CN113985566A - 一种基于空间光调制及神经网络的散射光聚焦方法 - Google Patents

一种基于空间光调制及神经网络的散射光聚焦方法 Download PDF

Info

Publication number
CN113985566A
CN113985566A CN202111061940.8A CN202111061940A CN113985566A CN 113985566 A CN113985566 A CN 113985566A CN 202111061940 A CN202111061940 A CN 202111061940A CN 113985566 A CN113985566 A CN 113985566A
Authority
CN
China
Prior art keywords
neural network
array
scattered light
focusing
phase modulation
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
Application number
CN202111061940.8A
Other languages
English (en)
Other versions
CN113985566B (zh
Inventor
杨华
胡剑波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southwest University of Science and Technology
Original Assignee
Southwest University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southwest University of Science and Technology filed Critical Southwest University of Science and Technology
Priority to CN202111061940.8A priority Critical patent/CN113985566B/zh
Publication of CN113985566A publication Critical patent/CN113985566A/zh
Application granted granted Critical
Publication of CN113985566B publication Critical patent/CN113985566B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G02—OPTICS
    • G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
    • G02B7/00—Mountings, adjusting means, or light-tight connections, for optical elements
    • G02B7/28—Systems for automatic generation of focusing signals
    • 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
    • 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
    • G06N3/08—Learning methods

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (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)
  • Optics & Photonics (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明涉及一种基于空间光调制及神经网络的散射光聚焦方法，属于计算光学成像技术领域。首先初始化策略神经网络并进行随机散射光采集，之后选择待聚焦位置，初始化并训练评价神经网络，利用训练完成的评价神经网络训练策略神经网络，利用训练完成的策略神经网络输出空间光调制器的聚焦相位调制量，实现散射光在待聚焦位置的聚焦。由于随机散射光的采集与具体聚焦位置无关，在策略神经网络和评价神经网络训练阶段，可以选择图像传感器成像面的任意区域作为聚焦位置。改变不同的聚焦位置时，仅需重新进行评价神经网络的初始化定义及训练、策略神经网络的训练，即可得到聚焦所需的相位调制量，不需要重新进行重复次数较多的随机散射光采集。

Description

一种基于空间光调制及神经网络的散射光聚焦方法
技术领域
本发明属于计算光学成像技术领域，具体地说涉及一种基于空间光调制及神经网络的散射光聚焦方法。
背景技术
空间光调制器具有多个可控制单元，每个单元可以独立对入射到该单元上的光的相位或者振幅进行改变。其中，通过空间光调制器可以对入射光的相位或者振幅进行空间调制，实现对光束的聚焦。然而，当光经过随机散射之后，由于散射过程对入射光振幅以及相位的改变难以直接测量，因此，无法直接确定使散射光束进行聚焦所需的每一个单元上的相位或者振幅调制量。目前的解决方案主要基于波前校正方法，需要预先指定期望聚焦位置，然后用CCD等不断测量光在期望焦点处的光强，通过逐单元优化的方法或者遗传算法或者粒子群算法等全局优化方法，利用CCD反馈回的强度，不断优化空间光调制器各单元的相位或者振幅调制量，最终可以实现散射光在期望焦点位置的聚焦，进而利用散射过程的“记忆效应”，略微改变入射光的方向可以实现在焦点附近很小范围内的聚焦位置变化。但是，这种方法的主要缺点是：经过数百至数千次的反馈迭代之后，光束只能聚焦在期望焦点附近。如果需要在其他位置聚焦，需要重新进行整个波前校正过程。
发明内容
针对现有技术的不足，为了解决上述问题，现提出一种基于空间光调制及神经网络的散射光聚焦方法，利用神经网络对空间光调制器的相位调制量进行优化，使经过随机散射的光可以在平面内一定范围任意位置聚焦，所述一定范围由图像传感器的成像面决定。
为实现上述目的，本发明提供如下技术方案：
一种基于空间光调制及神经网络的散射光聚焦方法，包括以下步骤：
步骤S100、初始化策略神经网络并进行随机散射光采集；
步骤S200、选择待聚焦位置，初始化并训练评价神经网络；
步骤S300、训练策略神经网络；
步骤S400、利用训练完成的策略神经网络输出空间光调制器的聚焦相位调制量，实现散射光在待聚焦位置聚焦。
进一步，步骤S100中，所述初始化策略神经网络并进行随机散射光采集方法为：
步骤S101、系统连接，即光源产生的光束经过空间光调制器的相位调制(即空间光调制器为相位型空间光调制器)后入射至散射介质并发生散射，用图像传感器采集位于其有效区域内的散射光强度；
步骤S102、设置扰动噪声强度因子α、输出相位放大系数β；
步骤S103、生成两个独立的一维正态分布随机数组，分别标记为数组r0、数组r1；
步骤S104、初始化策略神经网络，初始化后的策略神经网络以数组r0为输入，输出数组r2；
步骤S105、对数组r2施加随机噪声扰动得到数组r3，数组r3与数组r1相加后乘以输出相位放大系数β以及常数π，得到数组s；
步骤S106、将数组s变换为与空间光调制器的独立相位调制单元匹配的数组形状，作为独立相位调制单元的相位调制量进行相位调制，并采集与所述相位调制量对应的散射光强度I；
步骤S107、策略神经网络保持不变，步骤S105至S106重复进行N次，记录所有的r3以及与其对应的散射光强度I，并对散射光强度I进行归一化。
优选的，步骤S104中，策略神经网络采取全连接神经网络结构，包含输入层、两个隐藏层以及输出层，所述输入层和隐藏层的激活函数为线性整流单元(Rectified LinearUnit,ReLU)，所述输出层的激活函数为Tanh函数，策略神经网络初始参数满足[-0.01，0.01]区间内的随机均匀分布。
优选的，步骤S105中，所述施加随机噪声扰动的方法为生成一个满足标准正态分布的一维随机数组n，数组长度与数组r2长度相同，数组n乘以扰动噪声强度因子α后与数组r2相加得到数组r3。
优选的，步骤S107中，N不小于500。
进一步，步骤S200中，所述选择待聚焦位置，初始化并训练评价神经网络的方法为：
采取全连接网络结构，将所有的数组r3以及与其对应的散射光强度I作为训练数据，在散射光记录平面范围内选择待聚焦位置，初始化后的评价神经网络以数组r3作为输入，计算评价神经网络的输出与散射光强度I中待聚焦位置的散射光强度之和之间的误差，采用梯度下降方法训练评价神经网络。
优选的，评价神经网络结构包含输入层、一个隐藏层以及输出层，所述输入层、隐藏层的激活函数为ReLU，输出层不使用激活函数。
优选的，评价神经网络参数使用平方和误差作为误差函数，采用均方根传播方法(Root Mean Square Prop,RMSprop)进行训练。
进一步，步骤S300中，所述策略神经网络的训练方法为：
策略神经网络以数组r0为输入，其输出又作为评价神经网络的输入，采用梯度上升方法，以最大化评价神经网络输出作为训练目标，训练过程中评价神经网络保持不变。
优选的，策略神经网络采用均方根传播方法进行训练。
进一步，步骤S400中，训练完成后的策略神经网络以数组r0为输入，输出数组r3’，数组r3’与数组r1相加后并乘以输出相位放大系数β以及常数π，得到数组s’，将数组s’变换为与独立相位调制单元匹配的数组形状，作为独立相位调制单元的聚焦相位调制量进行相位调制，在选择待聚焦位置实现散射光聚焦。
进一步，改变聚焦位置时，重新进行评价神经网络的初始化及训练过程、策略神经网络的训练过程以及聚焦相位调制量输出过程，即可。
进一步，当使用振幅型空间光调制器实现散射光聚焦时，将相位调制量改为振幅调制量，并把振幅调制量变换至空间光调制器所需的区间，即可。
本发明的有益效果是：
随机散射光的采集与具体聚焦位置无关，在策略神经网络和评价神经网络训练阶段，可以选择图像传感器成像面的任意区域作为聚焦位置，同时，改变不同的聚焦位置时，仅需重新进行评价神经网络的初始化定义及训练、策略神经网络的训练，即可得到聚焦所需的相位调制量，不需要重新进行重复次数较多的随机散射光采集。
附图说明
图1是实施例中的系统连接示意图；
图2是步骤S105中相位调制量的计算过程示意图；
图3(a)是实施例中散射光在待聚焦位置1的聚焦效果图；
图3(b)是实施例中散射光在待聚焦位置2的聚焦效果图；
图3(c)是实施例中散射光在待聚焦位置3的聚焦效果图；
图3(d)是实施例中对空间光调制器施加随机相位调制得到的随机散射光强度图；
附图中：1-偏振片、2-空间光调制器、3-聚焦透镜、4-散射介质、5-图像传感器、6-计算机。
具体实施方式
为了使本领域的人员更好地理解本发明的技术方案，下面结合本发明的附图，对本发明的技术方案进行清楚、完整的描述，基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的其它类同实施例，都应当属于本申请保护的范围。
实施例：
如图1、图2和图3所示，所述一种基于空间光调制及神经网络的散射光聚焦方法，包括以下步骤：
步骤S100、初始化策略神经网络并进行随机散射光采集，其方法为：
步骤S101、系统连接，如图1所示，系统包括半导体激光器、偏振片1、空间光调制器2、聚焦透镜3、图像传感器5和计算机6。具体的，半导体激光器产生中心波长为635nm的线偏振光，光束直径约为8mm，经过偏振片1入射至空间光调制器2表面，其反射光波面被相位调制。经偏振片后光的偏振方向与空间光调制器2要求的偏振方向一致。空间光调制器有效区域的长、宽均约为5.1mm，被划分为64×64个独立相位调制单元，每个调制单元的最大相位调制量约为3.6π。然后经聚焦透镜3聚焦后，入射至普通A4打印纸表面并发生散射，聚焦区直径约为1.2mm。用图像传感器5采集位于其有效区域内的散射光强度，成像区域大小为3.84mm×3.84mm。所述空间光调制器2、图像传感器5均分别与计算机6通讯连接。
步骤S102、设置扰动噪声强度因子α＝0.05、输出相位放大系数β＝1.5。
步骤S103、生成两个独立的一维标准正态分布随机数组，分别标记为数组r0、数组r1，数组长度均为4096。
步骤S104、策略神经网络采取全连接网络结构，包含输入层、两个隐藏层以及输出层，策略神经网络的输出层神经元数量为4096，其余各层神经元数量均为128。输入层和隐藏层的激活函数为线性整流单元，所述输出层的激活函数为Tanh函数，策略神经网络初始参数满足[-0.01，0.01]区间内的随机均匀分布。策略神经网络以数组r0为输入，输出数组r2。
步骤S105、对数组r2施加随机噪声扰动得到数组r3，数组r3与数组r1相加后并乘以输出相位放大系数β以及常数π，得到数组s。所述施加随机噪声扰动的方法为生成一个满足标准正态分布的一维随机数组n，数组长度与数组r2长度相同，数组n乘以扰动噪声强度因子α后与数组r2相加得到数组r3。
步骤S106、将数组s变形为64×64的二维数组，作为独立相位调制单元的相位调制量进行相位调制，并用图像传感器记录与所述相位调制量对应的散射光强度I。
步骤S107、策略神经网络保持不变，步骤S105至S106重复进行1500次，记录所有的r3以及与其对应的散射光强度I，并对散射光强度I进行归一化。
步骤S200、选择待聚焦位置，初始化并训练评价神经网络，具体方法为：
评价神经网络采取全连接网络结构，包含输入层、一个隐藏层以及输出层，输出层神经元数量为1，其余各层神经元数量均为128。所述输入层、隐藏层的激活函数为ReLU，输出层不使用激活函数。将所有的数组r3以及与其对应的散射光强度I作为训练数据，在散射光记录平面范围内选择待聚焦位置，初始化后的评价神经网络以数组r3作为输入，计算评价神经网络的输出与散射光强度I中待聚焦位置的散射光强度之和之间的误差，采用梯度下降方法训练评价神经网络，评价神经网络参数采用均方根传播方法进行优化，学习率设置为1.5×10-3。待聚焦位置可以选择任意位置，例如图3(a)、图3(b)和图3(c)所示位置，所选待聚焦位置均包含5×5个相邻像素。
步骤S300、训练策略神经网络，具体训练方法为：
策略神经网络以数组r0为输入，其输出又作为评价神经网络的输入，采用梯度上升方法，以最大化评价神经网络输出作为训练目标，在此过程中评价神经网络保持不变。策略神经网络参数采用均方根传播方法进行优化，学习率设置为3×10-5。
步骤S400、训练完成后的策略神经网络以数组r0为输入，输出数组r3’，数组r3’与数组r1相加后并乘以输出相位放大系数β以及常数π，得到数组s’，将数组s’变换为为64×64的二维数组，作为独立相位调制单元的聚焦相位调制量进行相位调制，在所选择的待聚焦位置上实现散射光聚焦。
当需要改变聚焦位置时，重新进行评价神经网络的初始化定义及训练过程、策略神经网络的训练过程以及聚焦相位调制量输出过程(即步骤S200至S400)，即可，不需要再次进行重复次数较多的随机散射光强度采集过程(即步骤S100)。也就是说，本发明采用神经网络优化空间光调制器2上的相位调制量，相比于现有波前校正技术，可以实现散射光在图像传感器5记录的平面范围内任意位置的聚焦。
图3(a)至(c)是在实施例中选择不同聚焦位置得到的聚焦效果图。图3(d)为对空间光调制器直接施加随机相位调制得到的随机散射光强度图，没有发生聚焦。对比图3(d)以及图3(a)至(c)可以直观地看出，本发明可以实现散射光在待聚焦位置的聚焦。同时，通过图3(a)至(c)可以直观地看出：本发明可以实现散射光在CCD记录平面范围内任意位置的聚焦。
以上已将本发明做一详细说明，以上所述，仅为本发明之较佳实施例而已，当不能限定本发明实施范围，即凡依本申请范围所作均等变化与修饰，皆应仍属本发明涵盖范围内。

Claims (6)

1.一种基于空间光调制及神经网络的散射光聚焦方法，其特征在于，包括以下步骤：
步骤S100、初始化策略神经网络并进行随机散射光采集；
步骤S200、选择待聚焦位置，初始化并训练评价神经网络；
步骤S300、训练策略神经网络；
步骤S400、利用训练完成的策略神经网络输出空间光调制器的聚焦相位调制量，实现散射光在待聚焦位置聚焦。
2.根据权利要求1所述的一种基于空间光调制及神经网络的散射光聚焦方法，其特征在于，步骤S100中，所述的初始化策略神经网络以及随机散射光采集方法为：
步骤S101、系统连接，光源产生的光束经过空间光调制器的相位调制后入射至散射介质并发生散射，用图像传感器采集位于其有效区域内的散射光强度；
步骤S102、设置扰动噪声强度因子α、输出相位放大系数β；
步骤S103、生成两个独立的一维正态分布随机数组，分别标记为数组r0、数组r1；
步骤S104、初始化策略神经网络,初始化后的策略神经网络以数组r0为输入，输出数组r2；
步骤S105、对数组r2施加随机噪声扰动得到数组r3，数组r3与数组r1相加后乘以输出相位放大系数β以及常数π，得到数组s；
步骤S106、将数组s变换为与空间光调制器的独立相位调制单元匹配的数组形状，作为独立相位调制单元的相位调制量进行相位调制，并采集与所述相位调制量对应的散射光强度I；
步骤S107、策略神经网络保持不变，步骤S105至S106重复进行N次，记录所有的r3以及与其对应的散射光强度I，并对散射光强度I进行归一化。
3.根据权利要求2所述的一种基于空间光调制及神经网络的散射光聚焦方法，其特征在于，步骤S200中，所述评价神经网络的训练方法为：
将所有的数组r3以及与其对应的散射光强度I作为训练数据，在散射光记录平面范围内选择待聚焦位置，初始化后的评价神经网络以数组r3作为输入，计算评价神经网络的输出与散射光强度I中待聚焦位置的散射光强度之和之间的误差，采用梯度下降方法训练评价神经网络。
4.根据权利要求3所述的一种基于空间光调制及神经网络的散射光聚焦方法，其特征在于，步骤S300中，所述策略网络的训练方法为：
所述策略神经网络以数组r0为输入，其输出又作为评价神经网络的输入，采用梯度上升方法，以最大化评价神经网络输出作为训练目标，训练过程中评价神经网络保持不变。
5.根据权利要求4所述的一种基于空间光调制及神经网络的散射光聚焦方法，其特征在于，步骤S400中，训练完成后的策略神经网络以数组r0为输入，输出数组r3’，数组r3’与数组r1相加后乘以输出相位放大系数β以及常数π，得到数组s’，将数组s’变换为与独立相位调制单元匹配的数组形状，作为独立相位调制单元的聚焦相位调制量进行相位调制，在选择待聚焦位置实现散射光聚焦。
6.根据权利要求1-5任一所述的一种基于空间光调制及神经网络的散射光聚焦方法，其特征在于，改变聚焦位置时，重新进行评价神经网络的初始化及训练过程、策略神经网络的训练过程以及聚焦相位调制量输出过程，即可。
CN202111061940.8A 2021-09-10 2021-09-10 一种基于空间光调制及神经网络的散射光聚焦方法 Active CN113985566B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111061940.8A CN113985566B (zh) 2021-09-10 2021-09-10 一种基于空间光调制及神经网络的散射光聚焦方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111061940.8A CN113985566B (zh) 2021-09-10 2021-09-10 一种基于空间光调制及神经网络的散射光聚焦方法

Publications (2)

Publication Number Publication Date
CN113985566A true CN113985566A (zh) 2022-01-28
CN113985566B CN113985566B (zh) 2023-09-12

Family

ID=79735615

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111061940.8A Active CN113985566B (zh) 2021-09-10 2021-09-10 一种基于空间光调制及神经网络的散射光聚焦方法

Country Status (1)

Country Link
CN (1) CN113985566B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114839789A (zh) * 2022-05-20 2022-08-02 西南科技大学 一种基于二值化空间调制的衍射聚焦方法以及装置
CN114924410A (zh) * 2022-05-20 2022-08-19 西南科技大学 一种基于小相位调制以及相位补偿的聚焦方法以及装置

Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5625458A (en) * 1994-11-10 1997-04-29 Research Foundation Of City College Of New York Method and system for imaging objects in turbid media using diffusive fermat photons
US5813988A (en) * 1995-02-03 1998-09-29 Research Foundation Time-resolved diffusion tomographic imaging in highly scattering turbid media
CN1640153A (zh) * 2002-01-04 2005-07-13 纽鲁克公司 使用回归反射屏幕的三维图像投影
CN101868320A (zh) * 2007-11-21 2010-10-20 卡尔蔡司公司 激光束加工
JP2014067468A (ja) * 2012-09-26 2014-04-17 Hokkaido Univ ノイズ除去方法およびノイズ除去装置、記録再生方法および記録再生装置、ならびに、画像計測方法および画像計測装置
CN104360095A (zh) * 2014-11-12 2015-02-18 西南科技大学 一种基于无衍射光束的瞬时转速测量方法、装置及系统
CN107851176A (zh) * 2015-02-06 2018-03-27 阿克伦大学 光学成像系统及其方法
CN109459852A (zh) * 2019-01-07 2019-03-12 史丽 一种基于神经网络的散射介质光学成像方法
CN109491080A (zh) * 2018-12-13 2019-03-19 中国科学院西安光学精密机械研究所 一种实现多模光纤出射光斑逐点聚焦的方法与系统
WO2019063760A1 (en) * 2017-09-28 2019-04-04 Koninklijke Philips N.V. DISPERSION CORRECTION BASED ON DEEP LEARNING
CN109635419A (zh) * 2018-12-10 2019-04-16 长春理工大学 基于机器学习的激光大气湍流传输特性分析方法
CN110163817A (zh) * 2019-04-28 2019-08-23 浙江工业大学 一种基于全卷积神经网络的相位主值提取方法
DE102018108628A1 (de) * 2018-04-11 2019-10-17 Stiftung Caesar Center Of Advanced European Studies And Research Verfahren und System zum Erzeugen einer gewünschten Lichtverteilung beim Durchgang durch einen Streukörper
CN111340183A (zh) * 2020-02-12 2020-06-26 南京理工大学 基于深度学习的散射成像装置和方法
CN111739117A (zh) * 2020-07-20 2020-10-02 南京理工大学 基于卷积神经网络对经散射介质后的物体进行成像的方法
WO2020244952A1 (en) * 2019-06-07 2020-12-10 Ecole Polytechnique Federale De Lausanne (Epfl) System and method for projecting images through scattering media
CN112150341A (zh) * 2020-11-26 2020-12-29 南京理工大学 基于物理约束和数据驱动的双阶段散射成像方法
CN112200264A (zh) * 2020-10-26 2021-01-08 北京理工大学 基于散射复用的高通量免成像分类方法与装置
CN115685565A (zh) * 2022-08-05 2023-02-03 华侨大学 一种透过散射介质的复杂光场的调控方法及装置

Patent Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5625458A (en) * 1994-11-10 1997-04-29 Research Foundation Of City College Of New York Method and system for imaging objects in turbid media using diffusive fermat photons
US5813988A (en) * 1995-02-03 1998-09-29 Research Foundation Time-resolved diffusion tomographic imaging in highly scattering turbid media
CN1640153A (zh) * 2002-01-04 2005-07-13 纽鲁克公司 使用回归反射屏幕的三维图像投影
CN101868320A (zh) * 2007-11-21 2010-10-20 卡尔蔡司公司 激光束加工
JP2014067468A (ja) * 2012-09-26 2014-04-17 Hokkaido Univ ノイズ除去方法およびノイズ除去装置、記録再生方法および記録再生装置、ならびに、画像計測方法および画像計測装置
CN104360095A (zh) * 2014-11-12 2015-02-18 西南科技大学 一种基于无衍射光束的瞬时转速测量方法、装置及系统
CN107851176A (zh) * 2015-02-06 2018-03-27 阿克伦大学 光学成像系统及其方法
WO2019063760A1 (en) * 2017-09-28 2019-04-04 Koninklijke Philips N.V. DISPERSION CORRECTION BASED ON DEEP LEARNING
DE102018108628A1 (de) * 2018-04-11 2019-10-17 Stiftung Caesar Center Of Advanced European Studies And Research Verfahren und System zum Erzeugen einer gewünschten Lichtverteilung beim Durchgang durch einen Streukörper
CN109635419A (zh) * 2018-12-10 2019-04-16 长春理工大学 基于机器学习的激光大气湍流传输特性分析方法
CN109491080A (zh) * 2018-12-13 2019-03-19 中国科学院西安光学精密机械研究所 一种实现多模光纤出射光斑逐点聚焦的方法与系统
CN109459852A (zh) * 2019-01-07 2019-03-12 史丽 一种基于神经网络的散射介质光学成像方法
CN110163817A (zh) * 2019-04-28 2019-08-23 浙江工业大学 一种基于全卷积神经网络的相位主值提取方法
WO2020244952A1 (en) * 2019-06-07 2020-12-10 Ecole Polytechnique Federale De Lausanne (Epfl) System and method for projecting images through scattering media
CN111340183A (zh) * 2020-02-12 2020-06-26 南京理工大学 基于深度学习的散射成像装置和方法
CN111739117A (zh) * 2020-07-20 2020-10-02 南京理工大学 基于卷积神经网络对经散射介质后的物体进行成像的方法
CN112200264A (zh) * 2020-10-26 2021-01-08 北京理工大学 基于散射复用的高通量免成像分类方法与装置
CN112150341A (zh) * 2020-11-26 2020-12-29 南京理工大学 基于物理约束和数据驱动的双阶段散射成像方法
CN115685565A (zh) * 2022-08-05 2023-02-03 华侨大学 一种透过散射介质的复杂光场的调控方法及装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
LUO, YUNQI等: "Focusing light through scattering media by reinforced hybrid algorithms", APL PHOTONICS, vol. 5, no. 1, pages 1 - 12, XP012243809, DOI: 10.1063/1.5131181 *
张清博等: "一种基于深度卷积神经网络的水下光电图像质量优化方法", 光学学报, vol. 38, no. 11, pages 96 - 104 *
郭宝生等: "合理的角度调节在彩色多普勒检查深部动脉中的应用及其机制", 中国超声医学杂志, vol. 27, no. 1, pages 45 - 48 *
金欣等: "散射成像研究现状及展望", 激光与光电子学进展, vol. 58, no. 18, pages 36 - 65 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114839789A (zh) * 2022-05-20 2022-08-02 西南科技大学 一种基于二值化空间调制的衍射聚焦方法以及装置
CN114924410A (zh) * 2022-05-20 2022-08-19 西南科技大学 一种基于小相位调制以及相位补偿的聚焦方法以及装置
CN114839789B (zh) * 2022-05-20 2023-09-12 西南科技大学 一种基于二值化空间调制的衍射聚焦方法以及装置

Also Published As

Publication number Publication date
CN113985566B (zh) 2023-09-12

Similar Documents

Publication Publication Date Title
CN113985566B (zh) 一种基于空间光调制及神经网络的散射光聚焦方法
US20230401447A1 (en) Devices and methods employing optical-based machine learning using diffractive deep neural networks
CN106950195A (zh) 基于散射介质的可编程光学元件及光场调控系统和方法
CN103983546A (zh) 测量颗粒粒径分布的方法及装置
CN109459852A (zh) 一种基于神经网络的散射介质光学成像方法
CN111366557A (zh) 一种基于薄散射介质的相位成像方法
CN112465137B (zh) 一种基于光子神经网络的涡旋光束模态识别系统及方法
CN107121709A (zh) 一种基于压缩感知的对象成像系统及其成像方法
US20220327371A1 (en) Diffractive deep neural networks with differential and class-specific detection
Wu et al. Focusing light through scattering media using the harmony search algorithm for phase optimization of wavefront shaping
US20230024787A1 (en) Diffractive optical network for reconstruction of holograms
CN105388135B (zh) 一种非侵入式激光扫描成像方法
US20230251189A1 (en) Pulse shaping using diffractive network device with modular diffractive layers
CN112816181A (zh) 一种高速实时的光纤激光模式检测方法及其检测装置
EP4147171A1 (en) Machine vision using diffractive spectral encoding
CN112925050B (zh) 基于超透镜阵列与光子集成芯片干涉成像方法及成像系统
Zhou et al. An improved all-optical diffractive deep neural network with less parameters for gesture recognition
US20220180175A1 (en) Optical neural network
CN109557091B (zh) 一种无序介质通道分析装置和方法
CN115685565A (zh) 一种透过散射介质的复杂光场的调控方法及装置
CN114460045B (zh) 散射介质光学传输矩阵的测量方法
CN115276820B (zh) 一种应用映射辅助的片上光互连光源功率梯度设置方法
Hajjarian et al. Spatially multiplexed multi-input-multi-output optical imaging system in a turbid, turbulent atmosphere
CN114839789B (zh) 一种基于二值化空间调制的衍射聚焦方法以及装置
CN110914838A (zh) 对象分类系统和方法

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
CB03 Change of inventor or designer information

Inventor after: Yang Hua

Inventor after: Hu Jianbo

Inventor before: Yang Hua

Inventor before: Hu Jianbo

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant