利用基于深度学习的自动对焦与相位恢复在全息图像重建中扩展景深
计算机视觉与模式识别
2018-12-31 v1 机器学习
光学
摘要
全息术以仅强度记录的形式编码样品的三维 (3D) 信息。然而，要从其全息图中解码出原始样品图像，需要进行自动对焦和相位恢复，这在数字上通常是繁琐且耗时的。在此，我们展示了一种基于卷积神经网络 (CNN) 的方法，该方法同时执行自动对焦和相位恢复，以显著扩展全息图像重建中的景深 (DOF)。为此，通过使用随机离焦的反向传播全息图及其对应的同焦相位恢复图像对来训练 CNN。在此训练阶段之后，CNN 将 3D 样品的单个反向传播全息图作为输入，快速实现相位恢复并在显著扩展的 DOF 上重建该样品的同焦图像。这种基于深度学习的 DOF 扩展方法是非迭代的，并将全息图像重建的算法时间复杂度从 O(nm) 显著降低至 O(1)，其中 n 指样品体积内单个物点或粒子的数量，m 代表每个物点或粒子需要单独对焦的焦距搜索空间。这些结果突显了由机器学习驱动的数据驱动统计图像重建方法所创造的一些独特机遇，我们相信所提出的方法可广泛适用于计算扩展其他成像模态的 DOF。
引用
@article{arxiv.1803.08138,
title = {Extended depth-of-field in holographic image reconstruction using deep learning based auto-focusing and phase-recovery},
author = {Yichen Wu and Yair Rivenson and Yibo Zhang and Zhensong Wei and Harun Gunaydin and Xing Lin and Aydogan Ozcan},
journal= {arXiv preprint arXiv:1803.08138},
year = {2018}
}