本申请提供光学传输矩阵测量模型训练方法、矩阵测量方法及设备,训练方法包括:采用各个图像各自经光纤成像系统传输后分别对应的散射光斑幅值以及各个所述图像各自对应的平面幅值和平面相位,对相接的第一物理信息神经网络和测量幅值迭代计算模块进行训练以得到幅值测量模型;基于幅值测量模型输出的目标测量幅值训练第二物理信息神经网络,以用于根据所述测量幅值对应输出光学传输矩阵的目标测量相位的相位测量模型。本申请能够减少训练光学传输矩阵测量模型所需的数据量,能够有效降低所需设备的复杂性要求,进而能够有效提高光学传输矩阵测量模型训练过程的可靠性及有效性,并能够保证采用训练得到的测量模型进行光学传输矩阵测量的精度。
背景技术
随着全球信息技术的不断发展,光互连信号处理已成为信息数字化领域的重要组成部分。在光学图像传输系统中,入射光携带的目标信息经过散射介质后输出为光场,其呈现为复杂的散斑分布,但依然保留了输入光的初始信息。因此,利用散射光重建目标信息已成为研究热点。光在散射介质中的传输深度直接影响弹道光成像的有效性,而散射过程的确定性也使得利用散射光实现聚焦或成像成为可能。
散射介质的光学传输矩阵包含多个本征通道,每个通道对应不同的传输透过率和输出光场。因此,通过对光学传输矩阵的研究,可实现输出光场能量的调控或光场分布的调制。此外,光学散斑的基本特性及其技术应用在光学领域也引起广泛关注。尽管散斑图案的形成本质上是随机的,但其表现出可预测的特性,代表了无序系统中相干波动力学的共性,使得散斑图案成为光学镊子、成像技术以及冷原子随机势领域的关键工具。光学传输矩阵是这种特性的定性与定量分析工具。
然而,传统的光学传输矩阵测量方法往往难以实现精确的包含有幅值及相位的光学传输矩阵的全息测量,这对有效重建散射光信号构成重大挑战。此外,这类方法通常需要大量复杂的采集数据,数据量往往是图像分辨率像素数量的数倍,或需要高精度的强度—相位对进行矩阵的全息重建。以上要求不仅增加了采集时间,还对设备复杂性提出了更高要求,限制了该方法在实际应用中的可行性。因此,在保证光学传输矩阵测量精度的前提下,减少采集数据量和降低设备要求是当前研究的重点方向。
实现思路