1.一种基于深度学习的分数阶涡旋光相位恢复与图像恢复方法,其特征在于,包括以下步骤:首先将RGB格式的图像进行通道分离,分解成R、G、B格式,针对R、G、B格式的图像进行调制;用分数阶涡旋光束模式的存在与否来表征像素的二进制数;
基于深度学习模型,通过多次轴向测量,得到分数阶涡旋光在不同位置的光场强度图;
用不同位置的强度图分别表征不同通道下的图像信息;然后将得到的强度图输入模型,得到对应光束的相位图像;
根据相位图像中包含的涡旋强度值,对不同通道的像素进行二进制数的解码,解码完成后就得到了不同通道下的图像,再进行通道复合得到对应的原始图像。
2.根据权利要求1所述的基于深度学习的分数阶涡旋光相位恢复与图像恢复方法,其特征在于,所述深度学习模型为:首先给出损失函数:
x表示源域图像,y表示真实图片,z表示输入生成器G网络的噪声,D(x,y)表示鉴别器D网络判断真实图片是否真实的概率;G(x,z)表示G网络根据源域图像和随机噪声生成的目标域图片;而D(x,G(x,z))是D网络判断G生成图片的是否真实的概率;E代表数学期望;V(D,G)为判别器的目标函数;
基于损失函数,深度学习模型包括生成器部分和鉴别器部分;在生成器部分,分数阶涡旋光在不同位置的光场强度图作为输入图像,残余网络卷积层为涡旋束图像;卷积核执行卷积运算,然后是特征映射和重复卷积运算,模型生成器使用卷积层;将卷积步长条设置为大于1的值,允许网络自行学习下采样方法;使用bn层进行批量归一化;通过使用转置卷积层来执行反向恢复操作;
经过以上步骤,生成器实现了从图像到数据再到图像的转换;由生成器获得的图像和真实图像被输入到鉴别器;鉴别器采用马尔科夫判别器;在卷积层对输入图像进行操作之后,通过平均,最终得到大小1×1的图像,然后确定生成的图像是真还是假。
3.根据权利要求2所述的基于深度学习的分数阶涡旋光相位恢复与图像恢复方法,其特征在于,所述深度学习模型采取相似度对比方案来量化模型恢复效果,先分别求出两张图像在直方图上的概率分布,对相同位置的概率相乘,然后进行开方,再对开方后结果进行累加;如果两张图像在某一处分布概率完全一样,那么该处计算结果与任意一张图像在该处分布概率相同,如果两张图像完全相同,那么计算结果就是与任意一张图像在直方图上分布概率完全相同,累加结果必定为1;其计算公式为:其中P,P’分别代表源与候选的图像直方图数据,对每个相同数据点i乘积开平方以后相加得出的结果即为图像相似度值。
4.根据权利要求1所述的基于深度学习的分数阶涡旋光相位恢复与图像恢复方法,其特征在于,所述解码方法为:将初始拓扑荷值最大的模式作为最高位,由高到低分别进行排列;将强度图像的排布送入到PRN模型当中,分别对三种格式下的强度图像进行相位恢复;
根据恢复出来的相位图像进行解码;解码后,将得到的二进制数值再转化为十进制,将十进制数的矩阵导入MATLAB中,得到三次解调后复原图像。
5.根据权利要求2所述的基于深度学习的分数阶涡旋光相位恢复与图像恢复方法,其特征在于,所述深度学习模型的训练方法为:利用激光器发射线性偏振基模高斯光束,光束照射到反射式空间光调制器上;
反射式空间光调制器基于多场相位掩模的原理对激光束进行调制,然后产生具有不同拓扑荷的分数涡旋光束;所述不同拓扑荷的涡旋光束,通过2‑f镜头系统被CCD相机仔细记录;
在焦平面上成的像是光束的夫琅禾费衍射图样,焦平面是第一测量位置;在焦平面前、透镜后的第二测量位置得到分数阶涡旋光束的菲涅尔衍射图样;第三测量位置为透镜前,光束在自由空间中传输,不经过透镜衍射;
将得到的强度图像送入构建的深度学习模型中进行训练。
6.根据权利要求1所述的基于深度学习的分数阶涡旋光相位恢复与图像恢复方法,其特征在于,激光器发射的线性偏振基模高斯光束波长为λ=532nm,束腰半径ω0=5λ,通过半波片和光束偏振分束器的组合来控制入射光束的强度;位于半波片和光束偏振分束器之间的扩束系统包括一对透镜和一个孔径,将束腰扩大到1mm。