-
公开(公告)号：CN112884677A
公开(公告)日：2021-06-01
申请号：CN202110308146.2
申请日：2021-03-23
申请人： 中国工程物理研究院流体物理研究所 , 西北工业大学
摘要： 本发明公开了基于光学合成孔径成像的图像复原处理方法，涉及图像复原领域，解决了系统噪音导致成像结果清晰度影响严重，先验信息要求、噪声影响、复原耗时和复原效果不稳定的问题。本发明包括利用步骤A中得到的图像数据集，采用Adam优化器对RestoreNet‑Plus网络进行分步训练，优先训练DenoiseNet网络的过程中，在数据集输入上加入随机噪声作为DenoiseNet网络的训练输入，将数据集输入作为DenioseNet网络的训练标签；其后训练DeblurNet网络的过程中，数据集输入会先经过DenoiseNet网络的运算处理抑制噪声，将DenoiseNet网络的输出作为DeblurNet网络训练输入，数据集标签作为DeblurNet网络训练标签。本发明无先验信息要求，克服成像系统噪声影响，复原耗时少和复原效果稳定。
-
公开(公告)号：CN112884677B
公开(公告)日：2022-05-24
申请号：CN202110308146.2
申请日：2021-03-23
申请人： 中国工程物理研究院流体物理研究所 , 西北工业大学
摘要： 本发明公开了基于光学合成孔径成像的图像复原处理方法，涉及图像复原领域，解决了系统噪音导致成像结果清晰度影响严重，先验信息要求、噪声影响、复原耗时和复原效果不稳定的问题。本发明包括利用步骤A中得到的图像数据集，采用Adam优化器对RestoreNet‑Plus网络进行分步训练，优先训练DenoiseNet网络的过程中，在数据集输入上加入随机噪声作为DenoiseNet网络的训练输入，将数据集输入作为DenioseNet网络的训练标签；其后训练DeblurNet网络的过程中，数据集输入会先经过DenoiseNet网络的运算处理抑制噪声，将DenoiseNet网络的输出作为DeblurNet网络训练输入，数据集标签作为DeblurNet网络训练标签。本发明无先验信息要求，克服成像系统噪声影响，复原耗时少和复原效果稳定。
-
公开(公告)号：CN116523791A
公开(公告)日：2023-08-01
申请号：CN202310515118.7
申请日：2023-05-09
申请人： 西北工业大学
IPC分类号： G06T5/00 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/08
摘要： 本发明公开了一种非配对数据监督优化的合成孔径系统图像复原方法，涉及图像复原领域，其技术特征在于：针对光学合成孔径成像系统的成像模糊和噪声干扰问题，将成像所得降质目标A与易获得的清晰目标B组成非配对图像数据。进一步，将计算模拟所得降质目标B与降质目标A共同输入网络，清晰目标B作为监督，并对复原图像施加正则约束，共同监督优化网络参数，最终实现降质目标的图像复原。该方法的优势在于抗噪声能力更强，无需系统的点扩散函数已知和人工针对性调参，也无需对应的清晰目标A，仅需非配对的降质目标A与清晰目标B即可实现图像复原，且能泛化到其他目标和系统，适用于光学合成孔径系统的直接成像场景。
-
公开(公告)号：CN113252292A
公开(公告)日：2021-08-13
申请号：CN202110506790.0
申请日：2021-05-10
申请人： 西北工业大学
摘要： 本发明公开了一种基于卷积神经网络的复杂流场测量方法与系统，利用波前传感器获取数据对神经网络进行训练，训练完的神经网络可以直接从经过动态流场后畸变的物体图像测量出复杂流场的实时相位图，通过测量复杂流场的实时相位图，分析相位的幅值和变化频率来测量流场，能够完成复杂流场的测量。该方法用于测量流场的光路简单，神经网络一经训练完成，就可以直接使用，计算快，可以完全复杂昂贵的波前传感器。
-
公开(公告)号：CN113223106A
公开(公告)日：2021-08-06
申请号：CN202110494353.1
申请日：2021-05-07
申请人： 西北工业大学
摘要： 本发明公开了一种基于深度学习的少角度数字全息层析重建算法，通过构建深度卷积神经网络模型，建立少角度下层析重建的模拟数据集和实验数据集并对网络进行训练，在投影数据较少情况下，快速高效地对图像进行高质量三维重建。该方法不需要采集大量角度的弦图，计算迅速，不需迭代，降低环境对装置的影响，提高系统稳定性和测量精度。
-
公开(公告)号：CN115585749A
公开(公告)日：2023-01-10
申请号：CN202211283527.0
申请日：2022-10-20
申请人： 西北工业大学
摘要： 本发明公开了一种基于神经网络优化的相位像差校正算法，涉及数字全息测量领域，其技术特征在于：使用数字全息术测量并处理后，得到解包裹后的带相位像差的物体相位像。建立神经网络模型，将网络的输出确定为一组向量，并根据Zernike像差模型转化为拟合相位。计算带相位像差的物体相位像与拟合相位的差值作为残差物体相位像，构建多域损失约束对其进行约束推动网络参数优化，直至得到相位像差校正的物体相位像。该方法的优势在于不受物体相位是微扰的假设影响，无需复杂调参也无需额外的图像分割算法，摆脱了深度学习算法对大量数据的依赖和泛化能力差的缺陷，适用于单幅或多幅的各类物体，能够实现相位像差的快速拟合和精确校正。
-
公开(公告)号：CN113238076B
公开(公告)日：2022-12-06
申请号：CN202110506788.3
申请日：2021-05-10
申请人： 西北工业大学
摘要： 本发明公开了一种基于深度学习的复杂流场测量方法与系统，利用数字全息光路获取数据对神经网络进行训练，训练完的神经网络可以直接从经过动态流场后畸变的物体图像测量出复杂流场的实时相位图，通过测量复杂流场的实时相位图，分析相位的幅值和变化频率来测量流场，能够完成复杂流场的测量。该方法用于测量流场的光路简单(只在制作训练样本时用到的光路复杂)，神经网络一经训练完成，就可以直接使用，计算快，可以完全脱离全息技术等干涉测量方法。
-
公开(公告)号：CN113066170A
公开(公告)日：2021-07-02
申请号：CN202110410841.X
申请日：2021-04-15
申请人： 西北工业大学
摘要： 本发明公开了一种基于深度学习的微分干涉相衬成像方法，通过该方式可以将普通明场图像处理为微分干涉相衬图像，实现物体的伪三维立体效果，增强相位型物体的显示效果。通过同时采集若干幅相位型样本的普通明场图像和与之对应的微分干涉图像，获得数据集合，并通过构建的神经网络对微分干涉相衬成像方式进行学习。训练完成之后，只需要一幅在焦的强度图就可以实现物体的伪三维立体效果，计算速度快，恢复准确度高，同时结合普通明场显微镜，增强了对相位型物体的观察能力，拓展以往明场显微镜的功能。
-
公开(公告)号：CN113239614A
公开(公告)日：2021-08-10
申请号：CN202110433347.5
申请日：2021-04-22
申请人： 西北工业大学
IPC分类号： G06F30/27 , G06N3/04 , G06N3/08 , G01J9/00 , G06F113/08
摘要： 本发明提供了一种大气湍流相位时空预估方法，获取大气湍流所引入的大气湍流相位图，并处理成N份等长的大气湍流相位图数据，每一份数据均包括大气湍流相位图序列和下一时段大气湍流相位图，建立神经网络模型，将大气湍流相位图序列作为网络输入，将下一时段大气湍流相位图作为网络黄金标准，计算网络输出与黄金标准的损失函数值，并将损失函数值的梯度反向传播以更新网络模型的参数；实测一段大气湍流相位图输入网络模型，得到下一时段的大气湍流相位图。本发明有利于保证自适应光学系统相位测量的实时性。
-
公开(公告)号：CN113238076A
公开(公告)日：2021-08-10
申请号：CN202110506788.3
申请日：2021-05-10
申请人： 西北工业大学
摘要： 本发明公开了一种基于深度学习的复杂流场测量方法与系统，利用数字全息光路获取数据对神经网络进行训练，训练完的神经网络可以直接从经过动态流场后畸变的物体图像测量出复杂流场的实时相位图，通过测量复杂流场的实时相位图，分析相位的幅值和变化频率来测量流场，能够完成复杂流场的测量。该方法用于测量流场的光路简单(只在制作训练样本时用到的光路复杂)，神经网络一经训练完成，就可以直接使用，计算快，可以完全脱离全息技术等干涉测量方法。
-
-
-
-
-
-
-
-
-
搜索结果
10 条记录 (耗时 0.045 秒)