基于深度学习的离轴菲涅耳数字全息非线性重构

发布时间：2021-08-17 03:10

　　针对离轴菲涅耳数字全息图,提出基于深度学习的单幅数字全息非线性重构方法 .采用经典的菲涅耳衍射积分模拟数字全息成像以供给网络训练所需样本,利用深度卷积残差神经网络通过学习数字全息图与相关物像之间的非线性数学映射关系实现全息图的物像重构.数值模拟表明,与传统的频率滤波和四步相移技术实现菲涅耳数字全息重构相比,本文提出的方法可直接消除零级像及孪生像,无需条纹物项抽取预处理步骤,且重构的物像具有较高的质量,针对相同记录参考光下不同衍射距离所生成的测试集亦具有较强的稳健性. 

【文章来源】：光子学报. 2020,49(07)北大核心EICSCD

【文章页数】：12 页

【部分图文】：

离轴菲涅耳数字全息图记录示意图

借鉴DNN在解决相干光场成像中的反演问题等方面的应用实例，提出基于深度学习的单幅离轴菲涅耳数字全息图非线性重构方法.物像O(x0,y0)通过采用T-FFT算法的离轴菲涅耳数字全息得到数字全息图光强I(x,y).ResNet用于训练数字全息图光强I(x,y)和相关的训练物像集O(x0,y0)之间的非线性数学映射关系.最后，将训练集中未使用的测试集数字全息图光强应用到已经训练好的ResNet模型实现重构物像O?(x0,y0).基于深度学习的离轴菲涅耳数字全息图重构过程如图2所示.根据式（2），物像O(x0,y0)转换到全息记录面上的光强I(x,y)可简化为

设计和调整ResNet的模型结构时，充分考虑神经网络学习离轴菲涅耳数字全息图I(x,y)与相关的物像O(x0,y0)的特征之间的关系，然后采用单个测试集数字全息图I(x,y)重构物像O?(x0,y0).ResNet结构模型如图3所示，输入层是光强I(x,y)；四个下采样卷积残差块“C”用于提取图像特征；四个上采样卷积残差块“D”用于重构图像特征；四个跳跃卷积块“S”可以防止停滞来优化深层，确保ResNet学习新特征；网络末端的两个卷积残差块“R”用于微调重构.ResNet模型中的各模块结构如图4所示.“Conv(3,2）”表示一个滤波器大小3×3且步长为2的二维卷积层，完成卷积后输出图像像素的大小变为输入的一半；“DeConv(3,2）”表示一个滤波器大小3×3和步长为2的转置二维卷积层，采用padding操作完成转置卷积后输出图像像素的大小变为输入的2倍；“Conv(3,1）”表示一个滤波器大小3×3且步长为1的二维卷积层，完成卷积后输出图像像素的大小与输入的相同；“Batch Norm”表示批量归一化层[24]，用于最大限度的保证训练时分布统一，优化对权重的调整；“ReLU”表示线性整流层[25]，经过其处理后的数据会获得更好的稀疏性，并且可以避免梯度消失问题，加快网络收敛速度.“Batch Norm”和“ReLU”适用于本文ResNet中的所有模块，“ReLU”可表为ReLU(x)=max(0,x).

【参考文献】：
期刊论文
[1]太赫兹线阵快速扫描成像[J]. 王彪,王新柯,俞跃,张岩.  中国激光. 2019(06)



本文编号：3346938