论文部分内容阅读
数字全息(Digital Holographic,DH)数值重建距离与全息图的记录距离有关[1],由于像差复杂、衍射极限、记录仪器(CCD、CMOS传感器、SLM空间光调制器)分辨率限制以及一些人为实验损耗误差导致难以重建清晰的像,这就需要后期对图像进行大量且复杂的后处理工序以提高数字全息图像的分辨率。由于普通的光学系统一般无法实现在线的实时计算,同时,摒弃图像传播噪声和误差等各种引起像质问题的影响需要的高精度设备成本极其昂贵,导致针对数字全息成像领域没有公共的高分辨率数据集,致使其实现准确高分辨率预期成像目标一直以来是一大难题。因此,针对以上DH重建分辨率问题,为了对重建系统进行优化和改进,增强成像系统的空间带宽积,本文首先研究分析了基于插值的迭代DH超分辨率重建的图像处理方法和非迭代多帧DH分辨率增强重建算法来增强全息图的空间分辨率。其次,由于迭代方法是计算密集型,基于迭代的方法在计算上极其耗时昂贵,因此不适合用于实时的应用。此外,迭代算法有时会陷入局部最小值,并且可能会导致性能不佳。为了克服迭代算法的问题,对于快速或实时处理,本文研究了基于深度学习的单幅图像超分辨率重建(Single image Super-Resolution Reconstruction,SISRR)技术并提出了基于端对端深度学习[2]的残差局部稠密通路SISRR网络Holo DSR,该网络可以从单幅DH重建图像以端对端的方式学习上采样操作(即从低分辨率产生高分辨率),可以使图像细节更清晰。最后,验证了网络在不同降采样因子的重建结果中无论是对图像重建质量的评价还是在消除伪影影响提高DH重建图像分辨率方面均展现了其特有的优势与研究前景,具有一定的理论研究价值。DH数值重建基于光的衍射传播原理遵从一定的规律,基于深度机器学习的超分辨率算法与光学成像的契合可以让神经网络去理解干涉、衍射等规律,试图解决基于传统算法的升级方法缺乏精细细节,无法去除缺陷和压缩伪像的问题[3]。对于手动执行这些任务的人来说,这是一个非常缓慢和艰苦的过程。从一个从未存在或已经丢失的地方获得更高质量的图像的好处,这可能在许多领域有益,甚至在医疗应用中挽救生命[4]。