本发明涉及数字全息图像技术领域，尤其是一种基于深度学习的数字全息图像重建方法。
背景技术：
数字全息图像是利用光电传感器件记录，并在计算机中生成的全息图像，这种全息图像存储方便、适合根据使用需要进行各种后处理，被广泛应用于生物医学、科研实验等多个领域。为了提高数字全息图像的清晰度，通常需要对数字全息图像进行重建，而现有的重建方法鲁棒性不高，对输入的图像要求较多，限制了数字全息图像的应用。
技术实现要素：
本发明要解决的技术问题是提供一种基于深度学习的数字全息图像重建方法，能够解决现有技术的不足，提高了重建方法的鲁棒性。
为解决上述技术问题，本发明所采取的技术方案如下。
一种基于深度学习的数字全息图像重建方法，包括以下步骤：
a、对参考数字全息图像进行下采样，获得低分辨率样本集；
b、建立神经网络模型，神经网络模型由两个输入层、一个卷积层、一个反馈层、一个激活层、一个池化层和一个输出层组成；
c、将参考数字全息图像进行分组，分为与低分辨率样本集线性相关组和与低分辨率样本集非线性相关组，分别将两组数据通过低分辨率样本集进行置乱处理，得到两组训练数据集；
d、使用两组训练数据集分别从两个输入层输入，对神经网络模型进行训练，直至输出层达到预设精度；
e、将待处理数字全息图像以及其低分辨率样本集输入神经网络模型，经过神经网络模型处理得到重建后的数字全息图像。
作为优选，步骤b中，神经网络模型的损失函数l为，
其中，n为训练次数，f为低分辨率图像到高分辨率图像的映射，xi为与低分辨率样本集线性相关组置乱处理后的数据，yi为与低分辨率样本集非线性相关组置乱处理后的数据，θ为权重；
神经网络模型的激活函数h为，
其中，k1和k2为常数，y为饱和值，
作为优选，所述卷积层的卷积核的大小为m*n，m：n的值与低分辨率样本的分辨率相等。
作为优选，步骤c中，在对数字全息图像进行分组前，对数字全息图像进行低通滤波处理。
作为优选，步骤d中，在每一次训练之后，对权重θ进行调整，权重θ的单次调整量不大于第一设定阈值，权重θ的总调整量不大于第二设定阈值，第二设定阈值小于第一设定阈值。
采用上述技术方案所带来的有益效果在于：本发明采用深度学习的方式对数字全息图像进行重建。为了提高重建过程的鲁棒性，本发明采用双输入的神经网络模型，通过优化神经网络模型的结构和参数，有效避免了传统的神经网络模型过于依赖训练收敛的问题，提高了对于输入图像的鲁棒性。
附图说明
图1是本发明一个具体实施方式的原理图。
具体实施方式
参照图1，本发明一个具体实施方式包括以下步骤：
a、对参考数字全息图像进行下采样，获得低分辨率样本集；
b、建立神经网络模型，神经网络模型由两个输入层、一个卷积层、一个反馈层、一个激活层、一个池化层和一个输出层组成；
c、将参考数字全息图像进行分组，分为与低分辨率样本集线性相关组和与低分辨率样本集非线性相关组，分别将两组数据通过低分辨率样本集进行置乱处理，得到两组训练数据集；
d、使用两组训练数据集分别从两个输入层输入，对神经网络模型进行训练，直至输出层达到预设精度；
e、将待处理数字全息图像以及其低分辨率样本集输入神经网络模型，经过神经网络模型处理得到重建后的数字全息图像。
步骤b中，神经网络模型的损失函数l为，
其中，n为训练次数，f为低分辨率图像到高分辨率图像的映射，xi为与低分辨率样本集线性相关组置乱处理后的数据，yi为与低分辨率样本集非线性相关组置乱处理后的数据，θ为权重；
神经网络模型的激活函数h为，
其中，k1和k2为常数，y为饱和值，
所述卷积层的卷积核的大小为m*n，m：n的值与低分辨率样本的分辨率相等。
步骤c中，在对数字全息图像进行分组前，对数字全息图像进行低通滤波处理。
步骤d中，在每一次训练之后，对权重θ进行调整，权重θ的单次调整量不大于第一设定阈值，权重θ的总调整量不大于第二设定阈值，第二设定阈值小于第一设定阈值。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
1.一种基于深度学习的数字全息图像重建方法，其特征在于包括以下步骤：
a、对参考数字全息图像进行下采样，获得低分辨率样本集；
b、建立神经网络模型，神经网络模型由两个输入层、一个卷积层、一个反馈层、一个激活层、一个池化层和一个输出层组成；
c、将参考数字全息图像进行分组，分为与低分辨率样本集线性相关组和与低分辨率样本集非线性相关组，分别将两组数据通过低分辨率样本集进行置乱处理，得到两组训练数据集；
d、使用两组训练数据集分别从两个输入层输入，对神经网络模型进行训练，直至输出层达到预设精度；
e、将待处理数字全息图像以及其低分辨率样本集输入神经网络模型，经过神经网络模型处理得到重建后的数字全息图像。
2.根据权利要求1所述的基于深度学习的数字全息图像重建方法，其特征在于：步骤b中，神经网络模型的损失函数l为，
其中，n为训练次数，f为低分辨率图像到高分辨率图像的映射，xi为与低分辨率样本集线性相关组置乱处理后的数据，yi为与低分辨率样本集非线性相关组置乱处理后的数据，θ为权重；
神经网络模型的激活函数h为，
其中，k1和k2为常数，y为饱和值，
3.根据权利要求2所述的基于深度学习的数字全息图像重建方法，其特征在于：所述卷积层的卷积核的大小为m*n，m：n的值与低分辨率样本的分辨率相等。
4.根据权利要求3所述的基于深度学习的数字全息图像重建方法，其特征在于：步骤c中，在对数字全息图像进行分组前，对数字全息图像进行低通滤波处理。
5.根据权利要求4所述的基于深度学习的数字全息图像重建方法，其特征在于：步骤d中，在每一次训练之后，对权重θ进行调整，权重θ的单次调整量不大于第一设定阈值，权重θ的总调整量不大于第二设定阈值，第二设定阈值小于第一设定阈值。
技术总结