | 深圳大学 | 一种扩展光学成像景深的方法及系统 |
CN109459852B (zh) * | 2019-01-07 | 2021-08-24 | 深圳市恒天伟焱科技股份有限公司 | 一种基于神经网络的散射介质光学成像方法 |
CN110274877B (zh) * | 2019-05-21 | 2021-11-02 | 西安电子科技大学 | 一种基于散射介质的3d光谱成像系统及方法 |
-
2020
- 2020-03-24 CN CN202010211444.5A patent/CN111366557B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111366557A (zh) | 2020-07-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111366557B (zh) | 一种基于薄散射介质的相位成像方法 | |
Huang et al. | Dual-plane coupled phase retrieval for non-prior holographic imaging | |
Ikoma et al. | Depth from defocus with learned optics for imaging and occlusion-aware depth estimation | |
Tahara et al. | Roadmap of incoherent digital holography | |
CN105589210B (zh) | 一种基于光瞳调制的数字化合成孔径成像方法 | |
US20210144278A1 (en) | Compressed sensing based object imaging system and imaging method therefor | |
Wu et al. | Resolution enhancement of long-range imaging with sparse apertures | |
CN113762460B (zh) | 基于数值散斑的多模光纤传输图像迁移重构算法 | |
JP6999129B2 (ja) | 細胞観察システムおよび細胞観察方法 | |
Qiao et al. | Snapshot coherence tomographic imaging | |
CN107421640B (zh) | 基于色差扩大原理的多光谱光场成像系统及方法 | |
Li et al. | Quantitative phase imaging (QPI) through random diffusers using a diffractive optical network | |
EP3830628B1 (en) | Device and process for capturing microscopic plenoptic images with turbulence attenuation | |
Shi et al. | Rapid all-in-focus imaging via physical neural network optical encoding | |
Drexler et al. | Digital adaptive optics for turbulence mitigation | |
Xu et al. | Snapshot hyperspectral imaging based on equalization designed doe | |
Xing et al. | High-resolution light-field particle imaging velocimetry with color-and-depth encoded illumination | |
CN207586561U (zh) | 一种基于光强传输测量计算的相位恢复系统 | |
Wen et al. | Phase retrieval with dynamic linear combination in multiple intensity measurements | |
CN114371549B (zh) | 一种基于多焦复用透镜的定量相位成像方法及系统 | |
Park et al. | Fast automated quantitative phase reconstruction in digital holography with unsupervised deep learning | |
Qiao et al. | Snapshot interferometric 3D imaging by compressive sensing and deep learning | |
CN114529476A (zh) | 基于解耦-融合网络的无透镜全息显微成像相位恢复方法 | |
Yang et al. | Compressive hyperspectral microscopic imaging using spectral-coded illumination | |
CN105700135A (zh) | 一种自然光照明的高速大场景相位恢复数据采集装置 |
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 |