[發(fā)明專利]基于數(shù)值散斑的多模光纖傳輸圖像遷移重構(gòu)算法

有效

• 申請?zhí)枺?/td>: 202110354442.6
• 申請日: 2021-04-01
• 公開（公告）號: CN113762460B
• 公開（公告）日: 2023-10-24
• 發(fā)明（設(shè)計）人: 宋彬彬;靳暢;陳永城;馬秀浩;陳勝勇
• 申請（專利權(quán)）人: 天津理工大學(xué)
• 主分類號: G06N3/0464
• 分類號: G06N3/0464;G06N3/084;G06T7/45;G06T11/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發(fā)明涉及一種基于數(shù)值散斑的多模光纖傳輸圖像遷移重構(gòu)算法，該方法首先獲取到實驗散斑圖像數(shù)據(jù)集；然后利用數(shù)值仿真方法生成仿真散斑圖像數(shù)據(jù)集；接下來分析出實驗散斑與仿真散斑的特性；設(shè)計融合了散斑特性的損失函數(shù)，增強U_Net網(wǎng)絡(luò)的遷移學(xué)習(xí)能力；然后將仿真散斑輸入到U_Net網(wǎng)絡(luò)中，訓(xùn)練成仿真網(wǎng)絡(luò)模型；便于后續(xù)直接利用仿真網(wǎng)絡(luò)模型從實驗散斑圖像中重構(gòu)出原始圖像。

技術(shù)領(lǐng)域

本發(fā)明涉及基于數(shù)值散斑的多模光纖傳輸圖像遷移重構(gòu)算法，用來利用數(shù)值仿真數(shù)據(jù)集訓(xùn)練網(wǎng)絡(luò)作為仿真模型，然后利用仿真模型來重構(gòu)實驗散斑圖像數(shù)據(jù)集，涉及計算光學(xué)成像與圖像處理領(lǐng)域。

背景技術(shù)

多模光纖(MMFs)由于能夠通過大量的橫向光模式傳輸圖像，在生物醫(yī)學(xué)內(nèi)窺鏡和通信領(lǐng)域的應(yīng)用越來越有吸引力。對于生物醫(yī)學(xué)內(nèi)窺鏡，MMF中的橫向模式數(shù)代表圖像中的像素數(shù)。然而，由于光在MMFs中的傳播存在模態(tài)色散和模態(tài)耦合問題，當(dāng)將圖像模式投射到MMF的近端時，光場耦合成具有不同傳播常數(shù)的不同模式，從而在遠(yuǎn)端形成類似隨機散斑模式。因此，學(xué)習(xí)散斑圖像與光纖輸入圖像之間的非線性關(guān)系成為研究者的重要研究內(nèi)容。

近年來，已經(jīng)有各種各樣的計算成像(CI)方法被開發(fā)出來，以克服MMF固有的模態(tài)湍流，并恢復(fù)沿MMF傳播并形成散斑模式時明顯失真的圖像。這些傳統(tǒng)的CI方法，包括傳輸矩陣測量、數(shù)字相位共軛、光斑掃描成像，在理論上都是基于幾何光學(xué)、波動光學(xué)等正演數(shù)學(xué)模型，通過MMF描述整個成像過程。因此，通過計算重構(gòu)方法可以獲得無法直接訪問的圖像信息。這些物理驅(qū)動CI方法的性能受到數(shù)學(xué)正演模型的準(zhǔn)確性、反演重建算法的可靠性、真實物理成像過程的不可預(yù)測性和高維不適定逆問題求解的復(fù)雜性等因素的限制。

深度學(xué)習(xí)(DL)已被證明可以為許多分類和識別任務(wù)提供可靠的廣義解決方案。近年來，DL的快速發(fā)展為計算光學(xué)成像技術(shù)在數(shù)字全息成像、傅里葉全息顯微術(shù)、鬼成像、超分辨率顯微術(shù)、光學(xué)相干層析成像、散射介質(zhì)成像等研究領(lǐng)域打開了一扇新的大門。這些研究使得基于DL的CI成為數(shù)據(jù)驅(qū)動的，從而使得基于深度學(xué)習(xí)的計算成像方法高度獨立于正演數(shù)學(xué)模型。

眾所周知，在獲取經(jīng)過多模光纖后生成的散斑圖像過程中，搭建實驗所需光路的過程十分困難，并且在實驗過程中的環(huán)境因素都需要嚴(yán)格控制，如：溫度、光照和光纖不同程度的彎曲等因素，都會在不同程度上影響到實驗結(jié)果。因此，從實驗裝置中獲取實驗散斑圖像是非常困難的，于是就需要設(shè)計基于數(shù)值散斑的多模光纖傳輸圖像遷移重構(gòu)算法。

發(fā)明內(nèi)容

本發(fā)明的目的是設(shè)計基于數(shù)值散斑的多模光纖傳輸圖像遷移重構(gòu)算法，以解決現(xiàn)如今通過實驗獲取散斑圖像的難點。為此，本發(fā)明采用的技術(shù)方案，包括下列步驟：

1.在實際的實驗裝置中生成實驗散斑圖像數(shù)據(jù)集；

2.使用數(shù)值仿真方法仿真真實的MMF圖像傳輸過程，由此生成數(shù)值仿真散斑圖像數(shù)據(jù)集；

3.根據(jù)圖像的共生矩陣，計算出五個特征作為散斑圖像的評價指標(biāo)；

4.構(gòu)建一個7層的U_Net網(wǎng)絡(luò)，并對網(wǎng)絡(luò)所使用的損失函數(shù)進(jìn)行修改。

5.使用數(shù)值仿真散斑數(shù)據(jù)集作為U_Net網(wǎng)絡(luò)的輸入進(jìn)行訓(xùn)練，保存模型

6.利用已經(jīng)訓(xùn)練好的模型從實驗散斑圖像中恢復(fù)出原始圖像；

本發(fā)明提供一種基于數(shù)值散斑的多模光纖傳輸圖像遷移重構(gòu)算法，其優(yōu)點在于：

1.由于網(wǎng)絡(luò)使用的是針對散斑圖像的損失函數(shù)，且由于深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的優(yōu)異性能，因此實驗結(jié)果相對于其他方法會更加清晰。

2.這樣使用數(shù)值仿真散斑圖像數(shù)據(jù)集訓(xùn)練網(wǎng)絡(luò)，最終恢復(fù)出實驗散斑圖像的方法，可以在后續(xù)的研究中，節(jié)約采取實驗散斑圖像數(shù)據(jù)集的時間，效率更高。

當(dāng)然，實施本發(fā)明的任一產(chǎn)品或方法并不一定需要同時達(dá)到以上所述的所有優(yōu)點。

附圖說明