本發(fā)明涉及一種全息圖相位重建方法，具體涉及一種基于雙域復值神經(jīng)網(wǎng)絡的輕量化同軸全息重建方法。

背景技術：

1、同軸全息圖是一種全息成像技術，其基于相干光源生成的光束，分作參考光和物光，物光經(jīng)待測物體后到達探測器，與參考光相遇形成干涉圖樣以記錄物體相位和振幅信息，能實現(xiàn)高精度三維重構?，F(xiàn)代全息相位重建借助高分辨率數(shù)字探測器與先進圖像處理算法，達成高分辨率三維成像，記錄重建物體相位信息，展現(xiàn)更豐富物理特征。和傳統(tǒng)成像法不同，它無需標記或染色，適合動態(tài)過程實時觀察和無損檢測，系統(tǒng)設計簡潔緊湊，無需復雜光路調整，穩(wěn)定性佳，在多領域廣泛應用。

2、復值神經(jīng)網(wǎng)絡(cvnn)在相位重建領域的應用，融合了機器學習與光學成像技術的精髓。它憑借深度學習算法，能夠從全息圖中高效重建出高質量的相位信息。cvnn基于復數(shù)表達，擅長處理波前振幅與相位分量間的耦合信息，實現(xiàn)對復數(shù)波前的高維本征表征。相較于實值神經(jīng)網(wǎng)絡(rvnn)，cvnn提供了更為豐富的表示能力，尤其擅長處理由振幅和相位共同構成的復振幅信息。在處理高度非線性與復雜關系方面，cvnn展現(xiàn)出卓越性能，對于相位重建中遇到的復雜結構和非線性問題，其效果尤為顯著。同時，cvnn對噪聲具有較強的魯棒性，具備良好的泛化能力，能夠適應不同的數(shù)據(jù)和應用場景，從而顯著提升了重建的準確性和效果。這一技術的核心優(yōu)勢在于，它充分利用了神經(jīng)網(wǎng)絡強大的非線性映射能力和數(shù)據(jù)驅動的方法，成功克服了傳統(tǒng)迭代算法在處理復雜情況和高噪聲數(shù)據(jù)時的局限性。

3、輕量化的網(wǎng)絡結構在工程和實際應用中具有重大意義。它通過優(yōu)化模型結構和減少參數(shù)數(shù)量，顯著提升了計算效率，降低了對硬件資源的需求，使得深度學習技術能夠在資源受限的設備中，如移動設備和嵌入式系統(tǒng)，實現(xiàn)高效運行。這一優(yōu)勢促進了人工智能技術的不斷創(chuàng)新和發(fā)展。

技術實現(xiàn)思路

1、本發(fā)明提供了一種基于雙域復值神經(jīng)網(wǎng)絡的輕量化同軸全息重建方法。該相位重建方法能夠通過在空域和頻域進行學習，整合在兩個不同空間域的特征，準確保留和重建相位信息，該方法基于復值神經(jīng)網(wǎng)絡，可以直接處理復數(shù)數(shù)據(jù)，更自然地表示和處理全息中的信息。通過直接處理復數(shù)數(shù)據(jù)，具備更高的表示能力，能夠捕捉到數(shù)據(jù)中的相位和幅度變化。結合物理約束和正則化效果能夠有效抑制過擬合，更好地保留相位關系，從而提高重建精度。

2、本發(fā)明可以同時重建復振幅的技術方案是：

3、一種基于雙域復值神經(jīng)網(wǎng)絡的輕量化同軸全息重建方法，包括以下步驟：

4、(s1)、在同軸全息理論基礎上選用相機拍攝一組純相位型同軸全息圖，作為網(wǎng)絡輸入，即全息圖a；

5、(s2)、將采集的全息圖a讀入后做開平方操作得振幅、并生成與全息圖a相同尺寸的隨機矩陣作為初始相位，將振幅與初始相位構建初始復值場作為雙域復值神經(jīng)網(wǎng)絡的輸入；

6、(s3)、在空域進行復值卷積、經(jīng)傅里葉變換后進行頻域學習后空域相加，再經(jīng)sp?lit-re?l?u激活函數(shù)添加非線性,重復多個該過程后得輸出復值場c；

7、(s4)、對輸出復值場c的振幅進行軟約束，使其各點值不大于吸收約束規(guī)定的值，該值的范圍與被記錄物體有關；

8、(s5)、將復值場c正向傳播至z距離處，對z處重建復值場取強度得重建全息圖d，取相位更新輸入復值場b的相位，更新后的復值場b為下一輪網(wǎng)絡輸入；

9、(s6)、計算數(shù)據(jù)保真度項，即全息圖a與重建全息圖d的相似度，計算復值正則化項comp?l?ex?tota?l?var?i?at?i?on(ctv)，賦予兩項權重相加作為損失函數(shù)，將損失函數(shù)值的梯度做反向傳播以更新網(wǎng)絡模型的參數(shù)，得到訓練完成的雙域復值神經(jīng)網(wǎng)絡。

10、優(yōu)選的，在步驟(s1)中，采集的全息圖為純相位全息圖，原始物體波的振幅被設定為1。

11、優(yōu)選的，在步驟(s4)中，正向傳播方法包括角譜法、菲涅爾衍射法、卷積法等。

12、優(yōu)選的，空域卷積為二維復值卷積，其中復值卷由卷積核為3×3卷核實現(xiàn)，頻域學習即建立同輸入圖片尺寸的可學習矩陣，將矩陣與頻譜相點乘，并不斷優(yōu)化可學習矩陣的參數(shù)。

13、優(yōu)選的，在步驟(s3)中，復值激活函數(shù)包括sp?l?i?t型激活函數(shù)和fu?l?l?y型激活函數(shù)。

14、優(yōu)選的，所述的基于雙域復值神經(jīng)網(wǎng)絡的輕量化同軸全息重建方法的損失函數(shù)采用用于比較圖像結構相似度的損失函數(shù)，所述的損失函數(shù)為ssim損失函數(shù)。

15、優(yōu)選的，所采用的物理約束包括對輸出復值場c的軟約束、復值正則化約束和正向傳播部分。

16、優(yōu)選的，在步驟(s5)中，重建全息圖d亦是由采集的全息圖a經(jīng)過網(wǎng)絡輸出后模擬衍射過程得到，計算二者的損失反向傳播，指導網(wǎng)絡訓練，網(wǎng)絡訓練的整個過程為自監(jiān)督學習過程，所述方法為自監(jiān)督學習。

17、本發(fā)明與現(xiàn)有技術相比具有以下的有益效果：

18、1、本發(fā)明引入了一種雙域復值神經(jīng)網(wǎng)絡的輕量化同軸全息重建方法。該方法巧妙地將物理模型的嚴謹性與雙域信息的豐富性優(yōu)勢并蓄，通過深度學習模型的強大學習能力，不僅能夠有效捕捉物理過程中復雜的非線性動態(tài)與噪聲特性，還通過雙域學習顯著提升了圖像重建的精確度。進一步地，該方案為相位重建帶來了前所未有的高精度。

19、2、本發(fā)明的基于雙域復值神經(jīng)網(wǎng)絡的輕量化同軸全息重建方法，該方法能夠直接且高效地處理全息圖中的復數(shù)數(shù)據(jù)，突破了傳統(tǒng)實值神經(jīng)網(wǎng)絡在處理復數(shù)數(shù)據(jù)時需要將復數(shù)分解為實部和虛部獨立處理的局限。通過直接操作復數(shù)形式的數(shù)據(jù)，本發(fā)明不僅簡化了處理流程，更重要的是，它完整地保留了全息圖中關鍵的相位與振幅信息。這種直接處理方法在相位重建任務中表現(xiàn)出顯著的優(yōu)勢，因為全息本質上是復數(shù)形式的，其包含的相位信息對重建精度至關重要，通過直接處理復數(shù)數(shù)據(jù)，實現(xiàn)了對相位信息的精確捕捉與重建，使得重建結果更加接近真實值。

20、3、本發(fā)明的基于雙域復值神經(jīng)網(wǎng)絡的輕量化同軸全息重建方法，采用了輕量化的網(wǎng)絡設計，并且能夠自主地從大規(guī)模未標注數(shù)據(jù)中發(fā)掘并生成有效的訓練標簽，克服了相位重建任務中高質量標注數(shù)據(jù)獲取難、應用成本高的問題。輕量化的網(wǎng)絡結構在工程和實際應用中具有重大意義。它通過優(yōu)化模型結構和減少參數(shù)數(shù)量，顯著提升了計算效率，降低了對硬件資源的需求，使得深度學習技術能夠在資源受限的設備中。本發(fā)明顯著減少了對標注數(shù)據(jù)和硬件資源的需求，從而降低了數(shù)據(jù)標注的成本。不僅降低了成本，還使得相位重建技術更易推廣應用。

技術特征：

1.一種基于雙域復值神經(jīng)網(wǎng)絡的輕量化同軸全息重建方法，包括以下步驟：

2.根據(jù)權利要求1所述的基于雙域復值神經(jīng)網(wǎng)絡的輕量化同軸全息重建方法，其特征在于，在步驟(s1)中，采集的全息圖a為純相位全息圖，原始物體波的振幅被設定為1。

3.根據(jù)權利要求1所述的基于雙域復值神經(jīng)網(wǎng)絡的輕量化同軸全息重建方法，其特征在于，在步驟(s5)中，衍射正向傳播方法包括角譜法、菲涅爾衍射法、卷積法等。

4.根據(jù)權利要求1所述的基于雙域復值神經(jīng)網(wǎng)絡的輕量化同軸全息重建方法，其特征在于，空域卷積為二維復值卷積，其中復值卷由卷積核為3×3卷核實現(xiàn)，頻域學習即建立同輸入圖片尺寸的可學習矩陣，將矩陣與頻譜相點乘，并不斷優(yōu)化可學習矩陣的參數(shù)。

5.根據(jù)權利要求1所述的基于雙域復值神經(jīng)網(wǎng)絡的輕量化同軸全息重建方法，其特征在于，在步驟(s3)中，復值激活函數(shù)包括split型激活函數(shù)和fully型激活函數(shù)。

6.根據(jù)權利要求1所述的基于雙域復值神經(jīng)網(wǎng)絡的輕量化同軸全息重建方法，其特征在于，所述的雙域復值神經(jīng)網(wǎng)絡的輕量化同軸全息重建方法采用能夠反應兩張圖像相似情況的損失函數(shù)和ctv共同組成損失函數(shù)，并賦予合適的權重，所述反應兩張圖像相似情況的損失函數(shù)包括均方誤差mse函數(shù)、結構相似度指數(shù)ssim函數(shù)。

7.根據(jù)權利要求1所述的基于雙域復值神經(jīng)網(wǎng)絡的輕量化同軸全息重建方法，其特征在于，在步驟(s3)、(s4)、(s5)中，所采用的物理約束包括對輸出復值場c的軟約束、復值正則化約束和正向傳播部分。

8.根據(jù)權利要求1所述的基于雙域復值神經(jīng)網(wǎng)絡的輕量化同軸全息重建方法，其特征在于，采用自監(jiān)督學習，在步驟(s5)中，重建全息圖d亦是由采集的全息圖a經(jīng)過網(wǎng)絡輸出后模擬衍射過程得到，計算二者的損失反向傳播，指導網(wǎng)絡訓練。

技術總結
本發(fā)明屬于全息相位重建領域，公開了一種基于雙域復值神經(jīng)網(wǎng)絡的輕量化同軸全息重建方法，在模型參數(shù)與計算量大大減小下取得同樣的重建效果，本發(fā)明采用基于雙域復值神經(jīng)網(wǎng)絡架構結合光學同軸全息成像模型的物理過程，首先將全息圖A與初始相位構建復振幅輸入雙域復值神經(jīng)網(wǎng)絡中，分別經(jīng)過空域卷積與頻域學習得到輸出復值場C，再模擬同軸全息正向傳播過程，并取強度為重建全息圖D；隨后計算全息圖A與重建全息圖D之間的相似度，通過復值神經(jīng)網(wǎng)絡的梯度下降優(yōu)化算法實現(xiàn)相位重建。本發(fā)明提供一種輕量化雙域復值神經(jīng)網(wǎng)絡結合物理約束直接重建復值場的方法。

技術研發(fā)人員：邸江磊,安起明,門高夫
受保護的技術使用者：河北工程大學
技術研發(fā)日：
技術公布日：2025/1/6