[发明专利]基于深度学习加速计算的大视场全息投影方法及系统

说明书

本发明提出一种基于深度学习加速计算的大视场全息投影方法及系统，包括如下步骤：S1、通过盖师贝格‑撒克斯通算法、角谱法计算无透镜投影系统中生成的全息图，制作U形神经网络训练的数据集；S2、构建基于U形神经网络的卷积神经网络结构；S3、将所述数据集输入所述U形神经网络进行训练并保存训练得到的U形神经网络模型。本发明可解决传统迭代算法收敛速度慢等问题，提高神经网络成像的质量，计算的全息图具有良好的性能，实现动态实时投影，并且具有一定的泛用性。

技术领域

本发明涉及计算全息技术领域，具体涉及一种基于深度学习加速计算的大视 场全息投影方法及系统。

背景技术

全息投影本质上不需要透镜，可以减小光学系统的尺寸、重建高对比度的图 像，还具有可用空间光调制器(Spatial Light Modulator，SLM)重建彩色图像的优 点。衍射光学元件(Diffractive Optical Elements,DOE)是一种透射式的光相位调制 器件，通过改变衍射光学元件平面的相位分布(即衍射光学元件的阶梯状面形) 可以得到任意形状的衍射场图像。基于计算全息技术，传统的计算全息是将计算 好的全息图加载到空间光调制器上而得到投影面上的图形。由于全息图的衍射过 程可以用菲涅尔衍射来描述，菲涅尔衍射积分用于作为近轴近似解。常用的衍射 数值计算算法是通过逆向的单次快速傅里叶变换算法(Single Fast Fourier Transform Algorithm,S-FFT算法)来获得全息图，该算法适用于衍射距离较大的 情况。为提高计算精度常使用盖师贝格-撒克斯通(Gerchberg–Saxton,G-S)算法： 一次迭代使用正、逆单次快速傅里叶变换算法，多次迭代后可以得到质量更好的 全息图。但是盖师贝格-撒克斯通算法有两个明显缺点：1、计算过程耗时久；2、在单次快速傅里叶变换算法中，投影面采样间隔存在以下局限性：

Δx＝λd/NΔx₀ (1)

其中Δx是投影表面的采样间隔，λ是波长，d是衍射距离，N是取样数，Δx₀是 全息图的采样间隔。因此，在实际的实验系统中难以获得较大的投影图像，限制 了全息投影的应用范围。

为了进一步增加投影系统的视角，采用发散球面波照射空间光调制器较为有 效，并有了相应的双采样算法(Double-Sampling Fresnel,DSF)。由于双采样算 法耗时较长，无法在实时投影系统中使用。

现有的大视场全息投影系统实时响应慢、成像质量不高。目前的无透镜投影 系统的原理基于计算全息技术使用迭代算法来计算调制面的全息图，时间消耗较 大，难以实现实时的投影图案变换。

发明内容

本发明提出一种基于深度学习加速计算的大视场全息投影方法及系统，可解 决传统方法耗时久的问题，实现实时的投影图案变换。

本发明为达上述目的所提出的技术方案如下：

基于深度学习加速计算的大视场全息投影方法，包括如下步骤：

S1、通过盖师贝格-撒克斯通算法计算无透镜投影系统中生成的全息图，制 作U形神经网络训练的数据集；

S2、构建基于U形神经网络的卷积神经网络结构；

S3、将所述数据集输入所述U形神经网络进行训练并保存训练得到的U形 神经网络模型。

进一步地：

步骤S1中，所述无透镜投影系统包括激光器，显微物镜，针孔，数字微镜 器件，TIR棱镜，衍射光学元件和投影面；