公开(公告)号：CN118982598A

公开(公告)日：2024-11-19

申请号：CN202411128393.4

申请日：2024-08-16

Applicant: 吉林大学

Inventor： 朴美兰 ,  梁超宇 ,  朱天屹 ,  刘维 ,  王春悦 ,  王勇

IPC: G06T11/00 ,  G06T5/70 ,  G06T5/60 ,  G06N3/0464 ,  G06N3/0455 ,  G06N3/048 ,  G06N3/08 ,  G06T5/40

Abstract: 一种基于深度学习和角谱法的全息图生成方法，它属于深度学习与数字全息技术领域。本发明解决了现有训练数据集获取方法存在的获取数据耗时长、成本高、难以保证获取数据的质量，以及基于现有深度学习方法输出的去噪后全息图获得的再现像的质量差的问题。本发明提出了HG‑Net网络结构，通过随机的调整斑点的密度和斑点的大小，将多个输入强度分布及其通过ASM传播得到的全息图作为训练数据集，以此来提高训练数据集的复杂度。利用训练数据集来训练HG‑Net网络，可以提高模型的泛化性。将HG‑Net网络输出的实部全息图和虚部全息图进行组合，获得生成的全息图，再基于生成的全息图进行数值和光学重建。本发明方法可以应用于全息图生成。

公开(公告)号：CN116362997A

公开(公告)日：2023-06-30

申请号：CN202310172943.1

申请日：2023-02-28

Applicant: 吉林大学

Inventor： 朴美兰 ,  梁超宇

IPC: G06T5/00 ,  G06N3/0455 ,  G06N3/084 ,  G03H1/32 ,  G03H1/22

Abstract: 本发明公开了一种提高数字全息再现像质量的方法，包括如下步骤：获取待处理数字全息图，数字全息图分别为含有散斑噪声的数字全息图和不含散斑噪声的数字全息图，获得神经网络训练所需的数据集；利用深度学习算法，根据具有图像去噪功能的神经网络方法对数字全息图进行去噪；对去噪后的数字全息图进行预设再现处理，得到数字全息图的再现像；根据预设图像处理算法对所述再现像去噪处理，得到最终结果。本发明基于深度学习和多子全息图重建相结合的方法来减少散斑噪声对全息重建像质量的影响，能够解决现有技术的不足和提高重建像的质量，实验证明本发明在数字全息图去除散斑噪声领域有比较好的效果，相较于传统的算法本发明优势较为明显。