CN108267945A - 一种基于自组织映射神经网络的消除光学扫描全息离焦噪声的方法 - Google Patents
一种基于自组织映射神经网络的消除光学扫描全息离焦噪声的方法 Download PDFInfo
- Publication number
- CN108267945A CN108267945A CN201810038893.7A CN201810038893A CN108267945A CN 108267945 A CN108267945 A CN 108267945A CN 201810038893 A CN201810038893 A CN 201810038893A CN 108267945 A CN108267945 A CN 108267945A
- Authority
- CN
- China
- Prior art keywords
- self
- neural network
- convex lens
- organizing map
- optical scanner
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000003287 optical effect Effects 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 34
- 238000001093 holography Methods 0.000 title claims abstract description 22
- 230000008030 elimination Effects 0.000 title claims abstract description 14
- 238000003379 elimination reaction Methods 0.000 title claims abstract description 14
- 238000007621 cluster analysis Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 31
- 210000001747 pupil Anatomy 0.000 claims description 31
- 238000012549 training Methods 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 10
- 210000002569 neuron Anatomy 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 6
- 206010039897 Sedation Diseases 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 210000004205 output neuron Anatomy 0.000 claims description 3
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 210000002364 input neuron Anatomy 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 210000004218 nerve net Anatomy 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 239000000571 coke Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000005622 photoelectricity Effects 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000527 sonication Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03H—HOLOGRAPHIC PROCESSES OR APPARATUS
- G03H1/00—Holographic processes or apparatus using light, infrared or ultraviolet waves for obtaining holograms or for obtaining an image from them; Details peculiar thereto
- G03H1/0005—Adaptation of holography to specific applications
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03H—HOLOGRAPHIC PROCESSES OR APPARATUS
- G03H1/00—Holographic processes or apparatus using light, infrared or ultraviolet waves for obtaining holograms or for obtaining an image from them; Details peculiar thereto
- G03H1/04—Processes or apparatus for producing holograms
- G03H1/10—Processes or apparatus for producing holograms using modulated reference beam
- G03H1/12—Spatial modulation, e.g. ghost imaging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Holo Graphy (AREA)
Abstract
本发明公开了一种基于自组织映射神经网络的消除光学扫描全息离焦噪声的方法,属于光学扫描全息领域与图像去噪领域,主要解决了光学扫描全息中离焦噪声的问题。本发明利用自组织映射神经网络的聚类分析能力,消除经随机加密处理后的重建图的离焦噪声。本发明可以有效地解决光学扫描全息中的离焦噪声问题,这种去除噪声的方法适用于各个领域。
Description
技术领域
本发明涉及光学扫描全息领域与图像去噪领域,具体地讲,是涉及一种基于自组织映射神经网络的消除光学扫描全息离焦噪声的方法及实现该方法的装置。
背景技术
光学扫描全息技术,简称OSH,是一种记录技术,可以通过使用单个2-D光学外差扫描来记录3-D全息信息。自该技术提出以来,在许多领域得到了应用,如3-D显微镜、3-D模式识别以及全息图像加密等领域。
消除离焦噪声一直是光学扫描全息中的一个热点研究问题,其对于多层切片的全息图有重要意义。当重建全息图在某一层聚焦时,其余层将会作为离焦噪声影响图像的清晰度,因此,为了得到高分辨率的重建全息图,国内外科研人员做了很多相关工作。
文献《Sectional image reconstruction in optical scanning holographyusing a random-phase pupil》提出了一种利用随机相位板实现对光学扫描全息图加密的算法,并提出了一种利用多帧平均的方法消除离焦噪声,该方法可以很好的消去离焦噪声,但由于需要多帧平均处理,因此时效性较低。
文献《Defocus noise suppression with combined frame difference andconnected component methods in optical scanning holography》提出了一种基于帧差法和连通域的方法,该方法具有较好的时效性,但该方法得到的结果边缘不光滑,且相较于原图像有变形。
如何在保证很好地消除离焦噪声的同时具备较快的处理时效的问题,是本发明重点解决的问题之一。
另外,文献《U-Net:Convolutional Networks for Biomedical ImageSegmentation》利用深度卷积神经网络分割生物细胞图像,其中给出了一种U形网络结构,其通过对称网络路径的结构设计,使其具有使用样本少、速度快的特点。
自组织映射神经网络(Self-organizing Feature Maps),简称SOM,是基于生理学和脑科学研究成果提出的神经网络结构,其通过自动寻找样本中的内在规律和本质属性,自组织、自适应地改变网络参数与结构。
本发明基于现有技术巧妙利用SOM神经网络的聚类分析特性,将其融入对离焦噪声处理的问题中,用以实现对光学扫描全息中的离焦噪声去除。
发明内容
为克服现有技术中的上述问题,本发明提供一种处理时效较高、消除效果较好的基于自组织映射神经网络的消除光学扫描全息离焦噪声的方法,该方法利用SOM神经网络,无需预训练过程,即可实现将离焦噪声与物体分离,达到消除离焦噪声的目的。
为了实现上述目的,本发明采用的技术方案如下:
一种基于自组织映射神经网络的消除光学扫描全息离焦噪声的方法,包括如下步骤:
(S100)通过光学全息扫描装置扫描物体获得加密的全息图;
(S200)解密重建全息图得到带有离焦噪声的重建图像;
(S300)训练自组织映射神经网络,并对归一化的样本数据进行聚类分析,得到消除离焦噪声后的重建图像。
具体地,所述光学全息扫描装置包括激光器Laser,与激光器Laser对应的第一分束器BS1,由声光调制器AOFS、第一反射镜M1、第一光瞳p1(x,y)和第一凸透镜L1构成的并与第一分束器BS1对应的第一光路,由第二反射镜M2、第二光瞳p2(x,y)和第二凸透镜L2构成的并与第一分束器BS1对应的第二光路,将第一光路和第二光路干涉合并的第二分束器BS2,与第二分束器BS2对应的由X-Y扫描振镜、第三凸透镜L3和光电探测器PD构成的扫描光路,其中,第一凸透镜L1和第二凸透镜L2的焦距相同,待扫描的物体放置于该扫描光路的X-Y扫描振镜和第三凸透镜L3之间。
进一步地,所述步骤(S100)中,激光器Laser发射频率为ω0的激光,由第一分束器BS1将光波分为两束,其中一束光波走第一光路经声光调制器AOFS将其频率由ω0提升为ω0+Ω,再依次经过第一反射镜M1、第一光瞳p1(x,y)和第一凸透镜L1,到达第二分束器BS2处,同时另一束光波走第二光路依次经过第二反射镜M2、第二光瞳p2(x,y)和第二凸透镜L2,也到达第二分束器BS2处;
该两束光波在第二分束器BS2处干涉形成菲涅尔波带板,再经X-Y扫描振镜反射扫描物体,其中透过物体的光波经第三凸透镜L3汇聚,并被光电探测器PD接收,经一系列解调得到加密的全息图。
其中,所述第一光瞳p1(x,y)为随机相位板,所述第二光瞳p2(x,y)为矩形1函数。
所述扫描过程的光学传递函数为:
其中,x和y表示待测物体的位置,x’和y’为积分变量,z表示X-Y扫描振镜到待测物体的距离,λ表示光波波长,表示波数,f为第一凸透镜和第二凸透镜的焦距,kx和ky表示频域坐标,p1(x,y)和p2(x,y)分别表示第一光瞳函数和第二光瞳函数,
此处,由于第一光瞳为随机相位板,故p1(x,y)=exp(jπ·r(x,y)),由于第二光瞳为矩形1函数,故p2(x,y)=1,r(x,y)为[0,1]的二维随机数,则光学传递函数可表达为
其中,zi表示待测物体第i层与X-Y扫描振镜的轴向距离,i=1,2,…,N,N为待测物体沿轴向离散的层数,P1表示p1(x,y)的傅里叶变换形式,*表示共轭运算;
因此,所述加密的全息图表达为
其中,g(x,y;zi)为待测物体第i层切片的复振幅函数,F和F-1分别表示傅里叶变换和逆傅里叶变换。
进一步地,所述步骤(S200)中,在解密重建第r层物体的图像时,设定解码光瞳函数p1d(x,y)=1,则重建zr图像表达为
其中,g(x,y;zr)为在zr处重建恢复的图像,等式右侧剩余部分为噪声项。
进一步地,所述步骤(S300)具体包括:
(S310)训练自组织映射神经网络,
(S311)建立输入为n维向量并具有m个输出节点的二维SOM神经网络,其中,输入的n维向量为x=[x1,x2,…,xn]T,第s个输入神经元节点与第l个输出神经元节点之间的连接权值为wsl;
(S312)对wsl进行初始化,为每一个连接权值wsl在[0,1]之间随机选取一个的值作为初始权值,并使每个初始权值各不相同,优胜邻域的初值为hl,s(x)(0),学习率的初值为η(0);
(S313)将所述带有离焦噪声的重建图像作为输入样本数据,并进行归一化处理;
(S314)计算输入向量在时刻t到所有连接权值的距离:其中,xi(t)是输入向量在时刻t的值,选择产生Dl最小的节点作为最匹配的神经元即优胜神经元;
(S315)定义优胜邻域函数hl,s(x)(t)和学习率函数η(t):
σ(t)=T-k1t…式6
η(t)=η(0)-k2t…式7
其中,Rl、Rs(x)分别是输出节点l、s(x)的位置;σ(t)是邻域的半径,T是邻域半径的初值,k1为邻域半径变化曲线的斜率,0<η(t)<1,k2为学习率函数曲线的斜率;
(S316)通过随机梯度下降的方式来调整神经元的连接权值,
wsl(t+1)=wsl(t)+η(t)hl,s(x)[xs(t)-wsl(t)]…式8
其中,η(t)随时间t单调减小,hl,s(x)(t)采用高斯邻域函数;
(S317)重复步骤(S314)至(S316),直到学习率衰减为0,完成对该二维SOM神经网络的训练;
(S320)训练完成后得到m类数据集,其中最后一类的数据集为去噪后的重建图像。
与现有技术相比,本发明具有以下有益效果:
(1)本发明使用自组织映射神经网络和光学扫描全息技术,利用自组织映射神经网络的聚类分析能力,可以很好的将带离焦噪声的重建图像中的离焦噪声和物体进行分类,从而实现消除经随机加密后的全息图的离焦噪声。
(2)本发明使用自组织映射神经网络的方法,有效地解决了随机加密后的全息图具有离焦噪声问题。
(3)该方法相较于其他深度学习方法,不需要预训练过程,且算法训练时间短。
(4)本发明不仅实现方式简单、便于操作,同时具有很强的使用性。
附图说明
图1为本发明中光学全息扫描装置的基本结构示意图。
图2为本发明实施例采用的扫描的一组物体图像示意。
图3为本发明实施例得带有离焦噪声的重建图像,(a)和(b)分别对应图2中的相应物体图像。
图4为本发明实施例采用的SOM神经网络的训练流程示意图。
图5为本发明实施例采用的SOM神经网络基本模型。
图6为本发明实施例的去噪结果,(a)和(b)分别对应图3中的带有离焦噪声的重建图像。
具体实施方式
下面结合附图和实施例对本发明作进一步说明,本发明的实施方式包括但不限于下列实施例。
实施例
如图1至图6所示,该基于自组织映射神经网络的消除光学扫描全息离焦噪声的方法,具体步骤如下:
(S100)通过光学全息扫描装置扫描物体获得加密的全息图:
其所采用的光学全息扫描装置的基本结构如图1所示,包括:激光器Laser,与激光器Laser对应的第一分束器BS1,由声光调制器AOFS、第一反射镜M1、第一光瞳p1(x,y)和第一凸透镜L1构成的并与第一分束器BS1对应的第一光路,由第二反射镜M2、第二光瞳p2(x,y)和第二凸透镜L2构成的并与第一分束器BS1对应的第二光路,将第一光路和第二光路干涉合并的第二分束器BS2,与第二分束器BS2对应的由X-Y扫描振镜、第三凸透镜L3和光电探测器PD构成的扫描光路,其中,待扫描的物体放置于该扫描光路的X-Y扫描振镜和第三凸透镜L3之间;激光器发出的光波的波长λ=632.8nm,第一凸透镜L1和第二凸透镜L2的焦距相同,都为400mm,X-Y扫描振镜到双层切片的距离分别为z1=12mm,z2=13mm,被扫描物体如图2所示,采用的切片尺寸为1mm×1mm,采样像素点为256×256。
该光学全息扫描装置执行的过程为:激光器Laser发射频率为ω0的激光,由第一分束器BS1将光波分为两束,其中一束光波走第一光路经声光调制器AOFS将其频率由ω0提升为ω0+Ω,再依次经过第一反射镜M1、第一光瞳p1(x,y)和第一凸透镜L1,到达第二分束器BS2处,同时另一束光波走第二光路依次经过第二反射镜M2、第二光瞳p2(x,y)和第二凸透镜L2,也到达第二分束器BS2处,其中,所述第一光瞳p1(x,y)为随机相位板,所述第二光瞳p2(x,y)为矩形1函数;
该两束光波在第二分束器BS2处干涉形成菲涅尔波带板,再经X-Y扫描振镜反射扫描物体,其中透过物体的光波经第三凸透镜L3汇聚,并被光电探测器PD接收,经一系列解调得到加密的全息图。
该过程的光学传递函数为:
其中,x和y表示待测物体的位置,x’和y’为积分变量,z表示X-Y扫描振镜到待测物体的距离,λ表示光波波长,表示波数,f为第一凸透镜和第二凸透镜的焦距,kx和ky表示频域坐标,p1(x,y)和p2(x,y)分别表示第一光瞳函数和第二光瞳函数,
此处,由于第一光瞳为随机相位板,故p1(x,y)=exp(jπ·r(x,y)),由于第二光瞳为矩形1函数,故p2(x,y)=1,r(x,y)为[0,1]的二维随机数,则光学传递函数可表达为
其中,zi表示待测物体第i层与X-Y扫描振镜的轴向距离,i=1,2,…,N,N为待测物体沿轴向离散的层数,P1表示p1(x,y)的傅里叶变换形式,*表示共轭运算;
因此,所述加密的全息图表达为
其中,g(x,y;zi)为待测物体第i层切片的复振幅函数,F和F-1分别表示傅里叶变换和逆傅里叶变换。
(S200)解密重建全息图得到带有离焦噪声的重建图像,如图4所示;
为了重建第r层物体的图像,设定解码光瞳函数p1d(x,y)=1,则重建zr图像,可以表达为:
其中,g(x,y;zr)为在zr处重建恢复的图像,等式右侧剩余部分为噪声项。
(S300)训练自组织映射神经网络,并对归一化的样本数据进行聚类分析,得到消除离焦噪声后的重建图像:
(S310)训练自组织映射神经网络,
(S311)建立输入为n维向量并具有m个输出节点的二维SOM神经网络,其中输入的n维向量为x=[x1,x2,…,xn]T,第s个输入神经元节点与第l个输出神经元节点之间的连接权值为wsl;本实施例中选择n=65536,m=18;
(S312)对wsl进行初始化,为每一个连接权值wsl在[0,1]之间随机选取一个的值作为初始权值,并使每个初始权值各不相同,优胜邻域的初值为hl,s(x)(0),学习率的初值为η(0);
(S313)将所述带有离焦噪声的重建图像作为输入样本数据,由于输入样本图像为256×256,将矩阵向量化变成65536×1的向量,然后进行归一化处理,使其符合输入n维向量的格式;
(S314)计算输入向量在时刻t到所有连接权值的距离:其中,xs(t)是输入向量在时刻t的值,选择产生Dl最小的节点作为最匹配的神经元即优胜神经元;
(S315)定义优胜邻域函数hl,s(x)(t)和学习率函数η(t):
σ(t)=T-k1t…式6
η(t)=η(0)-k2t…式7
其中,Rl、Rs(x)分别是输出节点l、s(x)的位置;σ(t)是邻域的半径,T是邻域半径的初值,k1为邻域半径变化曲线的斜率,0<η(t)<1,k2为学习率函数曲线的斜率;根据前述参数,本实施例中,T=3,k1=0.1,η(0)=0.92,k2=0.04;
(S316)通过随机梯度下降的方式来调整神经元的连接权值,
wsl(t+1)=wsl(t)+η(t)hl,s(x)[xs(t)-wsl(t)]…式8
其中,η(t)随时间t单调减小,hl,s(x)(t)采用高斯邻域函数;
(S317)重复步骤(S314)至(S316),直到学习率衰减为0,完成对该二维SOM神经网络的训练;
(S320)训练完成后得到m类数据集,其中最后一类的数据集为去噪后的重建图像。如图6所示,可以看出经过神经网络后,消除了大部分离焦噪声。
上述实施例仅为本发明的优选实施例,并非对本发明保护范围的限制,但凡采用本发明的设计原理,以及在此基础上进行非创造性劳动而作出的变化,均应属于本发明的保护范围之内。
Claims (7)
1.一种基于自组织映射神经网络的消除光学扫描全息离焦噪声的方法,其特征在于,包括如下步骤:
(S100)通过光学全息扫描装置扫描物体获得加密的全息图;
(S200)解密重建全息图得到带有离焦噪声的重建图像;
(S300)训练自组织映射神经网络,并对归一化的样本数据进行聚类分析,得到消除离焦噪声后的重建图像。
2.根据权利要求1所述的基于自组织映射神经网络的消除光学扫描全息离焦噪声的方法,其特征在于,所述光学全息扫描装置包括激光器Laser,与激光器Laser对应的第一分束器BS1,由声光调制器AOFS、第一反射镜M1、第一光瞳p1(x,y)和第一凸透镜L1构成的并与第一分束器BS1对应的第一光路,由第二反射镜M2、第二光瞳p2(x,y)和第二凸透镜L2构成的并与第一分束器BS1对应的第二光路,将第一光路和第二光路干涉合并的第二分束器BS2,与第二分束器BS2对应的由X-Y扫描振镜、第三凸透镜L3和光电探测器PD构成的扫描光路,其中,第一凸透镜L1和第二凸透镜L2的焦距相同,待扫描的物体放置于该扫描光路的X-Y扫描振镜和第三凸透镜L3之间。
3.根据权利要求2所述的一种基于自组织映射神经网络的消除光学扫描全息离焦噪声的方法,其特征在于,所述步骤(S100)中,激光器Laser发射频率为ω0的激光,由第一分束器BS1将光波分为两束,其中一束光波走第一光路经声光调制器AOFS将其频率由ω0提升为ω0+Ω,再依次经过第一反射镜M1、第一光瞳p1(x,y)和第一凸透镜L1,到达第二分束器BS2处,同时另一束光波走第二光路依次经过第二反射镜M2、第二光瞳p2(x,y)和第二凸透镜L2,也到达第二分束器BS2处;
该两束光波在第二分束器BS2处干涉形成菲涅尔波带板,再经X-Y扫描振镜反射扫描物体,其中透过物体的光波经第三凸透镜L3汇聚,并被光电探测器PD接收,经一系列解调得到加密的全息图。
4.根据权利要求3所述的基于自组织映射神经网络的消除光学扫描全息离焦噪声的方法,其特征在于,所述第一光瞳p1(x,y)为随机相位板,所述第二光瞳p2(x,y)为矩形1函数。
5.根据权利要求1~4任一项所述的基于自组织映射神经网络的消除光学扫描全息离焦噪声的方法,其特征在于,所述加密的全息图表达为
其中,i=1,2,…,N,N为待测物体沿轴向离散的层数,g(x,y;zi)为待测物体第i层切片的复振幅函数,F和F-1分别表示傅里叶变换和逆傅里叶变换,x和y表示待测物体的位置,z表示X-Y扫描振镜到待测物体的距离,表示波数,λ表示光波波长,f为第一凸透镜和第二凸透镜的焦距,kx和ky表示频域坐标,P1表示第一光瞳函数p1(x,y)=exp(jπ·r(x,y))的傅里叶变换形式,*表示共轭运算,r(x,y)为[0,1]的二维随机数,
6.根据权利要求5所述的基于自组织映射神经网络的消除光学扫描全息离焦噪声的方法,其特征在于,所述步骤(S200)中,在解密重建第r层物体的图像时,设定解码光瞳函数p1d(x,y)=1,则重建zr图像表达为
其中,g(x,y;zr)为在zr处重建恢复的图像,等式右侧剩余部分为噪声项。
7.根据权利要求6所述的基于自组织映射神经网络的消除光学扫描全息离焦噪声的方法,其特征在于,所述步骤(S300)具体包括:
(S310)训练自组织映射神经网络,
(S311)建立输入为n维向量并具有m个输出节点的二维SOM神经网络,其中,第s个输入神经元节点与第l个输出神经元节点之间的连接权值为wsl;
(S312)对wsl进行初始化,为每一个连接权值wsl在[0,1]之间随机选取一个的值作为初始权值,并使每个初始权值各不相同,优胜邻域的初值为hl,s(x)(0),学习率的初值为η(0);
(S313)将所述带有离焦噪声的重建图像作为输入样本数据,并进行归一化处理;
(S314)计算输入向量在时刻t到所有连接权值的距离:其中,xi(t)是输入向量在时刻t的值,选择产生Dl最小的节点作为最匹配的神经元即优胜神经元;
(S315)定义优胜邻域函数hl,s(x)(t)和学习率函数η(t):
σ(t)=T-k1t …式6
η(t)=η(0)-k2t …式7
其中,Rl、Rs(x)分别是输出节点l、s(x)的位置;σ(t)是邻域的半径,T是邻域半径的初值,k1为邻域半径变化曲线的斜率,0<η(t)<1,k2为学习率函数曲线的斜率;
(S316)通过随机梯度下降的方式来调整神经元的连接权值,
wsl(t+1)=wsl(t)+η(t)hl,s(x)[xs(t)-wsl(t)] …式8
其中,η(t)随时间t单调减小,hl,s(x)(t)采用高斯邻域函数;
(S317)重复步骤(S314)至(S316),直到学习率衰减为0,完成对该二维SOM神经网络的训练;
(S320)训练完成后得到m类数据集,其中最后一类的数据集为去噪后的重建图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810038893.7A CN108267945B (zh) | 2018-01-16 | 2018-01-16 | 一种基于自组织映射神经网络的消除光学扫描全息离焦噪声的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810038893.7A CN108267945B (zh) | 2018-01-16 | 2018-01-16 | 一种基于自组织映射神经网络的消除光学扫描全息离焦噪声的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108267945A true CN108267945A (zh) | 2018-07-10 |
CN108267945B CN108267945B (zh) | 2019-08-09 |
Family
ID=62775606
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810038893.7A Expired - Fee Related CN108267945B (zh) | 2018-01-16 | 2018-01-16 | 一种基于自组织映射神经网络的消除光学扫描全息离焦噪声的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108267945B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109884869A (zh) * | 2019-04-22 | 2019-06-14 | 重庆邮电大学 | 一种基于双瞳孔外差计算全息成像***及方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6445470B1 (en) * | 1990-04-06 | 2002-09-03 | University Of Southern California | Apparatus for simultaneous spatial modulation of incoherent/coherent angulary multiplexed optical beams |
WO2002086565A1 (en) * | 2001-04-20 | 2002-10-31 | Bookham Technology Plc | Photonic band gap device |
JP2006270656A (ja) * | 2005-03-24 | 2006-10-05 | Fuji Xerox Co Ltd | 画像処理装置および画像処理方法 |
EP1777940A2 (en) * | 2005-10-18 | 2007-04-25 | Ricoh Company, Ltd. | A method and apparatus for reducing an image noise |
CN101221662A (zh) * | 2008-01-31 | 2008-07-16 | 复旦大学 | 基于自组织映射神经网络的遥感图像混合像元分解方法 |
US8270732B2 (en) * | 2009-08-31 | 2012-09-18 | Behavioral Recognition Systems, Inc. | Clustering nodes in a self-organizing map using an adaptive resonance theory network |
CN103488662A (zh) * | 2013-04-01 | 2014-01-01 | 哈尔滨工业大学深圳研究生院 | 基于图形处理单元的自组织映射神经网络聚类方法及*** |
CN104159094A (zh) * | 2014-07-09 | 2014-11-19 | 四川大学 | 一种改善光学扫描全息层析成像效果的方法 |
CN105204311A (zh) * | 2015-07-06 | 2015-12-30 | 电子科技大学 | 一种基于高斯切趾的光学扫描全息边缘检测方法 |
CN107085838A (zh) * | 2017-06-02 | 2017-08-22 | 新疆大学 | 全息图噪声的去除方法及装置 |
-
2018
- 2018-01-16 CN CN201810038893.7A patent/CN108267945B/zh not_active Expired - Fee Related
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6445470B1 (en) * | 1990-04-06 | 2002-09-03 | University Of Southern California | Apparatus for simultaneous spatial modulation of incoherent/coherent angulary multiplexed optical beams |
WO2002086565A1 (en) * | 2001-04-20 | 2002-10-31 | Bookham Technology Plc | Photonic band gap device |
JP2006270656A (ja) * | 2005-03-24 | 2006-10-05 | Fuji Xerox Co Ltd | 画像処理装置および画像処理方法 |
EP1777940A2 (en) * | 2005-10-18 | 2007-04-25 | Ricoh Company, Ltd. | A method and apparatus for reducing an image noise |
CN101221662A (zh) * | 2008-01-31 | 2008-07-16 | 复旦大学 | 基于自组织映射神经网络的遥感图像混合像元分解方法 |
US8270732B2 (en) * | 2009-08-31 | 2012-09-18 | Behavioral Recognition Systems, Inc. | Clustering nodes in a self-organizing map using an adaptive resonance theory network |
CN103488662A (zh) * | 2013-04-01 | 2014-01-01 | 哈尔滨工业大学深圳研究生院 | 基于图形处理单元的自组织映射神经网络聚类方法及*** |
CN104159094A (zh) * | 2014-07-09 | 2014-11-19 | 四川大学 | 一种改善光学扫描全息层析成像效果的方法 |
CN105204311A (zh) * | 2015-07-06 | 2015-12-30 | 电子科技大学 | 一种基于高斯切趾的光学扫描全息边缘检测方法 |
CN107085838A (zh) * | 2017-06-02 | 2017-08-22 | 新疆大学 | 全息图噪声的去除方法及装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109884869A (zh) * | 2019-04-22 | 2019-06-14 | 重庆邮电大学 | 一种基于双瞳孔外差计算全息成像***及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108267945B (zh) | 2019-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108089425B (zh) | 一种基于深度学习的消除光学扫描全息离焦噪声的方法 | |
CN104159094B (zh) | 一种改善光学扫描全息层析成像效果的方法 | |
Kang et al. | Phase extraction neural network (PhENN) with coherent modulation imaging (CMI) for phase retrieval at low photon counts | |
Ramos et al. | Real-time, multiframe, blind deconvolution of solar images | |
Tang et al. | RestoreNet: a deep learning framework for image restoration in optical synthetic aperture imaging system | |
Yang et al. | A hybrid method for multi-focus image fusion based on fast discrete curvelet transform | |
Chen et al. | Holographic 3D particle imaging with model-based deep network | |
Leo et al. | Multilevel bidimensional empirical mode decomposition: a new speckle reduction method in digital holography | |
CN104008536A (zh) | 基于cs-chmt和idpcnn的多聚焦噪声图像融合方法 | |
Leihong et al. | Restoration of single pixel imaging in atmospheric turbulence by Fourier filter and CGAN | |
Su et al. | Explainable analysis of deep learning methods for sar image classification | |
Zhang et al. | Learning synthetic aperture radar image despeckling without clean data | |
CN108267945B (zh) | 一种基于自组织映射神经网络的消除光学扫描全息离焦噪声的方法 | |
EP3535623B1 (en) | System and method for reconstruction of holographic lens-free images by multi-depth sparse phase recovery | |
Balasubramani et al. | Influence of noise-reduction techniques in sparse-data sample rotation tomographic imaging | |
Cui et al. | Neural invertible variable-degree optical aberrations correction | |
Ye et al. | Bayesian nonlocal patch tensor factorization for hyperspectral image super-resolution | |
Geyer et al. | Deep-learning-based radiointerferometric imaging with GAN-aided training | |
Tang et al. | Learning spatially variant degradation for unsupervised blind photoacoustic tomography image restoration | |
Liu et al. | Joint artifact correction and super-resolution of image slicing and mapping system via a convolutional neural network | |
CN107835074A (zh) | 一种消除随机加密光学扫描全息离焦噪声的方法 | |
Pellizzari et al. | Coherent plug-and-play artifact removal: Physics-based deep learning for imaging through aberrations | |
Li et al. | MWDNs: reconstruction in multi-scale feature spaces for lensless imaging | |
Luo et al. | Correcting optical aberration via depth-aware point spread functions | |
Latorre-Carmona et al. | Three-dimensional imaging with multiple degrees of freedom using data fusion |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190809 Termination date: 20200116 |