基于深度学习的傅里叶叠层成像技术

傅里叶叠层成像技术(FP)可重构出宽视场、高分辨率的物体幅值和相位分布,随着深度学习技术的不断发展,神经网络已成为求解计算成像中非线性逆问题的重要手段之一。针对FP系统数据特异性强、数据量少等特点,提出了一种结合计算成像先验知识和深度学习的算法,设计了基于物理模型的神经网络框架,并对仿真样本进行了验证。此外,还搭建了远场透射系统,对宏观物体的图像序列进行FP重建验证。实验结果表明,该系统能用有限的仿真与真实数据集重构出高分辨率样本的复振幅分布,且对光学像差与背景噪声的鲁棒性较强。