基于机器学习的散射环境下光学调控及成像的研究进展

发布时间：2021-02-06 13:28

　　对基于机器学习的散射环境下光学调控及成像目前研究的现状进行梳理。从网络类型、网络结构、训练方法等方面分析现有技术的优势与不足,对其发展脉络进行梳理。在此基础上,进一步讨论了基于机器学习的散射环境下光学调控及成像技术的未来发展方向。 

【文章来源】：光电子技术. 2020,40(04)北大核心

【文章页数】：13 页

【部分图文】：

散射环境下两种调控方式

Horisaki等率先利用支持向量先后实现了通过散射介质和多模光纤的目标，对人脸和非人脸进行了识别[34-35]。实验过程包括样本采集、模型训练和测试三个步骤。其中样本采集是利用光学成像系统（如图2(a)和(b)所示）收集散斑和对应图像（图像显示在SLM上、CCD采集对应散斑）；再将散斑和对应原始图像作为训练样本对支持向量机进行训练；最后利用训练后的模型对未知散斑进行分类识别。基于散斑的分类流程如图3所示[36]。图3 散斑分类流程[36]

图2 两种环境下人脸识别的实验平台样本采集过程中，作者采用随机抽样的方式提取部分散斑像素（分别为25,50,100,200,400和800个像素）作为SVM输入以降低SVM输入的维度、提高SVM的训练速度，节省训练时间。文献[34]进一步分析了识别精度与像素数及训练样本数目之间的关系。测试结果也表明识别率随着采样的像素数目增加而逐渐增加。当采样精度为800像素时，其识别精度更高，达到了97.6%（强散射板）和94.8%（弱散射板），取得了较好的识别效果。

【参考文献】：
期刊论文
[1]基于深度学习的非视域成像[J]. 于亭义,乔木,刘红林,韩申生.  光学学报. 2019(07)
[2]基于光学传输矩阵实现透过散射介质的动态目标成像[J]. 孙雪莹,王剑南,李伟,刘杰涛,王纲,计婷,邵晓鹏.  中国激光. 2018(12)



本文编号：3020692