針對離軸菲涅耳數(shù)字全息圖,提出基于深度學習的單幅數(shù)字全息非線性重構(gòu)方法 .采用經(jīng)典的菲涅耳衍射積分模擬數(shù)字全息成像以供給網(wǎng)絡(luò)訓練所需樣本,利用深度卷積殘差神經(jīng)網(wǎng)絡(luò)通過學習數(shù)字全息圖與相關(guān)物像之間的非線性數(shù)學映射關(guān)系實現(xiàn)全息圖的物像重構(gòu).數(shù)值模擬表明,與傳統(tǒng)的頻率濾波和四步相移技術(shù)實現(xiàn)菲涅耳數(shù)字全息重構(gòu)相比,本文提出的方法可直接消除零級像及孿生像,無需條紋物項抽取預處理步驟,且重構(gòu)的物像具有較高的質(zhì)量,針對相同記錄參考光下不同衍射距離所生成的測試集亦具有較強的穩(wěn)健性. 

【文章來源】：光子學報. 2020,49(07)北大核心EICSCD

【文章頁數(shù)】：12 頁

【部分圖文】：

離軸菲涅耳數(shù)字全息圖記錄示意圖

借鑒DNN在解決相干光場成像中的反演問題等方面的應用實例，提出基于深度學習的單幅離軸菲涅耳數(shù)字全息圖非線性重構(gòu)方法.物像O(x0,y0)通過采用T-FFT算法的離軸菲涅耳數(shù)字全息得到數(shù)字全息圖光強I(x,y).ResNet用于訓練數(shù)字全息圖光強I(x,y)和相關(guān)的訓練物像集O(x0,y0)之間的非線性數(shù)學映射關(guān)系.最后，將訓練集中未使用的測試集數(shù)字全息圖光強應用到已經(jīng)訓練好的ResNet模型實現(xiàn)重構(gòu)物像O?(x0,y0).基于深度學習的離軸菲涅耳數(shù)字全息圖重構(gòu)過程如圖2所示.根據(jù)式（2），物像O(x0,y0)轉(zhuǎn)換到全息記錄面上的光強I(x,y)可簡化為

設(shè)計和調(diào)整ResNet的模型結(jié)構(gòu)時，充分考慮神經(jīng)網(wǎng)絡(luò)學習離軸菲涅耳數(shù)字全息圖I(x,y)與相關(guān)的物像O(x0,y0)的特征之間的關(guān)系，然后采用單個測試集數(shù)字全息圖I(x,y)重構(gòu)物像O?(x0,y0).ResNet結(jié)構(gòu)模型如圖3所示，輸入層是光強I(x,y)；四個下采樣卷積殘差塊“C”用于提取圖像特征；四個上采樣卷積殘差塊“D”用于重構(gòu)圖像特征；四個跳躍卷積塊“S”可以防止停滯來優(yōu)化深層，確保ResNet學習新特征；網(wǎng)絡(luò)末端的兩個卷積殘差塊“R”用于微調(diào)重構(gòu).ResNet模型中的各模塊結(jié)構(gòu)如圖4所示.“Conv(3,2）”表示一個濾波器大小3×3且步長為2的二維卷積層，完成卷積后輸出圖像像素的大小變?yōu)檩斎氲囊话�；“DeConv(3,2）”表示一個濾波器大小3×3和步長為2的轉(zhuǎn)置二維卷積層，采用padding操作完成轉(zhuǎn)置卷積后輸出圖像像素的大小變?yōu)檩斎氲?倍；“Conv(3,1）”表示一個濾波器大小3×3且步長為1的二維卷積層，完成卷積后輸出圖像像素的大小與輸入的相同；“Batch Norm”表示批量歸一化層[24]，用于最大限度的保證訓練時分布統(tǒng)一，優(yōu)化對權(quán)重的調(diào)整；“ReLU”表示線性整流層[25]，經(jīng)過其處理后的數(shù)據(jù)會獲得更好的稀疏性，并且可以避免梯度消失問題，加快網(wǎng)絡(luò)收斂速度.“Batch Norm”和“ReLU”適用于本文ResNet中的所有模塊，“ReLU”可表為ReLU(x)=max(0,x).

【參考文獻】：
期刊論文
[1]太赫茲線陣快速掃描成像[J]. 王彪,王新柯,俞躍,張巖.  中國激光. 2019(06)



本文編號：3346938