CN113554555A - 相位畸变补偿方法、装置、计算机设备和存储介质 - Google Patents
相位畸变补偿方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN113554555A CN113554555A CN202010331637.4A CN202010331637A CN113554555A CN 113554555 A CN113554555 A CN 113554555A CN 202010331637 A CN202010331637 A CN 202010331637A CN 113554555 A CN113554555 A CN 113554555A
- Authority
- CN
- China
- Prior art keywords
- distribution
- phase
- hologram
- field distribution
- target
- 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
- 238000000034 method Methods 0.000 title claims abstract description 84
- 238000009826 distribution Methods 0.000 claims abstract description 395
- 239000011159 matrix material Substances 0.000 claims abstract description 114
- 230000003287 optical effect Effects 0.000 claims abstract description 93
- 230000011218 segmentation Effects 0.000 claims abstract description 82
- 238000011084 recovery Methods 0.000 claims abstract description 46
- 238000001914 filtration Methods 0.000 claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000001228 spectrum Methods 0.000 claims description 78
- 238000012549 training Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 14
- 238000000354 decomposition reaction Methods 0.000 claims description 11
- 238000002372 labelling Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 35
- 230000000694 effects Effects 0.000 description 15
- 238000003384 imaging method Methods 0.000 description 13
- 238000004422 calculation algorithm Methods 0.000 description 11
- 238000009647 digital holographic microscopy Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 4
- 238000012847 principal component analysis method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- SUYHYHLFUHHVJQ-UHFFFAOYSA-N Menazon Chemical compound COP(=S)(OC)SCC1=NC(N)=NC(N)=N1 SUYHYHLFUHHVJQ-UHFFFAOYSA-N 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 description 1
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001093 holography Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000000386 microscopy Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration using non-spatial domain filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Holo Graphy (AREA)
Abstract
本申请涉及一种相位畸变补偿方法、装置、计算机设备和存储介质。方法包括：获取待测物体的全息图；对所述全息图进行背景分割得到二值化模板图；对所述全息图进行频域滤波处理得到物光场分布；对所述物光场分布进行相位重建得到物光场相位分布；根据所述二值化模板图与所述物光场分布得到物体区域赋零的光场分布；对所述光场分布进行矩阵恢复得到背景光场分布；对所述背景光场分布进行相位重建得到相位畸变分布；将所述物光场相位分布与所述相位畸变分布相减，得到补偿相位畸变后的物体相位分布。采用本方法能够兼顾相位畸变补偿的准确性、效率与适用性。
Description
技术领域
本申请涉及光学成像校正技术领域，特别是涉及一种相位畸变补偿方法、装置、计算机设备和存储介质。
背景技术
数字全息显微术是一种通过干涉原理记录物体的波前，通过数值衍射原理再现物体波前的成像技术，只需一幅全息图就可以重建待测物体的振幅信息和相位信息，具有非接触、无标记、高分辨率、低成本等优点，被广泛应用于微光学元件、生命科学等领域。
为了避免全息术中孪生像重叠的问题，数字全息显微通常采用离轴结构，物光与参考光传播方向之间存在一定夹角，使得全息图频谱的虚像分量能够与直流分量等其他频谱的衍射级分离开来，从而能够实现单幅全息图即可恢复物体的相位信息。然而，离轴结构会引入倾斜畸变因子，造成重建后的物体相位淹没在倾斜畸变中，导致无法获得正确的物体相位信息。另外，通常会在数字全息显微的物光端引入物镜，以提高系统的放大率，而物镜会引入二次相位畸变。由此可见，基于离轴结构的数据全息显微采集到的全息图中，通常包括倾斜畸变与二次相位畸变等相位畸变分布。如何对全息图中的相位畸变分布进行相位畸变补偿，以便于准确恢复得到补偿相位畸变后的物体相位分布，是值得关注的问题。
目前，常用的相位畸变补偿方式，比如，二次曝光法、曲面拟合法与基于主成分分析法的相位畸变补偿法等。但是，基于主成分分析法的相位畸变补偿法的适用条件是假设待测物体较小，且对全息图造成的相位扰动可以忽略不计，当待测物体较大时，无法完全补偿相位畸变，由此，存在恢复得到的物体相位分布的准确性低的问题。二次曝光法与曲面拟合法，虽然都能够适用于待测物体较大与较小的情况，但是，二次曝光法需要额外采集没有待测物体的全息图，增加了操作复杂度，从而降低了相位畸变补偿的效率，曲面拟合法对全息图的噪声比较敏感，且需要耗费额外的手动标记时间，存在相位畸变补偿效率低的问题。由此可见，现有的相位畸变补偿方式不能兼顾相位畸变补偿的准确性、效率与适用性。
发明内容
基于此，有必要针对上述技术问题，提供一种能够兼顾相位畸变补偿的准确性、效率与适用性的相位畸变补偿方法、装置、计算机设备和存储介质。
一种相位畸变补偿方法，所述方法包括：
获取待测物体的全息图；
对所述全息图进行背景分割得到二值化模板图；
对所述全息图进行频域滤波处理得到物光场分布；
对所述物光场分布进行相位重建得到物光场相位分布；
根据所述二值化模板图与所述物光场分布得到物体区域赋零的光场分布；
对所述光场分布进行矩阵恢复得到背景光场分布；
对所述背景光场分布进行相位重建得到相位畸变分布；
将所述物光场相位分布与所述相位畸变分布相减，得到补偿相位畸变后的物体相位分布。
在其中一个实施例中，所述对所述全息图进行背景分割得到二值化模板图，包括：
将所述全息图输入已训练好的背景分割模型；
通过所述背景分割模型，对所述全息图进行背景分割得到二值化模板图。
在其中一个实施例中，所述背景分割模型的训练步骤，包括：
获取目标全息图集；
对所述目标全息图集中的每个目标全息图进行标注得到相应目标二值化模板图；
将所述目标全息图作为输入特征，将相应目标二值化模板图作为期望的输出特征进行模型训练，得到已训练好的背景分割模型。
在其中一个实施例中，所述目标全息图集满足以下条件中的至少一个；
所述以下条件包括：
所述目标全息图集对应的物体种类有多种；
所述目标全息图集对应的目标物体的位置与方向有多种；
所述目标全息图集对应的条纹宽度有多种；
所述目标全息图集对应的曝光时间与曝光增益有多种。
在其中一个实施例中，所述对所述全息图进行频域滤波处理得到物光场分布，包括：
对所述全息图进行傅里叶变换得到全息图频谱；
对所述全息图频谱进行滤波得到去除了直流分量与实像分量的目标频谱；
对所述目标频谱进行逆傅里叶变换得到相应物光场分布。
在其中一个实施例中，所述对所述光场分布进行矩阵恢复得到背景光场分布，包括：
对所述光场分布进行奇异值分解，得到左奇异向量矩阵、奇异值矩阵与右奇异向量矩阵；
将所述奇异值矩阵中除第一个奇异值外的每个奇异值重置为零，得到目标奇异值矩阵；
根据所述左奇异向量矩阵、目标奇异值矩阵与右奇异向量矩阵，得到背景光场分布。
在其中一个实施例中，所述相位重建包括：
对目标光场分布取幅角得到包裹相位；所述目标光场分布为所述物光场分布或所述背景光场分布；
对所述包裹相位进行相位展开得到相应目标相位分布；所述目标相位分布为所述物光场相位分布或所述相位畸变分布。
一种相位畸变补偿装置，所述装置包括：
获取模块，用于获取待测物体的全息图；
分割模块，用于对所述全息图进行背景分割得到二值化模板图；
滤波模块，用于对所述全息图进行频域滤波处理得到物光场分布；
重建模块，用于对所述物光场分布进行相位重建得到物光场相位分布；
赋值模块，用于根据所述二值化模板图与所述物光场分布得到物体区域赋零的光场分布；
恢复模块，用于对所述光场分布进行矩阵恢复得到背景光场分布；
所述重建模块，还用于对所述背景光场分布进行相位重建得到相位畸变分布；
补偿模块，用于将所述物光场相位分布与所述相位畸变分布相减，得到补偿相位畸变后的物体相位分布。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述各方法实施例中的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述各方法实施例中的步骤。
上述相位畸变补偿方法、装置、计算机设备和存储介质，对待测物体的全息图进行背景分割得到二值化模板图，以及对该全息图进行频域滤波处理得到相应物光场分布，对该物光场分布进行相位重建得到包括相位畸变分布的物光场相位分布，根据二值化模板图与物光场分布得到物体区域赋零的光场分布，对该光场分布进行矩阵恢复得到背景光场分布，由于该光场分布中剔除了待测物体的振幅信息与相位信息，待测物体的相位分布不会影响该光场分布的矩阵恢复，由此，背景光场分布的恢复对待测物体引起的相位扰动大小不敏感，也即对待测物体的尺寸大小不敏感，能够提高背景光场分布的恢复准确性。进一步地，对准确性较高的背景光场分布进行相位重建得到相位畸变分布，能够准确提取出全息图中的相位畸变分布，并从物光场相位分布中减去该相位畸变分布，能够得到补偿相位畸变后的、且准确性较高的物体相位分布，能够提高物体相位分布的准确性。而且，该方法采用单张全息图即可实现相位畸变分布的准确补偿，从而准确恢复得到补偿相位畸变分布的物体相位分布，而无需采集多张全息图。此外，该方法对待测物体的尺寸大小不敏感，能够同时适用于尺寸较大或较小的待测物体的物体相位分布的准确恢复。由此，该方法能够兼顾相位畸变补偿的准确性、效率与适用性。
附图说明
图1为一个实施例中相位畸变补偿方法的流程示意图；
图2为一个实施例中通过矩阵恢复算法对光场分布进行矩阵恢复得到背景光场分布的流程示意图；
图3为一个实施例中基于背景分割与矩阵恢复的相位畸变补偿方法的流程示意图；
图4为另一个实施例中相位畸变补偿方法的流程示意图；
图5为一个实施例中对全息图进行频域滤波处理得到物光场分布的效果示意图；
图6为一个实施例中对物光场分布进行相位重建得到物光场相位分布的效果示意图；
图7为一个实施例中根据二值化模板图与物光场分布得到全息图对应的背景光场分布的效果示意图；
图8为一个实施例中对背景光场分布进行相位重建得到相位畸变分布的效果示意图；
图9为一个实施例中根据物光场相位分布与相位畸变分布得到补偿相位畸变后的物体相位分布的效果示意图；
图10为一个实施例中基于背景分割与矩阵恢复的相位畸变补偿方法，与基于主成分分析法的相位畸变补偿方法的效果比较示意图；
图11为一个实施例中基于背景分割与矩阵恢复的相位畸变补偿方法、二次曝光法与基于主成分分析法的相位畸变补偿方法的效果比较示意图；
图12为一个实施例中相位畸变补偿装置的结构框图；
图13为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种相位畸变补偿方法，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。本实施例中，该方法包括以下步骤：
步骤102，获取待测物体的全息图。
具体地，通过数字全息显微成像系统采集待测物体的全息图。将待测物体放置于数字全息显微成像系统的物面，通过该数字全息成像系统中的相机在成像面采集该待测物体的全息图。终端获取通过该数字全息显微成像系统采集的全息图。终端接收数字全息显微成像系统中的相机采集并通过有线或无线方式发送的全息图。终端还可通过其他方式获取该相机采集的全息图，在此不作具体限定。
在一个实施例中，数字全息显微成像系统是离轴结构的数字全息显微成像系统，可以是透射式数字全息显微成像系统和反射式数字全息显微成像系统。
步骤104，对全息图进行背景分割得到二值化模板图。
其中，背景分割是指将全息图中的背景区域与物体区域进行分割处理，具体可以是指保留全息图中背景区域的光场分布，去除物体区域的光场分布。二值化模板图是指对全息图对应的二值化图像，全息图中的背景区域在二值化模板图中所对应的区域中的元素值为1，全息图中的物体区域在二值化模板图中所对应的区域中的元素值为0。物体区域是指待测物体在全息图中对应的区域，背景区域是指全息图中除物体区域之外的其他区域。
具体地，终端在获取到待测物体的全息图后，对该全息图进行背景分割得到相应的二值化模板图。终端可通过图像处理方式对全息图的背景区域与物体区域进行分割，得到相应二值化模板图，比如可通过已训练好的背景分割模型对全息图进行背景分割得到二值化模板图。终端也可将该全息图进行展示，以通过用户对所展示的全息图中的物体区域和/或背景区域进行手动标记，并对标记后的全息图进行二值化处理，得到相应的二值化模板图。
步骤106，对全息图进行频域滤波处理得到物光场分布。
其中，物光场分布是包括待测物体的相位分布与背景区域的相位畸变分布的光场分布。物光场分布中剔除了待测物体的孪生像。
具体地，终端将全息图变换至频域得到全息图频谱，在频域对该全息图频谱进行滤波，并将滤波后的全息图频谱逆变换至空域，得到相应物光场分布。对全息图进行频域滤波，是指从全息图频谱中去除直流分量和实像分量，得到保留虚像分量的全息图频谱，这样，将仅保留虚像分量的全息图频谱变换至空域，能够得到物光场分布。
步骤108，对物光场分布进行相位重建得到物光场相位分布。
其中，物光场相位分布是指物光场对应的相位分布。具体地，终端对所得到的物光场分布进行相位重建，得到该物光场对应的物光场相位分布。
在一个实施例中，终端对物光场分布进行取幅角操作得到该物光场分布的包裹相位，对该包裹相位进行相位展开得到相应的展开相位分布，作为该物光场分布对应的物光场相位分布。
步骤110，根据二值化模板图与物光场分布得到物体区域赋零的光场分布。
其中，物体区域赋零的光场分布，是指该光场分布中与相应全息图中的物体区域对应的区域的元素值为零。
具体地，终端将二值化模板图与物光场分布进行点乘，得到物体区域赋零的光场分布。由于二值化模板图中物体区域对应的元素值为零，物光场分布包括待测物体的相位分布与背景区域的相位畸变分布，通过将二值化模板图与物光场分布进行点乘，能够将物光场分布中与物体区域对应的元素值置为零，也即能够去除物光场分布中待测物体的相位分布，得到物体区域赋零的光场分布。
步骤112，对光场分布进行矩阵恢复得到背景光场分布。
其中，矩阵恢复是指根据光场分布中元素值不为零的背景区域的元素值，对元素值为零的物体区域的元素值进行恢复。
具体地，终端按照预设矩阵恢复算法对光场分布进行矩阵恢复得到全息图对应的背景光场分布。可以理解，由于通过将二值化模板图与物光场分布进行点乘得到的物体区域赋零的光场分布中，去除了物体区域中所包括的相位畸变分布，由此需要通过矩阵恢复算法对光场分布中已去除的相位畸变分布进行矩阵恢复，能够恢复出物体区域内的相位畸变分布，得到包括全息图中所有相位畸变分布的背景光场分布。预设矩阵恢复算法具体可以是低秩矩阵恢复算法。由于相位畸变引起的光场分布是秩为1的矩阵，也就是该光场分布中被赋零的物体区域的元素值与背景区域的元素值具有良好的线性相关，通过预设矩阵恢复算法能够恢复物体区域的相位畸变分布，得到背景光场分布。
在一个实施例中，预设矩阵恢复算法是基于矩阵分解的矩阵恢复算法，比如截断奇异值分解法、奇异值阈值法等。
步骤114，对背景光场分布进行相位重建得到相位畸变分布。
其中，相位畸变分布包括倾斜畸变分布与二次相位畸变分布。相位畸变分布具体可以是指全息图中背景区域的相位分布。
具体地，终端对全息图对应的背景光场分布进行相位重建，得到相应的背景光场相位分布，作为相位畸变分布。
在一个实施例中，终端对背景光场分布进行取幅角操作得到该背景光场分布的包裹相位，对该包裹相位进行相位展开得到相应的展开相位分布，作为该背景光场分布对应的相位畸变分布。
步骤116，将物光场相位分布与相位畸变分布相减，得到补偿相位畸变后的物体相位分布。
具体地，物光场相位分布包括待测物体的相位分布，以及由物镜引入的二次相位畸变与由物光与参考光之间的夹角引入的倾斜畸变等相位畸变分布。终端将物光场相位分布与相应的相位畸变分布进行相减，以从物光场相位分布中去除相位畸变分布，得到对该物光场相位分布进行相位畸变补偿后的相位分布，作为待测物体的物体相位分布。
上述相位畸变补偿方法，对待测物体的全息图进行背景分割得到二值化模板图，以及对该全息图进行频域滤波处理得到相应物光场分布，对该物光场分布进行相位重建得到包括相位畸变分布的物光场相位分布，根据二值化模板图与物光场分布得到物体区域赋零的光场分布，对该光场分布进行矩阵恢复得到背景光场分布，由于该光场分布中剔除了待测物体的振幅信息与相位信息，待测物体的相位分布不会影响该光场分布的矩阵恢复，由此，背景光场分布的恢复对待测物体引起的相位扰动大小不敏感，也即对待测物体的尺寸大小不敏感，能够提高背景光场分布的恢复准确性。进一步地，对准确性较高的背景光场分布进行相位重建得到相位畸变分布，能够准确提取出全息图中的相位畸变分布，并从物光场相位分布中减去该相位畸变分布，能够得到补偿相位畸变后的、且准确性较高的物体相位分布，能够提高物体相位分布的准确性。而且，该方法采用单张全息图即可实现相位畸变分布的准确补偿，从而准确恢复得到补偿相位畸变分布的物体相位分布，而无需采集多张全息图。此外，该方法对待测物体的尺寸大小不敏感，能够同时适用于尺寸较大或较小的待测物体的物体相位分布的准确恢复。由此，该方法能够兼顾相位畸变补偿的准确性、效率与适用性。
在一个实施例中，步骤104包括：将全息图输入已训练好的背景分割模型；通过背景分割模型，对全息图进行背景分割得到二值化模板图。
其中，背景分割模型是根据预先获取的训练样本集训练得到的、能够用于对全息图进行背景分割得到相应二值化模板图的模型。训练样本集包括多个目标全息图与每个目标全息图对应的目标二值化模板图。
具体地，终端将所获取到的全息图作为输入特征输入已训练好的背景分割模型，通过该背景分割模型对该全息图进行背景分割得到相应的二值化模板图。
在一个实施例中，终端本地预配置有已训练好的背景分割模型，以便于终端在获取到待测物体的全息图后，通过该预配置的背景分割模型对该全息图进行背景分割得到相应二值化模板图像。该背景分割模型可以是由终端在本地进行模型训练得到的，也可以是由服务器进行模型训练得到并发送至终端的。
在一个实施例中，终端在获取到待测物体的全息图后，动态从服务器获取已训练好的背景分割模型，以便于通过动态获取到的背景分割模型对该全息图进行背景分割得到相应二值化模板图。
上述实施例中，通过已训练好的背景分割模型对全息图进行背景分割得到相应二值化模板图，能够提高全息图的背景分割效率与准确性。
在一个实施例中，背景分割模型的训练步骤，包括：获取目标全息图集；对目标全息图集中的每个目标全息图进行标注得到相应目标二值化模板图；将目标全息图作为输入特征，将相应目标二值化模板图作为期望的输出特征进行模型训练，得到已训练好的背景分割模型。
其中，目标全息图集包括多个作为训练样本的目标全息图。
具体地，终端获取多个目标全息图，根据该多个目标全息图得到相应目标全息图集。终端对该目标全息图集中的每个目标全息图进行物体区域和/或背景区域标注，得到相应的目标二值化模板图。终端将目标全息图集中的每个目标全息图作为输入特征，将相应的目标二值化模板图作为期望的输出特征进行模型训练，得到已训练好的背景分割模型。
在一个实施例中，终端通过用户对每个目标全息图进行人工标注得到相应的二值化模板图。
在一个实施例中，终端训练背景分割模型所涉及到的机器学习算法包括但不限于是神经网络，比如基于densenet的Unet神经网络。
在一个实施例中，对目标全息图进行标注得到的目标二值化模板图中，物体区域为纯黑色，背景区域为纯白色。每个目标二值化模板图中的黑色区域至少需要覆盖相应目标物体所在的区域。这样，能够保证目标二值化模板图中不包括目标物体对应的振幅信息与相位信息，以避免基于二值化模板图与物光场分布所得到的物体区域赋零的光场分布中，仍然包括目标物体的相位信息与振幅信息，从而能够避免因光场分布中包括目标物体的相位分布而影响背景光场分布的恢复准确性，从而影响物体相位分布的恢复准确性。
上述实施例中，根据目标全息图集与每个目标全息图对应的目标二值化模板图进行模型训练，得到已训练好的背景分割模型，以便于基于已训练好的背景分割模型对待测物体的全息图进行背景分割，能够快速而准确的得到相应的二值化模板图。
在一个实施例中，目标全息图集满足以下条件中的至少一个；以下条件包括：目标全息图集对应的物体种类有多种；目标全息图集对应的目标物体的位置与方向有多种；目标全息图集对应的条纹宽度有多种；目标全息图集对应的曝光时间与曝光增益有多种。
其中，物体种类是指目标全息图对应的目标物体的种类，比如相位板、微透镜阵列。目标物体的位置与方向是指目标物体在相应目标全息图中所对应的位置与方向。条纹宽度是指目标全息图中条纹的宽度。曝光时间是指通过数字全息显微成像系统采集目标物体对应的目标全息图时相机曝光的时长。曝光增益是指通过数字全息显微成像系统采集目标物体对应的目标全息图时相机曝光的增益。
具体地，终端在获取用于训练背景分割模型的目标全息图集时，该目标全息图集中的目标全息图需要满足以下条件中的至少一个。该以下条件包括：目标全息图集对应的物体种类有多种，至少要涵盖需要进行检测的物体所对应的物体种类，每个目标全息图与相应目标物体的物体种类相对应，目标全息图集中的各个目标全息图对应的物体种类，作为该目标全息图集对应的物体种类；目标全息图集对应的目标物体的位置与方向有多种，将目标全息图集中的各个目标全息图所对应的目标物体的位置与方向，作为该目标全息图集对应的目标物体的位置与方向，也即目标全息图集中各个目标全息图对应的目标物体的位置与方向要尽可能不同；目标全息图集对应的条纹宽度有多种，目标全息图集中各个目标全息图的条纹宽度，作为该目标全息图集对应的条纹宽度；目标全息图集对应的曝光时间与曝光增益有多种，将目标全息图集中各个目标全息图对应的曝光时间与曝光增益，作为该目标全息图集对应的曝光时间与曝光增益。
上述实施例中，目标全息图集对应的物体种类覆盖面越广，能够使得物体种类对训练得到的背景分割模型的背景分割准确性的影响越小。目标全息图集对应的目标物体的位置与方向越随机，能够使得训练得到的背景分割模型的背景分割准确性对物体的位置与方向越不敏感。目标全息图集对应的条纹宽度越丰富，能够使得训练得到的背景分割模型具有更广泛的应用范围。目标全息图集对应的曝光时间与曝光增益越多样，能够使得训练得到的背景分割模型具有更广泛的应用范围。
在一个实施例中，步骤106，包括：对全息图进行傅里叶变换得到全息图频谱；对全息图频谱进行滤波得到去除了直流分量与实像分量的目标频谱；对目标频谱进行逆傅里叶变换得到相应物光场分布。
具体地，终端对所获取到的全息图进行傅里叶变换得到全息图频谱。终端在频域对全息图频谱进行滤波，得到去除了直流分量与实像分量的全息图频谱，作为目标频谱。终端对目标频谱进行傅里叶逆变换得到相应的物光场分布。
在一个实施例中，终端查找全息图频谱中幅值最大的点，将所查找到的点作为该全息图频谱中虚像分量的中心，也即根据所查找到的点的坐标确定虚像分量的中心。终端以所查找到的点为中心，选取合适大小的滤波窗口，通过该滤波窗口将全息图频谱中的虚像分量，从该全息图频谱中提取出来。终端新建一个与全息图频谱的尺寸大小一致的全零矩阵，将所提取出的虚像分量，以该虚像分量在全息图频谱中的中心为中心复制到该新建的全零矩阵中，得到去除了全息图频谱中的直流分量与实像分量的目标频谱。可以理解，虚像分量在目标频谱中的位置与在相应全息图频谱中的位置相同。其中，滤波窗口的尺寸大小需要包括+1级频谱，且不包括0级与-1级频谱。滤波窗口具体可采用高斯窗口。
在一个实施例中，终端将从全息图频谱中提取出的虚像分量复制到新建的全零矩阵时，按照上述方式将从全息图频谱中提取出的虚像分量复制到新建的全零矩阵中，此时虚像分量在全零矩阵中的位置与在全息图频谱中的位置一致。终端以全零矩阵的中心作为平移后的虚像分量的中心，对已复制至全零矩阵中的虚像分量进行平移，得到全息图频谱对应的目标频谱。
在一个实施例中，终端将从全息图频谱中提取出的虚像分量复制到新建的全零矩阵时，将全零矩阵的中心作为该虚像分量的中心，并将该虚像分量按照所确定的虚像分量中心复制到该全零矩阵中，得到全息图频谱对应的目标频谱。
在一个实施例中，终端在全息图频谱中确定虚像分量后，将该全息图频谱中除该虚像分量外的其他区域的频谱值置为0。具体地，终端可新建一个与全息图频谱的尺寸大小一致的二值化频谱，二值化频谱中与全息图频谱中的虚像分量对应的区域置为1，将其他区域置为0。终端将该二值化频谱与全息图频谱点乘，得到去除了直流分量与实像分量的目标频谱。
上述实施例中，通过在频域对全息图进行滤波处理，对滤波处理得到的目标频谱逆变换至空域得到相应物光场分布，能够提高物光场分布的提取准确性。
在一个实施例中，步骤112，包括：对光场分布进行奇异值分解，得到左奇异向量矩阵、奇异值矩阵与右奇异向量矩阵；将奇异值矩阵中除第一个奇异值外的每个奇异值重置为零，得到目标奇异值矩阵；根据左奇异向量矩阵、目标奇异值矩阵与右奇异向量矩阵，得到背景光场分布。
具体地，终端对光场分布进行奇异值分解，得到相应的左奇异向量矩阵、奇异值矩阵与右奇异向量矩阵，奇异值矩阵包括该光场分布对应的各个奇异值。终端保留该奇异值矩阵中的第一个奇异值，将改奇异值矩阵中除该第一个奇异值外的每个奇异值重置为零，得到相应的目标奇异值矩阵。终端根据对光场分布进行奇异值分解所得到的左奇异向量矩阵与右奇异向量矩阵，以及相应目标奇异值矩阵，进行逆变换操作得到相应的背景光场分布。可以理解，该背景光场分布是全息图中相位畸变引起的光场分布的近似分布。
举例说明，假设物体区域赋零的光场分布为I0，对该光场分布进行奇异值分解得到[U,S,V]三个矩阵，其中，U为左奇异向量矩阵，S为奇异值矩阵，V为右奇异向量矩阵，将奇异值矩阵S中除第一个奇异值外的每个奇异值重置为零，得到目标奇异值矩阵S1，并通过Ib＝U*S1*VT的逆变换操作，得到背景光场分布Ib。
图2为一个实施例中通过矩阵恢复算法对光场分布进行矩阵恢复得到背景光场分布的流程示意图。如图2所示，将待测物体的全息图对应的物光场分布If与二值化模板图Imask进行点乘，得到物体区域赋零的光场分布I0，也即I0＝If.*Imask，其中，符号.*表示点乘。对物体区域赋零的光场分布为I0进行奇异值分解，得到左奇异向量矩阵U、奇异值矩阵S与右奇异向量矩阵V，将奇异值矩阵S保留第一个奇异值，将其他奇异值重置为零得到目标奇异值矩阵S1，并根据Ib＝U*S1*VT得到背景光场分布Ib。
上述实施例中，通过矩阵恢复方式对光场分布中赋零的物体区域的相位畸变分布进行恢复，得到全息图中相位畸变引起的背景光场分布，能够提高背景光场分布的准确性，以便于基于该准确性较高的背景光场分布进行相位畸变分布的重建时，能够提高相位畸变分布的重建准确性。
在一个实施例中，相位重建包括：对目标光场分布取幅角得到包裹相位；目标光场分布为物光场分布或背景光场分布；对包裹相位进行相位展开得到相应目标相位分布；目标相位分布为物光场相位分布或相位畸变分布。
具体地，当得到全息图对应的物光场分布时，将该物光场分布作为目标光场分布，对该目标光场分布取幅角得到相应包裹相位，对该包裹相应进行相位展开得到相应目标相位分布，并将该目标相位分布作为物光场分布对应的物光场相位分布。当得到全息图对应的背景光场分布时，将该背景光场分布作为目标光场分布，对该目标光场分布取幅角得到相应包裹相位，对该包裹相应进行相位展开得到相应目标相位分布，并将该目标相位分布作为背景光场分布对应的相位畸变分布。
在一个实施例中，对包裹相位进行相位展开，也即是对包裹相位进行相位解包裹得到相应展开相位。终端可基于现有的相位展开技术对包裹相位进行相位展开，比如，基于离散余弦变换的最小二乘法，在此不一一列举。
图3为一个实施例中基于背景分割与矩阵恢复的相位畸变补偿方法的流程示意图。如图3所示，终端在获取到待测物体的全息图I后，对全息图I进行背景分割得到相应的二值化模板图Imask，并对全息图I进行二维傅里叶变换(简称为2D-FFT)得到相应全息图频谱D，对全息图频谱D进行频域滤波得到目标频谱D1，对目标频谱D1进行二维逆傅里叶变换(简称为2D-IFFT)得到物光场分布If，进一步地，对物光场分布If通过反正切求相位的方式进行取幅角操作，得到相应包裹相位
也即
对该包裹相位
进行相位解包裹得到物光场相位分布
相应地，将二值化模板图Imask与物光场分布If进行点乘得到物体区域赋零的光场分布I0，也即I0＝Imask.*If，对光场分布I0进行矩阵恢复得到背景光场分布Ib，对该背景光场分布Ib通过反正切求相位的方式进行取幅角操作，得到相应包裹相位
也即
对该包裹相位
进行相位解包裹得到相位畸变分布
将物光场相位分布
减去相位畸变分布
得到补偿相位畸变后的物体相位分布
也即
如图4所示，在一个实施例中，提供了一种相位畸变补偿方法，该方法具体包括以下步骤：
步骤402，获取待测物体的全息图。
步骤404，将全息图输入已训练好的背景分割模型。
步骤406，通过背景分割模型，对全息图进行背景分割得到二值化模板图。
步骤408，对全息图进行傅里叶变换得到全息图频谱。
步骤410，对全息图频谱进行滤波得到去除了直流分量与实像分量的目标频谱。
步骤412，对目标频谱进行逆傅里叶变换得到相应物光场分布。
步骤414，对物光场分布取幅角得到包裹相位。
步骤416，对包裹相位进行相位展开得到相应物光场相位分布。
步骤418，根据二值化模板图与物光场分布得到物体区域赋零的光场分布。
步骤420，对光场分布进行奇异值分解，得到左奇异向量矩阵、奇异值矩阵与右奇异向量矩阵。
步骤422，将奇异值矩阵中除第一个奇异值外的每个奇异值重置为零，得到目标奇异值矩阵。
步骤424，根据左奇异向量矩阵、目标奇异值矩阵与右奇异向量矩阵，得到背景光场分布。
步骤426，对背景光场分布取幅角得到包裹相位。
步骤428，对包裹相位进行相位展开得到相应相位畸变分布。
步骤430，将物光场相位分布与相位畸变分布相减，得到补偿相位畸变后的物体相位分布。
上述实施例中，通过待测物体的单张全息图即可补充该全息图的相位畸变，从而能够恢复得到准确性较高的物体相位分布。而通过已训练好的背景分割模型对全息图进行背景分割，得到准确性较高的二值化模板图，通过该二值化模板图对全息图对应的物光场分布中物体所在区域的光场赋零，以使得物体的光场分布不影响通过矩阵恢复算法得到相位畸变对应的背景光场分布，由此使得该相位畸变补偿方法对待测物体的尺寸大小不敏感。而且，通过从物光场相位分布中减去基于背景光场分布进行相位重建所得到的相位畸变分布，得到补偿相位畸变后的物体相位分布，使得该物体相位重建过程对全息图的噪声不敏感，能够提高重建准确性。
图5为一个实施例中对全息图进行频域滤波处理得到物光场分布的效果示意图。如图5所示，子图(a)为待测物体的全息图，子图(b)为全息图(a)在频域的全息图频谱，子图(c)为对全息图频谱(b)进行滤波得到的目标频谱，子图(d)是对目标频谱进行逆傅里叶变换得到的物光场分布，子图(d)为对子图(c)所示的目标频谱进行逆傅里叶变换得到的物光场分布。其中，子图(a)中圆圈内的区域对应的是全息图中的物体区域，子图(b)中白色点或短线对应的是全息图频谱中的直流分量、实像分量与虚像分量，子图(c)中白色点(短线)对应的是从全息图频谱中提取出的虚像分量，从子图(b)所示的全息图频谱中提取出虚像分量后，将所提取出的虚像分量平移至频谱的中心位置，得到如子图(c)所示目标频谱。
图6为一个实施例中对物光场分布进行相位重建得到物光场相位分布的效果示意图。如图6所示，子图(a)为图5中的子图(d)所示的物光场分布，子图(b)为对子图(a)所示的物光场分布取幅值得到的包裹相位分布，子图(c)是对子图(b)所示的包裹相位进行相位展开得到的物光场相位分布，子图(d)是子图(c)所示的物光场分布对应的三维视图。
图7为一个实施例中根据二值化模板图与物光场分布得到全息图对应的背景光场分布的效果示意图。如图7所示，子图(a)为图5中的子图(d)所示的物光场分布，子图(b)为对图5中的子图(a)所示的全息图进行背景分割得到的二值化模板图，子图(c)为将子图(a)所示的物光场分布与子图(b)所示的二值化模板图进行点乘，所得到的物体区域赋零的光场分布，子图(d)是对子图(c)所示的光场分布进行矩阵恢复得到的背景光场分布。其中，子图(b)所示的二值化模板图中，与全息图中的物体区域对应的区域为纯黑色，与其他背景区域为纯白色，为了标示出完成的二值化模板图，将子图(b)所示的二值化模板图通过虚线标示出来。子图(c)中与子图(b)中的纯黑色对应的圆圈区域是光场分布中被赋零的物体区域。
图8为一个实施例中对背景光场分布进行相位重建得到相位畸变分布的效果示意图。如图8所示，子图(a)为图7中子图(d)所示的背景光场分布，子图(b)是对子图(a)所示的背景光场分布取幅值得到的包裹相位分布，子图(c)是对子图(b)所示的包裹相位进行相位展开得到的相位畸变分布，子图(d)是子图(c)所示的相位畸变分布的三维视图。
图9为一个实施例中根据物光场相位分布与相位畸变分布得到补偿相位畸变后的物体相位分布的效果示意图。如图9所示，子图(a)为图6中子图(c)所示的物光场相位分布，子图(b)是图8中子图(c)所示的相位畸变分布，子图(c)是将子图(a)所示的物光场相位分布与子图(b)所示的相位畸变分布相减，得到的补偿相位畸变后的物体相位分布，子图(d)是子图(c)所示的物体相位分布的三维视图。
图10为一个实施例中基于背景分割与矩阵恢复的相位畸变补偿方法，与基于主成分分析法的相位畸变补偿方法的效果比较示意图。如图10所示，子图(a)为图9中子图(d)所示的物体相位分布的三维视图，子图(b)为子图(a)所示的三维视图的侧视图，子图(c)为通过基于主成分分析法的相位畸变补偿方法恢复得到的物体相位分布的三维视图，子图(d)为子图(c)所示的三维视图的侧视图。其中，子图(b)中的下边线表征待测物体对应的背景分布，相应地，子图(d)中的下边线也表征待测物体对应的背景分布，由此可见，通过本申请中提供的基于背景分割与矩阵恢复的相位畸变补偿方法，能够较为彻底的补偿全息图中的相位畸变分布，恢复得到平坦的背景分布，而通过现有的基于主成分分析法的相位畸变补偿方法，在待测物体较大时，对全息图中的相位畸变分布补偿不彻底，仍存在相位畸变残留，恢复得到的背景分布仍然为存在倾斜的平面分布和球面分布。该倾斜的平面分布是全息图中的倾斜畸变引起的，该球面分布是全息图中的二次相位畸变引起的。
图11为一个实施例中基于背景分割与矩阵恢复的相位畸变补偿方法、二次曝光法与基于主成分分析法的相位畸变补偿方法的效果比较示意图。采用基于背景分割与矩阵恢复的相位畸变补偿方法、二次曝光法与基于主成分分析法的相位畸变补偿方法，分别对待测物体的全息图进行相位畸变补偿得到补偿相位畸变后的物体相位分布后，对分别得到的物体相位分布沿矩阵的352行展开所得到的展开相位分布对应的的曲线图，如图11所示，横坐标为像素，横坐标与物体相位分布中的像素位置相对应，纵坐标为相位，单位为rad，也即表征物体相位分布中相应像素处的相位。可以理解，图11所示的曲线与补偿相位畸变后的物体相位分布的三维侧视图相对应。
如图11所示，黑点虚线对应的是采用基于组成分分析法的相位畸变补偿方法恢复得到的物体相位分布所对应的曲线，黑实线对应的是采用二次曝光法恢复得到的物体相位分布所对应的曲线，灰色虚线对应的是采用基于背景分割与矩阵恢复的相位畸变补偿方法恢复得到的物体相位分布所对应的曲线。由此可见，当待测物体占据全息图视场的大部分区域时，采用基于背景分割与矩阵恢复的相位畸变补偿方法与采用二次曝光法，所能得到的相位补偿精度较高，而采用基于组成分分析法的相位畸变补偿方法不能完全补偿相位畸变，也即存在相位畸变残留，从而不能准确恢复得到补偿相位畸变后的物体相位分布。二次曝光法虽然能够得到较高的相位补偿精度，但是需要采集两幅全息图，增加了相位畸变补偿的操作复杂度，由此，采用本申请提供的基于背景分割与矩阵恢复的相位畸变补偿方法，在保证相位补偿精度的情况下，提高了相位畸变的补偿效率。
在一个实施例中，上述一个或多个实施例提及的基于组成分分析法的相位畸变补偿方法，是未采用区域分割的基于组成分分析法的相位畸变补偿方法。
应该理解的是，虽然图2与图4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2与图4中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图12所示，提供了一种相位畸变补偿装置1200，包括：获取模块1201、分割模块1202、滤波模块1203、重建模块1204、赋值模块1205、恢复模块1206与补偿模块1207，其中，
获取模块1201，用于获取待测物体的全息图；
分割模块1202，用于对全息图进行背景分割得到二值化模板图；
滤波模块1203，用于对全息图进行频域滤波处理得到物光场分布；
重建模块1204，用于对物光场分布进行相位重建得到物光场相位分布；
赋值模块1205，用于根据二值化模板图与物光场分布得到物体区域赋零的光场分布；
恢复模块1206，用于对光场分布进行矩阵恢复得到背景光场分布；
重建模块1204，还用于对背景光场分布进行相位重建得到相位畸变分布；
补偿模块1207，用于将物光场相位分布与相位畸变分布相减，得到补偿相位畸变后的物体相位分布。
在一个实施例中，分割模块1202，还用于将全息图输入已训练好的背景分割模型；通过背景分割模型，对全息图进行背景分割得到二值化模板图。
在一个实施例中，上述相位畸变补偿装置1200，包括：模型训练模块；
模型训练模块，用于获取目标全息图集；对目标全息图集中的每个目标全息图进行标注得到相应目标二值化模板图；将目标全息图作为输入特征，将相应目标二值化模板图作为期望的输出特征进行模型训练，得到已训练好的背景分割模型。
在一个实施例中，目标全息图集满足以下条件中的至少一个；以下条件包括：目标全息图集对应的物体种类有多种；目标全息图集对应的目标物体的位置与方向有多种；目标全息图集对应的条纹宽度有多种；目标全息图集对应的曝光时间与曝光增益有多种。
在一个实施例中，滤波模块1203，还用于对全息图进行傅里叶变换得到全息图频谱；对全息图频谱进行滤波得到去除了直流分量与实像分量的目标频谱；对目标频谱进行逆傅里叶变换得到相应物光场分布。
在一个实施例中，恢复模块1206，还用于对光场分布进行奇异值分解，得到左奇异向量矩阵、奇异值矩阵与右奇异向量矩阵；将奇异值矩阵中除第一个奇异值外的每个奇异值重置为零，得到目标奇异值矩阵；根据左奇异向量矩阵、目标奇异值矩阵与右奇异向量矩阵，得到背景光场分布。
在一个实施例中，重建模块1204，还用于对目标光场分布取幅角得到包裹相位；目标光场分布为物光场分布或背景光场分布；对包裹相位进行相位展开得到相应目标相位分布；目标相位分布为物光场相位分布或相位畸变分布。关于相位畸变补偿装置的具体限定可以参见上文中对于相位畸变补偿方法的限定，在此不再赘述。上述相位畸变补偿装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图13所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种相位畸变补偿方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图13中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各个方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述各个方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种相位畸变补偿方法，其特征在于，所述方法包括：
获取待测物体的全息图；
对所述全息图进行背景分割得到二值化模板图；
对所述全息图进行频域滤波处理得到物光场分布；
对所述物光场分布进行相位重建得到物光场相位分布；
根据所述二值化模板图与所述物光场分布得到物体区域赋零的光场分布；
对所述光场分布进行矩阵恢复得到背景光场分布；
对所述背景光场分布进行相位重建得到相位畸变分布；
将所述物光场相位分布与所述相位畸变分布相减，得到补偿相位畸变后的物体相位分布。
2.根据权利要求1所述的方法，其特征在于，所述对所述全息图进行背景分割得到二值化模板图，包括：
将所述全息图输入已训练好的背景分割模型；
通过所述背景分割模型，对所述全息图进行背景分割得到二值化模板图。
3.根据权利要求2所述的方法，其特征在于，所述背景分割模型的训练步骤，包括：
获取目标全息图集；
对所述目标全息图集中的每个目标全息图进行标注得到相应目标二值化模板图；
将所述目标全息图作为输入特征，将相应目标二值化模板图作为期望的输出特征进行模型训练，得到已训练好的背景分割模型。
4.根据权利要求3所述的方法，其特征在于，所述目标全息图集满足以下条件中的至少一个；
所述以下条件包括：
所述目标全息图集对应的物体种类有多种；
所述目标全息图集对应的目标物体的位置与方向有多种；
所述目标全息图集对应的条纹宽度有多种；
所述目标全息图集对应的曝光时间与曝光增益有多种。
5.根据权利要求1所述的方法，其特征在于，所述对所述全息图进行频域滤波处理得到物光场分布，包括：
对所述全息图进行傅里叶变换得到全息图频谱；
对所述全息图频谱进行滤波得到去除了直流分量与实像分量的目标频谱；
对所述目标频谱进行逆傅里叶变换得到相应物光场分布。
6.根据权利要求1所述的方法，其特征在于，所述对所述光场分布进行矩阵恢复得到背景光场分布，包括：
对所述光场分布进行奇异值分解，得到左奇异向量矩阵、奇异值矩阵与右奇异向量矩阵；
将所述奇异值矩阵中除第一个奇异值外的每个奇异值重置为零，得到目标奇异值矩阵；
根据所述左奇异向量矩阵、目标奇异值矩阵与右奇异向量矩阵，得到背景光场分布。
7.根据权利要求1至6任意一项所述的方法，其特征在于，所述相位重建包括：
对目标光场分布取幅角得到包裹相位；所述目标光场分布为所述物光场分布或所述背景光场分布；
对所述包裹相位进行相位展开得到相应目标相位分布；所述目标相位分布为所述物光场相位分布或所述相位畸变分布。
8.一种相位畸变补偿装置，其特征在于，所述装置包括：
获取模块，用于获取待测物体的全息图；
分割模块，用于对所述全息图进行背景分割得到二值化模板图；
滤波模块，用于对所述全息图进行频域滤波处理得到物光场分布；
重建模块，用于对所述物光场分布进行相位重建得到物光场相位分布；
赋值模块，用于根据所述二值化模板图与所述物光场分布得到物体区域赋零的光场分布；
恢复模块，用于对所述光场分布进行矩阵恢复得到背景光场分布；
所述重建模块，还用于对所述背景光场分布进行相位重建得到相位畸变分布；
补偿模块，用于将所述物光场相位分布与所述相位畸变分布相减，得到补偿相位畸变后的物体相位分布。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010331637.4A CN113554555B (zh) | 2020-04-24 | 2020-04-24 | 相位畸变补偿方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010331637.4A CN113554555B (zh) | 2020-04-24 | 2020-04-24 | 相位畸变补偿方法、装置、计算机设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113554555A true CN113554555A (zh) | 2021-10-26 |
| CN113554555B CN113554555B (zh) | 2023-09-26 |
Family
ID=78101219
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010331637.4A Active CN113554555B (zh) | 2020-04-24 | 2020-04-24 | 相位畸变补偿方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113554555B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114442313A (zh) * | 2021-12-16 | 2022-05-06 | 南京大学 | 一种基于多次迭代的光学超晶格优化设计方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102422200A (zh) * | 2009-03-13 | 2012-04-18 | 特拉维夫大学拉玛特有限公司 | 以减小的像模糊对物进行成像的成像系统和方法 |
| CN104407507A (zh) * | 2014-09-18 | 2015-03-11 | 河北工程大学 | 一种基于Hilbert变换的数字全息高精度位相重建方法 |
| CN104713495A (zh) * | 2015-02-10 | 2015-06-17 | 浙江科技学院 | 一种可消除光场畸变的横向剪切数字全息方法 |
| CN105157561A (zh) * | 2015-09-29 | 2015-12-16 | 南京理工大学 | 基于降采样相位畸变主成分分析的快速相位畸变补偿方法 |
| CN110738727A (zh) * | 2019-09-29 | 2020-01-31 | 东南大学 | 一种基于光场的复振幅全息图算法 |
-
2020
- 2020-04-24 CN CN202010331637.4A patent/CN113554555B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102422200A (zh) * | 2009-03-13 | 2012-04-18 | 特拉维夫大学拉玛特有限公司 | 以减小的像模糊对物进行成像的成像系统和方法 |
| CN104407507A (zh) * | 2014-09-18 | 2015-03-11 | 河北工程大学 | 一种基于Hilbert变换的数字全息高精度位相重建方法 |
| CN104713495A (zh) * | 2015-02-10 | 2015-06-17 | 浙江科技学院 | 一种可消除光场畸变的横向剪切数字全息方法 |
| CN105157561A (zh) * | 2015-09-29 | 2015-12-16 | 南京理工大学 | 基于降采样相位畸变主成分分析的快速相位畸变补偿方法 |
| CN110738727A (zh) * | 2019-09-29 | 2020-01-31 | 东南大学 | 一种基于光场的复振幅全息图算法 |
Non-Patent Citations (1)
| Title |
|---|
| 张华;曹良才;金国藩;白瑞迪;: "压缩成像技术的应用与挑战", 科技导报, no. 10, pages 1 - 2 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114442313A (zh) * | 2021-12-16 | 2022-05-06 | 南京大学 | 一种基于多次迭代的光学超晶格优化设计方法 |
| CN114442313B (zh) * | 2021-12-16 | 2022-11-04 | 南京大学 | 一种基于多次迭代的光学超晶格优化设计方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113554555B (zh) | 2023-09-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zuo et al. | Transport of intensity phase retrieval and computational imaging for partially coherent fields: The phase space perspective | |
| EP2795579A1 (en) | Image registration method and system robust to noise | |
| CN110060208B (zh) | 一种提高超分辨率算法重构性能的方法 | |
| CN113554555A (zh) | 相位畸变补偿方法、装置、计算机设备和存储介质 | |
| AU2014259516A1 (en) | Nonlinear processing for off-axis frequency reduction in demodulation of two dimensional fringe patterns | |
| CN110352387B (zh) | 用于通过多深度稀疏相位恢复重建全息无透镜图像的系统和方法 | |
| JP6968895B2 (ja) | 電磁場の波頭の断層撮影分布を取得する方法及び光学システム | |
| Paris et al. | A hierarchical approach to superresolution of multispectral images with different spatial resolutions | |
| Haq et al. | Block-based compressed sensing of MR images using multi-rate deep learning approach | |
| KR20130104410A (ko) | 단일 영상의 오차모델을 기반으로 한 고해상도 영상 복원장치 및 방법 | |
| CN114384780B (zh) | 透过散射介质成像的方法、装置、计算机设备和存储介质 | |
| CN110738677A (zh) | 相机全清晰成像方法、装置与电子设备 | |
| Ma et al. | Compensation enhancement by the patch-based inpainting in off-axis digital holographic microscopy | |
| CN112288633B (zh) | 一种新型亚像素分辨率衍射成像方法 | |
| Hajmohammadi et al. | Parallel hybrid bispectrum-multi-frame blind deconvolution image reconstruction technique | |
| CN115082364A (zh) | 基于散斑图叠加和平均的超记忆效应范围成像方法和装置 | |
| Norazman et al. | Digital holography-assisted 3-d bright-field image reconstruction and refocusing | |
| JP2007502445A (ja) | デジタル・ホログラフィにおける画像の再構成での空間解像度を修正する方法 | |
| Muhammad et al. | Resolution enhancement for digital off-axis hologram reconstruction | |
| Chu | Efficient digital holographic 3d human image reconstruction and improvement on mobile devices | |
| CN115619684B (zh) | 基于编码摄像的非侵入式激光扫描的显微散射成像方法 | |
| Chaab et al. | An adaptive anisotropic magnification algorithm of numerical reconstructed holographic image via a cascaded Fresnel transform | |
| Ghanekar et al. | Phase unwrapping of coarsely sampled maps using higher-order methods | |
| Saxton | Basic software for digital image handling | |
| CN117906525A (zh) | 基于干涉条纹的快照压缩三维成像方法、设备及存储介质 |
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 |