基于卷积神经网络的计算全息图生成方法研究

作     者：周艳 

作者单位：西安工业大学 

学位级别：硕士

导师姓名：张锦;惠刚阳

授予年度：2024年

学科分类：070207[理学-光学] 07[理学] 08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 0803[工学-光学工程] 0702[理学-物理学] 

主      题：计算全息图 角谱衍射 GS算法 深度学习 卷积神经网络 

摘      要：近年来随着深度学习的发展,深度学习可对大规模数据进行端对端的学习,准确性高、学习能力强,其成为解决各领域研究难题的重要工具之一。在光学领域,深度学习技术已经被成功应用于解决多种问题,其中之一就是为传统计算机生成全息图提供了全新的方法和思路。计算全息技术不受传统全息图制备工艺条件的限制,无需实际光学条件即可实现全息图的制作,甚至还可以实现虚拟物体的全息图生成,具有较高的灵活性。传统常用的优化算法可以产生较高质量的计算全息图(CGH),但通常耗时较长,需要在速度和质量上做一个权衡。所以,如何快速生成计算全息图成为了近年来人们研究的焦点之一。 越来越多的学者将深度学习与计算全息结合,但目前大多数研究都要提前准备目标图像的理想强度分布以及对应的计算全息图作为数据集,然后将神经网络进行有监督的学习,过程中可能存在面对新数据时网络的泛化能力受到限制的情况。本文采用自监督的网络模型,基于卷积神经网络模型实现计算全息图的生成过程,其研究内容主要包含以下几个部分: 1.作为对照基础,首先根据计算全息相关理论对二维和三维的计算全息图进行了模拟仿真和再现。采用菲涅尔衍射和角谱衍射理论生成了不同类型的二维全息图,并进行了再现。随后,将三维物体分层,并结合角谱法和GS算法,生成了对应的三维计算全息图,并实现了不同距离的再现。 2.设计了Unet与Resnet相结合的卷积神经网络,针对二维与三维目标图像,进行了不同的输入设计。采用了自监督的训练方式,这种方式不需要制作较大数量的数据集对。在卷积神经网络生成目标图像对应的计算全息图后,采用了角谱衍射的传播形式对卷积神经网络生成的计算全息图进行再现,求取再现图像与目标图像之间的损失函数,然后多次训练神经网络,使再现图像无限地接近目标图。最终通过训练后的网络能够收敛,设计的卷积神经网络具有快速生成计算全息图的能力。 3.利用本文网络模型生成二维和三维图像的全息图并进行再现,采用峰值信噪比和相关系数来评价再现图像的质量。比对分析了本文网络模型与传统角谱迭代算法生成再现图像质量,本文方法在保证全息图再现质量的同时,生成全息图的速度得到了显著提升。基于液晶空间光调制器对生成的计算全息图进行了光学再现实验,验证了本文方法的有效性。