深度学习在透过强散射介质成像中的应用

作     者：胡永强 

作者单位：四川师范大学 

学位级别：硕士

导师姓名：李玲

授予年度：2023年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 070207[理学-光学] 07[理学] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0803[工学-光学工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 0702[理学-物理学] 

主      题：透过散射介质成像 散斑图像 图像重建 生成对抗网络 Pix2Pix网络 

摘      要：携带物体信息的光束(反射光或透射光)能够在探测面成像的重要前提是它不能够在传输过程中失真。然而,无论是在生物医学还是在军用遥感探测等现实场景中,光束的传输都会被生物组织器官以及大气云雾等障碍物扰乱。其原因在于,光束与障碍物中的粒子多次相互作用叠加而产生的散射,使得目标物体光场的振幅和相位以及偏振发生改变,在探测面形成光学散斑,观察不到物体的像。基于数据驱动的深度学习方法能学习输入光场与输出光场的映射关系,能从已知的散斑有效重建原目标。与传统方法形相比,该方法有明显优势,逐渐成为散射成像技术的一个新兴研究方向。另外,基于深度学习的散射成像方法旨在学习系统输入与响应的关系,但其成像的机理未知,数据的质量影响着网络成像效果,因此,探究影响网络成像的因素是一个尤为重要的工作。本学位论文的主要工作以基于深度学习的散射成像方法为主线,将生成对抗网络的算法运用于复杂散斑光场的重建,分别从仿真及实验验证了该方法的可行性与优越性。另外,通过改变散射介质的物理条件以及光路中相机的拍摄角度和曝光时间分组获取数据集,探究这些因素对基于深度学习散射成像方法的影响,具体研究工作主要包括以下四个部分:1.基于标量衍射理论对目标透过复杂散射介质的传播过程进行仿真建模,用Matlab仿真计算获取散斑光场与目标光场的输入输出对数据,形成网络训练所需的仿真数据集;并运用不同于训练数据的数据集产生散斑进行测试,验证深度学习方法的可行性基2.提出一种基于负峰值信噪比损失函数的Pix2Pix网络,并对不同网络以及不同损失函数的相同网络的成像效果进行了对比分析。3.基于光学器件的传输特性,分别用静态和动态、单层和多层的复杂散射介质搭建复杂散射介质成像光学系统,通过Python编程语言对空间光调制器和工业相机的循环控制分组获取实验数据集,将不同散射环境的数据组分组训练,验证网络在复杂强散射环境中对散斑光场的恢复能力。4.通过控制变量研究分析了散射光的功率以及散射介质的光学厚度和动态散斑的时间相关性对网