[發明專利]一種基于深度學習的單透鏡消色差計算成像方法及系統

在審

• 申請號: 202211207881.5
• 申請日: 2022-09-30
• 公開（公告）號: CN115578276A
• 公開（公告）日: 2023-01-06
• 發明（設計）人: 申俊飛;張重陽;賀天悅
• 申請（專利權）人: 四川大學
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06T5/50;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 成都其知創新專利代理事務所(普通合伙) 51326
• 代理人: 房立普

1.一種基于深度學習的單透鏡消色差計算成像方法，其特征在于，包括以下步驟：

步驟1：輸入圖像經單透鏡成像后，通過復振幅復原網絡從輸入圖像中恢復單透鏡成像的光場復振幅分布；

步驟2：構建虛擬透鏡，根據步驟1得到的復振幅分布和虛擬透鏡的點擴散函數的卷積，獲取虛擬透鏡像面上的復振幅分布；

步驟3：根據步驟2中復振幅分布即可得到消色差圖像；

所述復振幅復原網絡為在U-net網絡模型，U-net網絡模型的最底層下采樣模塊中加入通道注意力模塊；通道注意力模塊包括最大池化層、平均池化層和兩層全連接網絡。

2.根據權利要求1所述的一種基于深度學習的單透鏡消色差計算成像方法，其特征在于，所述復振幅復原網絡最后一層為維度為N×6的卷積核，包括三個復振幅A和三個相位組成一個三通道的復振幅分布從輸入的圖像中恢復出的N個復振幅分布為：

式中：k為得到的第k個振幅或相位，N為維度，j為虛數符號，CWR(I)為本發明構建的復振幅復原網絡CWR-Net從強度圖I恢復出復振幅的過程。

3.根據權利要求1所述的一種基于深度學習的單透鏡消色差計算成像方法，其特征在于，構建復振幅復原網絡和虛擬透鏡的成像模型，如下：

式中：k為波數，x和y為虛擬透鏡平面上的坐標，為虛擬透鏡引入的總相位，h為虛擬透鏡點擴散函數，x₀和y₀為虛擬成像面坐標，x_i和y_i為物面坐標，j為虛數符號，d_o為物距，d_i為相距，U′為點光源經過虛擬透鏡后的光場分布，P(x,y)為虛擬透鏡的光圈函數。

4.根據權利要求3所述的一種基于深度學習的單透鏡消色差計算成像方法，其特征在于，所述虛擬透鏡像面上的復振幅分布如下：

式中：*為卷積；

步驟3中的消色差圖像I_o表示為：

式中：W₃為復振幅復原網絡得到的光場疊加復振幅總分布。

5.根據權利要求3所述的一種基于深度學習的單透鏡消色差計算成像方法，其特征在于，所述虛擬透鏡引入的總相位計算方法如下：

式中：為理想凸透鏡提供的基本相位，為澤尼克多項式高度圖引入的附加相位；虛擬透鏡包括一個理想的凸透鏡和附加的澤尼克多項式高度圖；

式中：k為波數，f為虛擬透鏡的焦距，x和y為虛擬透鏡平面上的坐標；

式中：m(x,y)為澤尼克多項式高度圖，n和n′分別是空氣和鏡頭材料的折射率。

6.根據權利要求1所述的一種基于深度學習的單透鏡消色差計算成像方法，其特征在于，所述圖像在通道注意力模塊中處理過程如下：

特征圖分別進入最大池化層和平均池化層得到兩個通道描述；

然后分別進入兩層神經網絡；將兩層神經網絡輸出的兩個特征相加后經過Sigmoid激活函數得到權重系數；輸入特征圖乘上權重系數即可得到縮放后的新特征。

7.如權利要求1～6所述任一種基于深度學習的單透鏡消色差計算成像方法的成像系統，其特征在于，包括：依次設置的真實透鏡、復振幅復原網絡和虛擬透鏡；

復振幅復原網絡用于學習單透鏡成像的色差信息；

虛擬透鏡用于補償單透鏡色差。

8.如權利要求7所述一種基于深度學習的單透鏡消色差計算成像系統的使用方法，其特征在于，包括以下步驟：

S1：構建復振幅復原網絡；

S2：構建復振幅復原網絡和虛擬透鏡的成像模型；

S3：獲取虛擬透鏡面形的初始值；

S4：構建損失函數，基于反向傳播梯度下降算法最小化損失函數，得到預訓練復振幅復原網絡和虛擬透鏡的結構參數；

S5：將經過單透鏡得到的有色差圖像輸入復振幅復原網絡和虛擬透鏡構成的成像模型，即可得到消色差圖像。

9.根據權利要求8所述的一種基于深度學習的單透鏡消色差計算成像系統的使用方法，其特征在于，所述損失函數如下：

l＝PL(I_o,I_GT)+α×MSE(I_o,I_GT)+β×SSIM(I_o,I_GT)

式中：l為損失函數，PL(I_o,I_GT)為感知損失，MSE(I_o,I_GT)為均方根誤差，SSIM(I_o,I_GT)為結構相似度，α和β為權重因子，均設為0.1，I_GT為真值圖像，I_o為消色差圖像。