基于深度学习的非相干无透镜成像技术研究(精)/清华大学优秀博士学位论文丛书

基于编码掩模的无透镜 成像技术是计算光学成像的 一个重要分支，采用轻薄化 光学元件代替透镜或透镜组 对场景图像进行编码，可以 显著减小成像系统的体积和 重量，该技术在移动终端、 物联网传感器、内窥镜等领 域有着广阔的应用前景。当 前，无透镜成像技术在重建 质量和计算效率上还无法满 足实际应用的需求，而深度 学习技术的发展有望突破无 透镜成像技术的瓶颈。本书 围绕非相干无透镜成像技术 中图像重建质量和计算效率 提升两个核心问题，开展了 基于深度学习的菲涅耳孔径 编码和无透镜光纤束成像技 术研究，对推动成像器件与 系统的智能化、小型化和集 成化发展有着重要意义。 本书可为从事计算光学 成像工作的研究生、工程技 术人员和学者提供参考。

第1章 绪论 1.1 研究背景 1.2 无透镜成像技术发展综述 1.2.1 照明调制无透镜成像技术 1.2.2 掩模调制无透镜成像技术 1.3 深度学习技术在无透镜成像中的应用 1.4 非相干无透镜成像面临的挑战 1.5 本书内容 第2章 非相干无透镜计算成像理论框架 2.1 本章引言 2.2 逆问题及其求解方法 2.2.1 逆问题的不适定性 2.2.2 线性逆问题求解的正则化方法 2.3 深度学习在逆问题求解中的应用 2.3.1 神经网络的典型结构 2.3.2 神经网络的损失函数 2.3.3 神经网络的优化算法 2.4 编码掩模无透镜成像模型 2.4.1 成像模型和参数 2.4.2 掩模版评价函数 2.5 本章小结 第3章 单帧菲涅耳孔径编码成像方法 3.1 本章引言 3.2 菲涅耳孔径编码成像模型 3.2.1 菲涅耳孔径编码图像与同轴全息图的等效性 3.2.2 成像分辨率分析 3.3 全变差正则化消除孪生像 3.4 实验结果 3.4.1 掩模版的加工 3.4.2 图像重建结果 3.4.3 成像分辨率测试 3.5 本章小结 第4章 基于压缩感知的菲涅耳孔径编码成像 4.1 本章引言 4.2 编码掩模成像的压缩感知模型 4.2.1 信号的稀疏表示 4.2.2 编码掩模成像观测矩阵的不相关性 4.3 编码掩模成像的压缩重建算法 4.3.1 循环卷积与线性卷积 4.3.2 前向模型与重建算法 4.4 测试与分析 4.4.1 数值重建结果 4.4.2 实验重建结果 4.5 本章小结 第5章 基于深度学习的菲涅耳孔径编码成像 5.1 本章引言 5.2 模型误差分析 5.2.1 掩模版加工误差 5.2.2 光学传播模型误差 5.3 基于深度学习的编码掩模成像 5.3.1 训练集图像的生成 5.3.2 神经网络设计与训练 5.3.3 损失函数 5.4 实验结果 5.4.1 图像重建结果 5.4.2 噪声稳健性分析 5.5 本章小结 第6章 基于深度学习的无透镜光纤内窥镜成像 6.1 本章引言 6.2 光纤束的成像特性 6.3 光纤束图像的去像素化 6.3.1 频域滤波法 6.3.2 空域插值法 6.3.3 多帧融合法 6.3.4 压缩感知法 6.4 光纤束成像的分辨率增强方法 6.4.1 最优工作距离 6.4.2 基于深度神经网络的光纤束高分辨成像 6.4.3 实验结果与分析 6.5 高分辨光纤束成像在肿瘤识别中的应用 6.5.1 成像分辨率对肿瘤识别的影响 6.5.2 胶质母细胞瘤识别结果 6.6 本章小结 第7章 总结和展望 7.1 工作总结 7.2 创新性成果 7.3 未来工作展望 参考文献 在学期间完成的相关学术成果 致谢