一种基于物理约束下复值UNet的复振幅重建方法

本发明涉及一种全息图相位重建方法，具体涉及一种基于物理约束下复值unet的复振幅重建方法。

背景技术：

1、同轴全息图是一种全息成像技术，其原理是利用相干光源生成的光束分成两部分：一部分作为参考光直接到达探测器，另一部分作为物光经过待测物体后同样到达探测器。两束光在探测器上相遇，形成干涉图样，记录了物体的相位和振幅信息。同轴全息图能够同时记录物体的振幅和相位信息，实现高精度的三维重构。

2、现代全息相位重建利用高分辨率的数字探测器和先进的图像处理算法进行数据处理，能够实现高分辨率的三维成像，记录并重建物体的相位信息，提供更丰富的物理特征。与传统成像方法相比，全息相位重建不需要标记或染色，适用于动态过程的实时观察和无损检测，其系统设计简单紧凑，不需要复杂的光路调整，具有良好的稳定性，在多个领域有广泛应用。

3、复值神经网络(cvnn)在相位重建中的应用结合了机器学习和光学成像技术，通过深度学习算法从全息图中重建出高质量的相位信息。cvnn基于复数表达，能够更好地处理波前的振幅和相位分量之间的耦合信息，对复数波前进行本征式的高维表征。与实值神经网络(rvnn)相比，cvnn提供了更加丰富的表示能力，更适合处理由振幅和相位组成的复振幅信息。复值神经网络在处理高度非线性和复杂的关系方面表现优异，对于相位重建中的复杂结构和非线性问题效果显著，并且对噪声具有较强的鲁棒性，具备良好的泛化能力，适应不同数据和应用场景，提高了重建的准确性和效果。这一技术的核心在于利用神经网络强大的非线性映射能力和数据驱动的方法，克服了传统迭代算法在处理复杂情况和高噪声数据时的局限。

技术实现思路

1、本发明提供了一种基于物理约束下复值unet的复振幅重建方法。该相位重建方法能够直接处理复数数据，更自然地表示和处理全息中的信息。所提方法可以准确保留和重建相位信息是关键，通过直接处理复数数据，具备更高的表示能力，能够捕捉到数据中的相位和幅度变化。结合物理约束和正则化效果能够有效抑制过拟合，更好地保留相位关系，从而提高重建精度。

2、本发明可以同时重建复振幅的技术方案是：

3、一种基于物理约束下复值unet的复振幅重建方法，包括以下步骤：

4、(s1)、在同轴全息理论基础上选用相机拍摄一组纯相位型同轴全息图，作为网络输入，即全息图a；

5、(s2)、将采集的全息图a读入后做开平方操作得振幅、并生成与全息图a相同尺寸的随机矩阵作为相位，将振幅与随机矩阵相位构建初始复值场作为复值unet输入；

6、(s3)、对输出复值场c的振幅进行软约束，使其各点值不大于吸收约束规定的值，该值的范围与被记录物体有关；并设计复值正则化约束comp l ex tota lvar i at i on(ctv)约束，得调制后得复值场d；

7、(s4)、将复值场d正向传播至z距离处，对z处重建复值场取强度得重建全息图e，取相位更新输入复值场b的相位，更新后的复值场b为下一轮网络输入；

8、(s5)、计算数据保真度项，即全息图a与重建全息图e的相似度，计算正则化项ctv，赋予两项权重相加作为损失函数，将损失函数值的梯度做反向传播以更新网络模型的参数，得到训练完成的复值神经网络。

9、优选的，在步骤(s1)中，采集的全息图为纯相位全息图，原始物体波的振幅被设定为1。

10、优选的，在步骤(s4)中，正向传播方法包括角谱法、菲涅尔衍射法、卷积法等。

11、优选的，复值unet具有u型结构的复值网络结构，包含复值卷积，复值反卷积，复值激活函数，其中复值卷积和反卷积分别由卷积核为3×3卷积层和反卷积核为2×2的反卷积核实现；复值激活函数包括sp l i t型激活函数和fu l l y型激活函数。

12、优选的，所述的复值unet采用编码器-解码器的u型结构，编解码器的深度为2层以上。

13、优选的，所述的基于物理约束下复值unet的复振幅重建方法的损失函数采用用于比较图像结构相似度的损失函数，所述的损失函数为ssim损失函数。

14、优选的，所采用的物理约束包括对输出复值场c的调制、复值正则化约束和正向传播部分。

15、优选的，在步骤(s5)中，模拟全息图d亦是由采集的全息图a经过网络输出后模拟衍射过程得到，计算二者的损失反向传播，指导网络训练，网络训练的整个过程为自监督学习过程，所述方法为自监督学习。

16、本发明与现有技术相比具有以下的有益效果：

17、1、本发引入了一种融合物理约束的复值unet架构，专注于复振幅图像的精确重建。该方法巧妙地将物理模型的严谨性与复值正则化技术的优势并蓄，通过深度学习模型的强大学习能力，不仅能够有效捕捉物理过程中复杂的非线性动态与噪声特性，还显著提升了图像重建的精确度。进一步地，该方案为相位重建带来了前所未有的高精度，完美契合了那些对成像质量有着极高要求的应用场景，如生物成像、材料科学及精密工业检测等领域。

18、2、本发明的基于物理约束下复值unet的复振幅重建方法，该方法能够直接且高效地处理全息图中的复数数据，突破了传统实值神经网络在处理复数数据时需要将复数分解为实部和虚部独立处理的局限。通过直接操作复数形式的数据，本发明不仅简化了处理流程，更重要的是，它完整地保留了全息图中关键的相位与振幅信息。这种直接处理方法在相位重建任务中表现出显著的优势，因为全息本质上是复数形式的，其包含的相位信息对重建精度至关重要，通过直接处理复数数据，实现了对相位信息的精确捕捉与重建，使得重建结果更加接近真实值。

19、3、本发明的基于物理约束下复值unet的复振幅重建方法，该方法能够自主地从大规模未标注数据中发掘并生成有效的训练标签，从而克服了相位重建任务中高质量标注数据获取难、成本高的问题。在传统的监督学习范式下，模型的训练高度依赖于精确标注的数据集。自监督学习通过利用未标注数据中固有的结构和模式进行训练。本发明显著减少了对标注数据的需求，从而降低了数据标注的成本。不仅降低了成本，还使得相位重建技术更易推广应用。

技术特征：

1.一种基于物理约束下复值unet的复振幅重建方法，包括以下步骤：

2.根据权利要求1所述的基于物理约束下复值unet的复振幅重建方法，其特征在于，在步骤(s1)中，采集的全息图a为纯相位全息图，原始物体波的振幅被设定为1。

3.根据权利要求1所述的基于物理约束下复值unet的复振幅重建方法，其特征在于，在步骤(s4)中，衍射正向传播方法包括角谱法、菲涅尔衍射法、卷积法等。

4.根据权利要求1所述的基于物理约束下复值unet的复振幅重建方法，其特征在于，复值unet具有u型结构的复值网络结构，包含复值卷积，复值反卷积，复值激活函数，其中复值卷积和反卷积分别由卷积核为3×3卷积层和反卷积核为2×2的反卷积核实现；复值激活函数包括split型激活函数和fully型激活函数。

5.根据权利要求3所述的基于物理约束下复值unet的复振幅重建方法，其特征在于，所述的复值unet采用编码器-解码器的u型结构，编解码器的深度为2层以上。

6.根据权利要求1所述的基于物理约束下复值unet的复振幅重建方法，其特征在于，所述的复值unet的复振幅重建方法采用能够反应两张图像相似情况的损失函数和ctv共同组成损失函数，并赋予合适的权重，所述反应两张图像相似情况的损失函数包括均方误差mse函数、结构相似度指数ssim函数。

7.根据权利要求1所述的基于物理约束下复值unet的复振幅重建方法，其特征在于，在步骤(s3)、(s4)中，所采用的物理约束包括对输出复值场c的调制、复值正则化约束和正向传播部分。

8.根据权利要求1所述的基于物理约束下复值unet的复振幅重建方法，其特征在于，采用自监督学习，在步骤(s5)中，模拟全息图d亦是由采集的全息图a经过网络输出后模拟衍射过程得到，计算二者的损失反向传播，指导网络训练。

技术总结本发明属于全息相位重建领域，公开了一种基于物理约束下复值UNet的复振幅重建方法，在摆脱端到端网络对大量数据依赖性的同时提供比实值网络更好的重建效果，本发明采用基于复值UNet的网络架构结合光学同轴全息成像模型的物理过程，首先将采集得到的全息图构建复振幅放进复值UNet中，得到输出复值场C，调制复振幅并施加复值正则化约束，模拟同轴全息正向传播过程得到重建复值场，取强度为重建全息图E，相位用以更新输入复值场B；随后计算采集的全息图与重建全息图E之间的相似度，通过复值神经网络的梯度下降优化算法实现相位重建。本发明提供一种基于复值UNet结合物理约束直接重建复值场的方法。技术研发人员：豆嘉真,安起明,邸江磊,钟丽云,秦玉文受保护的技术使用者：广东工业大学技术研发日：技术公布日：2024/10/10