数字全息相位畸变补偿方法和相关装置

本发明实施例涉及数字全息，尤其涉及一种数字全息相位畸变补偿方法和相关装置。

背景技术：

1、数字全息相位畸变补偿是数字全息显微成像中的重要后处理问题，其目的是从受系统像差、参考光倾斜和高低频扰动影响的畸变相位图中恢复更加真实、平滑且可用于定量分析的相位图。

2、目前数字全息相位畸变补偿方法主要可以分为三类。第一类是基于背景区域拟合的传统补偿方法，代表方法包括平面拟合、多项式拟合、zernike多项式拟合等。这类方法通常需要先从相位图中选取无样品的背景区域，再利用背景点估计系统引入的倾斜项、离焦项或低阶像差项，最后将拟合得到的畸变背景从原始相位图中减去，从而实现相位畸变补偿。第二类是基于频域滤波或参考全息图校正的方法，这类方法通过频谱滤波、参考相位相减或系统标定来减弱相位图中的背景弯曲和周期性扰动，但其补偿效果依赖于光路稳定性、滤波参数以及参考数据质量。第三类是基于深度学习的相位补偿方法，这类方法通过构建畸变相位图和理想相位图之间的非线性映射，利用训练好的神经网络直接预测补偿后的相位图。现有方法虽然能够在一定条件下实现相位畸变补偿，但仍存在明显不足。传统拟合方法依赖人工选取背景区域，当样品区域较大、背景区域不足或样品边界复杂时，容易出现拟合不准确的问题；频域滤波方法对参数设置敏感，可能在去除畸变的同时损失样品真实细节；普通深度学习网络虽然能够实现端到端预测，但对数字全息相位图中同时存在的低阶全局畸变和高阶局部扰动时，容易出现欠补偿、过补偿或样本真实相位被误当作畸变去除的问题，补偿结果的稳定性和泛化能力有限。

技术实现思路

1、本发明实施例提供了一种数字全息相位畸变补偿方法和相关装置，能够利用训练好的深度学习网络模型可由含畸变相位图一步预测出无畸变相位图，模型中的rsunet模块能够提取多尺度相位特征，ssblock模块能够进行空间长程依赖和频率分解建模,从而提升预测相位的连续性、局部细节保持能力和真实数据泛化能力，使得在复杂样本、非均匀相位背景和多阶畸变场景下具有更好的补偿精度、鲁棒性和稳定性，能够更有效地保留样本真实相位结构并去除相位畸变。

2、第一方面，本发明实施例提供了一种数字全息相位畸变补偿方法，包括：

3、获取含畸变解包裹相位图；

4、将所述含畸变解包裹相位图输入至预先训练好的深度学习网络模型进行相位畸变补偿，输出绝对相位图，其中，所述深度学习网络模型采用sfunet网络，所述深度学习网络模型包括编码器和解码器，所述编码器和所述解码器跳跃连接，所述编码器和所述解码器均采用rsblock模块，所述rsblock模块用于提取多尺度相位特征，所述编码器和所述解码器之间最深层瓶颈位置设有ssblock模块，所述ssblock模块用于空间-频谱联合建模，所述深度学习网络模型是基于平滑l1损失函数采用相位补偿数据集进行训练而得到。

5、在一些实施例中，所述深度学习网络模型的训练方法包括：

6、通过多个随机结构叠加生成预设大小的纯净相位图，其中，所述随机结构包括工业形貌结构和生物细胞结构；

7、对所述纯净相位图进行归一化处理，得到归一化结果；

8、将所述归一化结果映射到设定的相位幅值范围内，得到无畸变纯净相位图；

9、构建一阶至四阶多项式相位畸变面；

10、将所述相位畸变面叠加到所述无畸变纯净相位图上，得到含畸变相位图；

11、将所述含畸变相位图映射到 (-π,π] 区间，得到相位补偿数据集；

12、基于所述相位补偿数据集对所述深度学习网络模型进行训练，得到训练好的深度学习网络模型。

13、在一些实施例中，所述编码器和所述解码器采用六层跳跃连接，从上至下第一层至第五层采用所述rsblock模块，第六层采用所述ssblock模块，所述ssblock模块通过mamba空间状态建模和小波频率分解实现空间-频率双域联合补偿。

14、在一些实施例中，所述rsblock模块由一个1×1残差投影分支和四个不同深度的深度可分离卷积分支组成，各个所述深度可分离卷积分支后引入se注意力模块进行通道重标定。

15、在一些实施例中，所述ssblock模块包括sssm分支和fdsm分支，所述sssm分支使用mamba状态空间模型对展平后的空间序列进行长距离依赖建模，用于捕获全局相位畸变趋势；所述fdsm分支通过离散小波变换将特征分解为低频和高频子带，用于增强频域结构表达。

16、在一些实施例中，所述ssblock模块包括sssm分支和fdsm分支，所述sssm分支使用transformer长程注意力模块或大卷积核上下文模块对展平后的空间序列进行长距离依赖建模，用于捕获全局相位畸变趋势；所述fdsm分支通过离散余弦变换、傅里叶变换、多尺度小波包或可学习滤波器组将特征分解为低频和高频子带，用于增强频域结构表达。

17、在一些实施例中，所述平滑l1损失函数表示为：

18、

19、其中，为第i个像素的预测误差，，为参与损失计算的像素总数，为分段误差函数，所述表示为：

20、

21、所述平滑l1损失函数在预测误差小于1时表现为平方误差，在预测误差大于等于1时表现为绝对误差。

22、第二方面，本发明实施例还提供了一种数字全息相位畸变补偿装置，所述装置包括：

23、获取模块，用于获取含畸变解包裹相位图；

24、处理模块，用于将所述含畸变解包裹相位图输入至预先训练好的深度学习网络模型进行相位畸变补偿，输出绝对相位图，其中，所述深度学习网络模型采用sfunet网络，所述深度学习网络模型包括编码器和解码器，所述编码器和所述解码器跳跃连接，所述编码器和所述解码器均采用rsblock模块，所述rsblock模块用于提取多尺度相位特征，所述编码器和所述解码器之间最深层瓶颈位置设有ssblock模块，所述ssblock模块用于空间-频谱联合建模，所述深度学习网络模型是基于平滑l1损失函数采用相位补偿数据集进行训练而得到。

25、第三方面，本发明实施例还提供了一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如第一方面所述的数字全息相位畸变补偿方法。

26、第四方面，本发明实施例还提供了一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行如第一方面所述的数字全息相位畸变补偿方法。

27、根据本发明实施例提供的数字全息相位畸变补偿方法和相关装置，其中，数字全息相位畸变补偿方法包括：获取含畸变解包裹相位图；将含畸变解包裹相位图输入至预先训练好的深度学习网络模型进行相位畸变补偿，输出绝对相位图，其中，深度学习网络模型采用sfunet网络，深度学习网络模型包括编码器和解码器，编码器和解码器跳跃连接，编码器和解码器均采用rsblock模块，rsblock模块用于提取多尺度相位特征，编码器和解码器之间最深层瓶颈位置设有ssblock模块，ssblock模块用于空间-频谱联合建模，深度学习网络模型是基于平滑l1损失函数采用相位补偿数据集进行训练而得到。基于此，本发明实施例能够利用训练好的深度学习网络模型可由含畸变相位图一步预测出无畸变相位图，模型中的rsunet模块能够提取多尺度相位特征，ssblock模块能够进行空间长程依赖和频率分解建模,从而提升预测相位的连续性、局部细节保持能力和真实数据泛化能力，使得在复杂样本、非均匀相位背景和多阶畸变场景下具有更好的补偿精度、鲁棒性和稳定性，能够更有效地保留样本真实相位结构并去除相位畸变。