读文献总结1


2018-Phase recovery and holographic image reconstruction using deep learning in neural networks
1,文章目的:通过深度学习进行仅强度测量的相位恢复,通过深度学习消除了双图像和自干扰相关的空间伪影,验证方法有血液和巴氏图片和组织切片。
2, 目前存在的方法:在相位恢复和图像重建时记录额外的强度信息。
深度学习的具体应用:卷积神经网络对单个全息图的强度进行学习。
3,卷积神经网络的原理:卷积神经网络学会从对象的相位和幅度通道中提取和分离真实图像的空间特征与孪生图像的特征和其他不需要的干扰项。
4,卷积神经网络的构成:卷积层、残差块和上采样块。
5,实验的验证方法:通过重建各种样本的复值图像来验证是否成功消除了双图像和自干扰 
6,对比实验: 针对某一类型的神经网络
通用的神经网络
N全息=8为参考的多高度相位恢复图像
7,达成的效果:在保证准确率的基础上仅使用单个全息图。
              时间上神经网络进行计算的时间是多高度相位检索的三到四倍。
8,实验的缺点:在对应于某一种样本(血液涂片)进行训练后,用此网络测试其它样本(巴氏涂片)可能会出现伪影。
9,提出的解决办法: 增加网络的层数和神经元的个数。
10,卷积神经网络实验的材料及方法: 多高度相位恢复算法迭代
                                训练数据:单全息反向传播图像(包括孪生图像和自干扰图像)以及每个赋值目标图像
                                使用 MATLAB C++ 引擎 API 进行接口重建    
                                验证的数据:乳房组织载玻片
                                           巴氏涂片
                                           血涂片
11,训练参考时间: 150 个图像对(即网络的复值输入图像和相应的多高度重建图像)的数据集,训练每个特定于样本类型的深度神经网络(仅完成一次)的平均计算时间约为 14.5 小时。