[发明专利]一种计算全息图的生成方法及电子设备

说明书

本发明属于计算全息和深度学习技术领域，具体而言涉及一种计算全息图的生成方法及电子设备。包括：获取图像集，并生成一个初始相位图；将图像集和初始相位图输入一个自编码器神经网络，对自编码器神经网络进行训练，得到训练后的自编码器网络；向训练后自编码器网络中的编码器输入目标图像，输出得到目标图像的计算全息图。本方法采用自编码器网络结构，无需对训练集进行事先标记，解决了标记训练集生成耗时、限制网络训练效果的问题，实现了高速同时高质量的计算全息图生成。其次，自编码器神经网络中的编码器采用Y‑Net网络结构，实现了基于给定初始相位的计算全息图生成，控制了无监督学习模式下网络的训练方向，使网络优化和重建图像质量提升。

技术领域

本发明属于计算全息和深度学习技术领域，具体而言涉及一种计算全息图的生成方法及电子设备。

背景技术

计算全息技术在光束整形、光场调控和全息显示等领域都有着重要应用。深度学习是实现高质量和高速全息图生成的有效手段。公开号为CN201811365585.1的中国专利申请公开了一种全息图像生成方法及设备，利用原始图像和计算得到的对应理想全息图充当训练对，对全息图生成模型系统进行训练以获取三维空间物体的全息图。该方法有效地解决了全息图生成过程时间消耗大、重建效果差、对计算机存储性能依赖大的问题。但是其中的网络训练为监督学习模式，需要利用原始图像和计算得到的对应理想全息图充当标记训练集，而在标记训练集生成过程中存在的“完美全息图不存在”和耗时问题限制了算法的进一步发展。

发明内容

有鉴于此，本发明提出了一种计算全息图的生成方法及电子设备，以无监督学习模式解决当前基于深度学习的计算全息算法的学习模式较为有限的技术问题。

根据本发明的第一方面，提出计算全息图的生成方法，包括：

获取图像集，并生成一个初始相位图；

将所述图像集和初始相位图输入一个自编码器神经网络，对所述自编码器神经网络进行训练，得到训练后的自编码器网络；

向所述训练后自编码器网络中的编码器输入目标图像，输出得到目标图像的计算全息图。

可选地，所述图像集中的图像从图像数据集ImageNet、DIV2K或Flickr30k中得到。

可选地，所述的自编码器神经网络由编码器和解码器组成。

可选地，所述编码器为卷积神经网络中的Y-Net结构，由两条下采样支路和一条上采样支路构成。

可选地，所述解码器为无可学习参数衍射模型，所述无可学习参数衍射模型为菲涅尔衍射模型、角谱衍射模型或夫琅禾费衍射模型。

可选地，所述菲涅尔衍射模型的计算方法为一次快速傅里叶变换算法、二次快速傅里叶变换算法或三次快速傅里叶变换算法。

可选地，所述将图像集和初始相位图输入一个自编码器神经网络，对所述自编码器神经网络进行训练，得到训练后的自编码器网络，包括：

(1)分别向自编码器神经网络的编码器输入所述图像集中的图像和所述初始相位图，编码器神经网络输出与所述图像相对应的计算全息图；

(2)将所述计算全息图输入解码器，得到与所述图像相对应的重建图像；

(3)计算所述图像与步骤(2)中的重建图像之间的损失函数；

(4)根据步骤(3)的损失函数，对所述编码器中的可学习参数进行更新；

(5)遍历所述图像集中的所有图像，重复步骤(1)-步骤(4)，直至损失函数曲线收敛或达到预设的训练次数，得到训练后的自编码器神经网络。

可选地，在所述损失函数中添加对生成计算全息图的正则化项。