Научно-технический
«ОПТИЧЕСКИЙ ЖУРНАЛ»
издается с 1931 года
 
   
Русский вариант сайта Английский вариант сайта
   
       
   
       
Статьи последнего выпуска

Электронные версии
выпусков начиная с 2008


Алфавитный указатель
2000-2010 гг


444
Архив оглавлений
выпусков 2002-2007 гг


Реквизиты и адреса

Вниманию авторов и рецензентов!
- Порядок публикации
- Порядок рецензирования статей
- Типовой договор
- Правила оформления
- Получение авторского вознаграждения
- Редакционная этика


Контакты

Подписка

Карта сайта




Журнал с 01.12.2015 допущен ВАК для публикации основных результатов диссертаций как издание, входящее в международные реферативные базы систем цитирования (Web Science, Scopus) (см. Vak.ed.gov.ru Перечень журналов МБД 16.03.2018г)

Аннотации (09.2022) : Нейросетевая реконструкция сцен с цифровых голограмм на основе извлечения амплитуды и фазы

Нейросетевая реконструкция сцен с цифровых голограмм на основе извлечения амплитуды и фазы

DOI: 10.17586/1023-5086-2022-89-09-11-19

УДК 535.8 004.93

Дмитрий Андреевич Рымов1, Ростислав Сергеевич Стариков2, Павел Аркадьевич Черёмхин3*

 

Национальный исследовательский ядерный университет «МИФИ», Москва, Россия

1rymov.d.a@gmail.com https://orcid.org/0000-0003-0914-9736

2rstarikov@mail.ru        https://orcid.org/0000-0002-7369-1565

3cheremhinpavel@mail.ru            https://orcid.org/0000-0003-3556-2663

Аннотация

Предмет исследования. Возможности восстановления изображений с цифровых голограмм на основе нейронных сетей, а также улучшение качества полученных восстановленных изображений. Цель работы. Разработка метода восстановления изображений с цифровых голограмм двумерных и трехмерных сцен на основе нейронных сетей и извлечения амплитуды и фазы волны информативного порядка дифракции. Метод. В основе метода лежит извлечение из цифровой голограммы амплитуды и фазы только информативного порядка дифракции. Извлеченные амплитуда и фаза могут затем быть использованы для восстановления изображений объекта или сечений трехмерной сцены, свободных от нежелательных порядков дифракции. В качестве информации, подаваемой на вход нейронной сети, используется изображение цифровой голограммы, которое преобразуется на ее выходе в амплитудную и фазовую составляющие информативного порядка дифракции. Основные результаты. Разработанный метод был применен для восстановления изображений с голограмм двумерных и трехмерных сцен. Обучающий набор состоял из голограмм, каждая из которых содержала одну или несколько объектных плоских сцен. Метод обеспечил не только восстановление изображений объектов, но и подавление нежелательных порядков дифракции на изображении. По всем метрикам предлагаемый метод продемонстрировал более высокое качество восстановления, чем стандартный метод расчетом распространения излучения. Практическая значимость. Предложенный метод можно использовать для восстановления изображений с цифровых голограмм. Так, при восстановлении изображения объекта на осевых голограммах оно может быть полностью перекрыто нежелательными порядками дифракции (особенно нулевым), а методы подавления этих порядков могут быть сложны в использовании и/или требовать регистрации нескольких голограмм. Разработанный метод может напрямую извлечь объектную информацию из одиночной голограммы без применения дополнительной фильтрации.

Ключевые слова: цифровая голография, машинное обучение, трехмерная сцена, нейронные сети, реконструкция изображения

Благодарность: работа выполнена при финансовой поддержке Российского научного фонда, грант № 20-79-00291.

Ссылка для цитирования: Рымов Д.А., Стариков Р.С., Черёмхин П.А. Нейросетевая реконструкция сцен с цифровых голограмм на основе извлечения амплитуды и фазы // Оптический журнал. 2022. Т. 89. № 9. С. 11–19. DOI: 10.17586/1023-5086-2022-89-09-11-19

Коды OCIS: 090.1995, 110.4280, 230.5160, 090.1760

 

Список источников 

1.    Ma W., Liu Z., Kudyshev Z.A., Boltasseva A., Cai W., Liu Y. Deep learning for the design of photonic structures // Nature Photonics. 2021. V. 15. № 2. P. 77–90. https://doi.org/10.1038/s41566-020-0685-y

2.   Genty G., Salmela L., Dudley J.M., Brunner D., Kokhanovskiy A., Kobtsev S., Turitsyn S.K. Machine learning and applications in ultrafast photonics // Nature Photonics. 2021. V. 15. № 2. P. 91–101. https://doi.org/10.1038/s41566-020-00716-4

3.   Szegedy C., Ioffe S., Vanhoucke V., and Alemi A.A. Inception-v4, inception-ResNet and the impact of residual connections on learning // Proc. 31st AAAI Conf. Artificial Intelligence. 2017. P. 4278–4284. https://doi.org/10.48550/arXiv.1602.07261

4.   Альес М.Ю., Антонов Е.А., Калугин А.И., Зарипов М.Р. Применение искусственных нейронных сетей для анализа мультиспектральных изображений // Оптический журнал. 2021. Т. 88. № 8. С. 48–53. DOI: 10.17586/1023-5086-2021-88-08-48-53

5.   Xie L., Lee F., Liu L., Kotani K., Chen Q. Scene recognition: A comprehensive survey // Pattern Recognition. 2020. V. 102. P. 107205. https://doi.org/10.1016/j.patcog.2020.107205

6.   Liu T., de Haan K., Rivenson Y., et al. Deep learning-based superresolution in coherent imaging systems // Scientific Reports. 2019. V. 9. P. 3926. https://doi.org/10.1038/s41598-019-40554-1

7.    Li S., Zhu W., Zhang B., Yang X., Chen M. Depth map denoising using a bilateral filter and a progressive CNN // JOT. 2020. V. 87. № 6. P. 361–364. https://doi.org/10.1364/JOT.87.000361

8.   Cheremkhin P.A., Evtikhiev N.N., Krasnov V.V., Rodin V.G., Rymov D.A., Starikov R.S. Machine learning methods for digital holography and diffractive optics // Proc. Computer Sci. 2020. V. 169. P. 440–444. https://doi.org/10.1016/j.procs.2020.02.243

9.   Hossein E.M., Caira W.N., Atisa M., Chakravarthula P., Pégard C.N. DeepCGH: 3D computer-generated holography using deep learning // Opt. Exp. 2020. V. 28. P. 26636–26650. https://doi.org/10.1364/OE.399624

10. Zeng T., Zhu Y., Lam E.Y. Deep learning for digital holography: A review // Opt. Exp. 2021. V. 29. P. 40572–40593. https://doi.org/10.1364/OE.443367

11.  Kaiqiang W., Jiazhen D., Qian K., Jianglei D., Jianlin Zh. Y-Net: A one-to-two deep learning framework for digital holographic reconstruction // Opt. Lett. 2019. V. 44. P. 4765–4768. https://doi.org/10.1364/OL.44.004765

12.  Wang H., Lyu M., and Situ G. eHoloNet: A learning-based end-to-end approach for in-line digital holographic reconstruction // Opt. Exp. 2018. V. 26. P. 22603–22614. https://doi.org/10.1364/OE.26.022603

13.  Schnars U., Falldorf C., Watson J., Jüptner W. Digital holography and wavefront sensing: Principles, techniques and applications. Berlin Heidelberg: Springer-Verlag, 2015. 226 p. https://doi.org/10.1007/978-3-662-44693-5

14.  Ioffe S., Szegedy Ch. Batch normalization: Accelerating deep network training by reducing internal covariate shift // Proc. 32nd Internat. Conf. Machine Learning. 2015. V. 37. P. 448–456.

15.  Ding B., Qian H., Zhou J. Activation functions and their characteristics in deep neural networks // Chinese Control and Decision Conf. (CCDC). 2018. P. 1836–1841. https://doi.org/10.1109/ccdc.2018.8407425

16.  Ronneberger O., Fischer T., Brox T. U-Net: Convolutional networks for biomedical image segmentation // Int. Conf. Med. Image Comput. Comput. Interv. 2015. V. 9351. P. 234–241. https://doi.org/10.48550/arXiv.1505.04597

17.  Verrier N., Atlan M. Off-axis digital hologram reconstruction: Some practical considerations // Appl. Opt. 2011. V. 50. P. H136–H146. https://doi.org/10.1364/AO.50.00H136

18. Pavillon N., Seelamantula C.S., Kühn J., Unser M., Depeursinge C. Suppression of the zero-order term in off-axis digital holography through non-linear filtering // Appl. Opt. 2009. V. 48. P. H186–H195. https://doi.org/10.1364/AO.48.00H186

19.  Wang Z., Bovik A.C., Sheikh H.R., Simoncelli E.P. Image quality assessment: From error visibility to structural similarity // IEEE Trans. Image Process. 2004. V. 13. № 4. P. 600–612. https://doi.org/10.1109/TIP.2003.819861

20. Gonzalez R.C., Woods R.E. Thresholding. Digital Image Processing, 4th ed. N.Y.: Pearson, 2018. 1022 p.