概括
这项研究引入了一种新的Swin-UNet方法,用于数字全息成像 (DHI) 斑点噪声清除. 该方法有效地拒绝复杂的混合噪声环境,在准确性和通用性方面超过现有算法.
科学领域:
- 光学和光子学 在光学和光子学.
- 图像处理 图像处理
- 人工智能的人工智能
背景情况:
- 数字全息连贯成像 (DHI) 容易受到各种类型的噪声的影响,包括斑点噪声,这降低了相位图质量.
- 传统的深度学习方法,如卷积神经网络 (CNN),对高斯噪声有效,但与非高斯斑点噪声作斗争.
- 现有的基于CNN的斑点消除方法通常依赖于孤立的噪声模拟,这些模拟对于复杂的现实世界DHI噪声环境来说是不够的.
研究的目的:
- 开发一个强大的深度学习模型,用于消除复杂噪音环境损坏的数字全息图像.
- 通过模拟和解决多重复杂的高斯和斑点噪声来解决当前方法的局限性.
- 提高DHI中斑点噪声降低的准确性,稳定性和通用性.
主要方法:
- 一种新的方法来模拟复杂的噪声环境,通过多重化高斯式和斑点噪声.
- 实现一个Swin-UNet模型,利用Swin变压器的多尺度特征建模功能,用于DHI斑点无声化.
- 使用高斯,斑点和混合噪声的构造数据集进行培训和测试,并对现实世界全息断层扫描 (HT) 和斑点图像进行概括性测试.
主要成果:
- 与传统的CNN算法相比,拟议的Swin-UNet方法在消除复杂噪声方面表现出优异的性能.
- 使用平均平方误差 (MSE),峰值信号噪声比 (PSNR) 和结构相似度指数 (SSIM) 的定量评估证实了算法的准确性.
- 定性评估表明了算法的效率在参数,计算负载和消除时间方面.
结论:
- 开发的基于Swin-UNet的消除噪音算法在解决DHI中的复杂噪音方面取得了重大进展.
- 该方法表现出增强的稳定性,准确性和通用性,使其适合于现实世界的应用.
- 这项工作为在数字全息成像中保持相位图的质量提供了更有效的解决方案.
