基于深度学习的全息重构共轭像去除方法研究

发布时间：2021-10-13 03:39

　　全息技术是利用干涉和衍射原理记录并再现物体真实三维图像的技术。在记录过程中,由于成像传感器只能记录全息图波前的幅度,会丢失相位信息,导致重构后的图像受到共轭像的严重影响。该文主要围绕基于深度学习的全息重构共轭像去除方法进行研究,具体研究内容如下:首先,为去除同轴数字全息重构中的共轭像,提出多尺度残差稠密网络。该网络将输入含共轭像的图像进行采样率不同的下采样操作,以此来获得不同的尺度。为提取不同层次的特征,在不同尺度上进行残差稠密块学习并进行相应的上采样操作,最后融合不同尺度的信息输出重构的图像。实验结果表明,提出的方法能够有效地去除全息重构中的共轭像。其次,为减小网络的重构时间,提出残差记忆网络。该方法首先对输入图像进行一级Haar小波变换,在小波域下学习含共轭像图像和原始图像不同子带之间的映射关系,降低映射复杂度。同时,该网络引入记忆机制,能够将网络前端卷积层的信息传递到网络较后端卷积层。通过与其它方法的对比实验,表明提出方法不仅能够提高重构质量,并且可以缩短重构时间。最后,为提高网络的重构性能,提出多尺度记忆网络。该网络通过两次下采样操作将输入图像分解成三个尺度,同时增加了网络感受... 

【文章来源】：燕山大学河北省

【文章页数】：66 页

【学位级别】：硕士

【部分图文】：

全息图记录及重构

cell back cell cell cellX =D A的图像背景块为：back back backX =D A 细胞块和背景块可重构为对应的细胞图像和背景图像，实现在全息重轭像。基于深度学习的全息重构共轭像去除方法同于已有的传统方法，Ozcan 等人在 2018 年提出多尺度残差网络[25]。度学习的思想，使用端对端的方式学习输入含共轭像图像和原始图像系，实现全息成像，同时能够去除成像过程中产生的共轭像和零级像法，该方法计算更快，并且避免了使用多个测量得到的全息图，使用息图就能够重构出高质量的图像。该方法的网络结构如图 2-2 所示。

图 2-3 eHoloNet 网络结构图该网络将记录得到的同轴数字全息图作为输入，先进行卷积块和池化的交替操作，卷积块由一个卷积层和一个激活函数组成，卷积核的大小为5 × 5。在经过三次池化操作后，卷积层的输出特征图个数从 16 按倍数递增到 48，图像大小变为输入图像大小的1/16。池化操作能够增加网络的感受野，提高网络的性能。池化后的输出再经过类似于 Ozcan 等人提出的多尺度残差网络，即多分支的结构。不同的是此网络中所有卷积层的输出特征图个数为 48。将多分支的输出进行级联经过两个卷积块融合特征后，卷积核大小为3 × 3，输出特征图个数由 192 减少到 48。为恢复图像尺寸到原始图像大小，融合后的特征进行三次上采样块操作，该块由转置卷积层和激活函数层组成，重构出高质量的图像。2.4 算法性能评价指标为了评价算法性能的好坏，可通过图像质量来衡量。图像质量从方法上可分为

【参考文献】：
期刊论文
[1]数字全息技术在生物医学成像和分析中的应用[J]. 王云新,王大勇,杨怡姝,赵洁,欧阳丽婷,肖向茜,戎路.  中国激光. 2014(02)
[2]同轴数字全息中的相位恢复算法[J]. 戎路,王大勇,王云新,黄昊翀.  中国激光. 2014(02)
[3]双波长数字全息相位解包裹方法研究[J]. 王羽佳,江竹青,高志瑞,蔡文苑,伍江涛.  光学学报. 2012(10)
[4]离轴数字全息零级像和共轭像的消除方法[J]. 侯瑞宁,闫友房.  激光技术. 2012(05)

博士论文
[1]基于数字全息技术的粒子场粒度测量方法研究[D]. 贾勤.燕山大学 2013

硕士论文
[1]微结构表面三维形貌测量的数字全息方法研究[D]. 程国锋.北京工业大学 2011



本文编号：3433885