基于深度学习-压缩感知网络的大视场三维散射计算成像研究

The existence of scattering makes it impossible to obtain ideal optical imaging through scattering media. How to overcome the influence of scattering is an important scientific problem in the frontier research of high quality optical imaging. For scattering imaging, conventional techniques mainly focus on the study of small imaging field of view and single wavelength illumination. At present, there is no relative technology for colorful 3-D topography imaging with large field of view, and the imaging quality and speed are often limited. In recent years, computational imaging has developed rapidly because of its good universality in complex optical propagation systems, which has significant enlightenments for scattering imaging. This project intends to combine the advantages of two computing frameworks, i.e. deep learning and compressed sensing, thereby studying a fast computational imaging technology based on deep learning-compressed sensing network, which can adaptively optimize the parameters to improve the computational accuracy and realize the fastly and colorful computational imaging with large field of view through scattering media. By combining color topography imaging with multi-wavelength digital holography, the problem of insufficient depth information in scattering imaging is solved. Then the blind sparse deconvolution and noise reduction technology are also used to improve the quality of scattering imaging on the basis of fast and accurate reconstruction. This research will lay a good technical foundation for the development of new practical scattering imaging technology.

散射的存在使我们无法获得透过散射介质的理想光学成像，如何克服散射的影响是实现高质量光学成像前沿研究的重要科学问题。针对散射成像，常规技术主要集中于较小成像视场和单波长光照明研究，目前缺乏大视场彩色三维成像技术的支撑，且成像质量与速度受到限制。近年来，计算成像因其在复杂光学传播系统中具有良好的普适性而迅速发展，对散射成像有积极的借鉴意义。本项目拟联合深度学习与压缩感知两种计算框架的优势，研究一种基于深度学习-压缩感知网络的大视场散射快速计算成像技术，通过自适应最优化学习求解参数以提高计算精度，同时实现透过散射介质的大视场、快速、彩色计算成像。结合多波长数字全息三维彩色形貌成像，解决散射成像中目标深度信息不足的问题，并利用盲稀疏解卷与降噪技术，在快速精准重构的基础上使得散射成像的视场、质量得到双方面提升。本项目的研究将为新型实用化散射成像技术的发展打下良好的理论和技术基础。

作为获取事物信息的重要途径，光学应用深受散射的影响。如何克服散射的影响是实现高质量光学成像前沿研究的重要科学问题。近年来，借助于计算光学成像技术，计算显微成像利用简单光学系统直接获取高性能影像的成像过程，其赋予了传统显微镜无法具有的新颖成像功能，对散射成像有积极的借鉴意义。计算显微成像可具有大视场成像、快速获取三维显微信息等能力，继而可利用二维图像传感器同时记录成像的空间、角度等四维光场信息，以及允许对获取的光场图像经不同的后期处理从而实现多视角成像、数字重聚焦成像等新功能。本项目在充分探讨国内外技术前沿的基础上，深入系统研究计算光学显微成像及散射成像关键技术，旨在解决显微成像相关理论与实际应用方面的若干关键问题：1）研究了基于压缩感知的高分辨高信噪比计算显微成像方法以及散射介质后相位定量成像方法，其使用压缩感知来高精度估计出散射介质后成像系统的传输矩阵，并利用该传输矩阵可以定量地从散射介质后提取目标相位信息；2）研究了基于深度学习的快速计算显微成像方法，包括散射介质后目标高速成像，转盘共焦显微三维高速成像、低数据量全彩宽场显微光切片成像。本项目将深度学习与散射成像等相结合，以省略传统方法中扫描步骤和迭代算法，继而使显微具有单帧成像模式、亚秒图像重建和低数据量等特性，因而更适合高速成像。3）研究了深度学习-压缩感知网络的鲁棒三维显微成像方法，提出基于非训练神经网络的一次快拍双波长数字全息成像。该技术使用未经训练的深层神经网络进行计算形成，该过程封装了图像的先验信息和成像的物理过程。该技术不需要任何训练数据，同时通过调整网络的权值来重建目标的相位信息。与其它方法相比，该技术能够有效抑制双波长同轴数字全息的孪生像与扩大噪声，因而表现出较好的鲁棒性。通过本项目研究，希望为计算光学显微成像及散射成像提供新的思路和手段。