專利名稱：：數(shù)字全息圖像壓縮、解碼方法及系統(tǒng)、傳輸方法及系統(tǒng)的制作方法
技術(shù)領(lǐng)域：
：本發(fā)明涉及圖像壓縮
技術(shù)領(lǐng)域：
，尤其涉及一種數(shù)字全息圖像壓縮、解碼方法及系統(tǒng)、傳輸方法及系統(tǒng)。
背景技術(shù)：
：1948年，物理學(xué)家丹尼斯.蓋伯(DennisGabor1900-1979)在研究顯微鏡的分辨率時(shí)發(fā)明了全息術(shù)，即波前再現(xiàn)技術(shù)。這是一種兩步成像技術(shù)，其步驟是用相干光源照射一個(gè)物體，物體產(chǎn)生的衍射波與另一束相干參考波干涉疊加產(chǎn)生按一定規(guī)律分布的空間條紋，用光學(xué)膠片把這些空間條紋分布記錄下來(lái)，然后經(jīng)過(guò)一系列的物理化學(xué)處理步驟，就形成了包含有物體全部信息(振幅信息和相位信息)的全息圖。當(dāng)用同一束參考光作為再現(xiàn)光照射該全息圖時(shí)，物體的振幅和相位就會(huì)在空間重構(gòu)出來(lái)。隨著數(shù)字技術(shù)與計(jì)算技術(shù)的發(fā)展，有學(xué)者提出直接利用計(jì)算機(jī)制作全息圖。計(jì)算全息相比光學(xué)全息而言，它不需要真實(shí)的物體存在，只要事先給出物波的具體數(shù)學(xué)描述，就能利用數(shù)字計(jì)算機(jī)和繪圖儀綜合出計(jì)算全息圖，并可由全息圖再現(xiàn)該物波。另一方面計(jì)算機(jī)制作全息圖減少了光學(xué)全息中對(duì)實(shí)驗(yàn)條件的限制和處理過(guò)程中各種誤差對(duì)全息圖質(zhì)量的影響?，F(xiàn)在計(jì)算全息技術(shù)廣泛應(yīng)用于光信息處理中，如空間濾波器綜合和光學(xué)運(yùn)算，生成特殊的參考波面用于光學(xué)元件的檢測(cè)，或作為特殊的波面變換元件實(shí)現(xiàn)各種光學(xué)變換。—幅全息圖記錄了物體的全部信息(包括振幅信息和相位信息)，全息圖上每一點(diǎn)所記錄的光振幅都是物體上各點(diǎn)衍射波同參考光相干疊加的結(jié)果，因此全息圖上的每一點(diǎn)都包含有物體的全局信息。如果截取全息圖上的任意一個(gè)子塊，都可以再現(xiàn)原始物體的完整像，只是再現(xiàn)圖像的清晰度會(huì)隨著全息圖子塊的面積減少而下降。這充分說(shuō)明了全息圖所包含的信息有較大的冗余度。實(shí)際記錄的物體含有豐富的高頻信息，為了保證再現(xiàn)圖像不產(chǎn)生嚴(yán)重的混疊，要求對(duì)物波的采樣率要足夠高，同時(shí)為了保證再現(xiàn)圖像的清晰度，需要全息圖有較大視角，這樣一幅全息圖包含的數(shù)據(jù)量是很大的，給全息圖的存儲(chǔ)和傳輸帶來(lái)了很多不便。因此有很多學(xué)者研究全息信息的壓縮處理方法和技術(shù)。但是，由于計(jì)算機(jī)合成全息圖的非線性信息分布特點(diǎn)和高的動(dòng)態(tài)范圍，使得傳統(tǒng)的圖像編碼技術(shù)很難去處理這樣的問(wèn)題。復(fù)雜結(jié)構(gòu)物體的計(jì)算機(jī)合成全息圖是一種類似隨機(jī)噪聲的信息分布，有著較大的動(dòng)態(tài)范圍，各像素強(qiáng)度出現(xiàn)的概率接近于正態(tài)分布，由于干涉條紋的結(jié)構(gòu)很精細(xì)，局部的像素變化范圍較大，包含很多高頻信息，信息分布在整個(gè)空間頻率域上比較平均，這使得傳統(tǒng)的無(wú)損編碼技術(shù)在壓縮全息圖信息上效率不高。
發(fā)明內(nèi)容本發(fā)明的目的在于提供一種一種數(shù)字全息圖像壓縮、解碼方法及系統(tǒng)、傳輸方法及系統(tǒng)?；诒景l(fā)明，可以很好的克服計(jì)算機(jī)數(shù)字全息圖像信息分布非線性、動(dòng)態(tài)范圍大所帶來(lái)的弊端，很好的提高數(shù)字全息圖像的壓縮效率。本發(fā)明提供了一種數(shù)字全息圖像壓縮方法，包括如下步驟將獲取的數(shù)字圖像采用計(jì)算機(jī)合成全息圖；利用神經(jīng)網(wǎng)絡(luò)中輸入層和隱藏層中神經(jīng)元點(diǎn)數(shù)之比，對(duì)所述全息圖進(jìn)行壓縮，獲取壓縮編碼的合成全息圖。上述數(shù)字全息圖像壓縮方法，優(yōu)選所述計(jì)算機(jī)全息圖制作步驟包括選擇需要描述的物波的數(shù)學(xué)表達(dá)式；計(jì)算物波在全息面上的菲涅爾衍射場(chǎng)分布；全息圖合成步驟，將光場(chǎng)分布編碼成全息圖的透過(guò)率函數(shù)，完成全息圖的合成。上述數(shù)字全息圖像壓縮方法，優(yōu)選所述計(jì)算機(jī)全息圖制作步驟與所述神經(jīng)網(wǎng)絡(luò)圖像壓縮步驟之間，還包括神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練步驟，所述神經(jīng)網(wǎng)絡(luò)訓(xùn)練步驟包括神經(jīng)網(wǎng)絡(luò)參數(shù)初始化步驟，對(duì)所述神經(jīng)網(wǎng)絡(luò)的參數(shù)進(jìn)行初始化，將各神經(jīng)元的連接權(quán)值和偏置值設(shè)置為隨機(jī)數(shù)以避免BP神經(jīng)網(wǎng)絡(luò)陷入局部最小值；輸入步驟，將訓(xùn)練樣本集S中的一個(gè)訓(xùn)練樣本(Xi，Yi)輸入到所述BP神經(jīng)網(wǎng)絡(luò)，Xi作為輸入向量送入輸入層，Yi作為教師向量送入到輸出層；隱藏層輸出計(jì)算步驟，利用公式、=/(i;,,x,+~)計(jì)算隱藏層的每個(gè)神經(jīng)元j的輸出hj，實(shí)現(xiàn)所述訓(xùn)練樣本經(jīng)過(guò)所述BP神經(jīng)網(wǎng)絡(luò)前向傳播；其中，Xi為輸入層的輸入，hj為隱藏層的輸出，Wj,為輸入層到隱藏層的連接權(quán)值，bj為偏置；輸出層輸出計(jì)算步驟，利用公式乂二/d;w^+")計(jì)算輸出層的每個(gè)神經(jīng)元i的輸出yj;其中，yi為輸出層的輸出，^'為/=1隱藏層到輸出層的連接權(quán)值，bi'為偏置；輸出層誤差值計(jì)算步驟，計(jì)算輸出層的誤差值E，所述誤差E通過(guò)計(jì)算實(shí)際輸出向量與教師向量之差得到E=E(11》2誤差反向傳播計(jì)算單元，用于計(jì)算輸出層和隱藏層的連接權(quán)值調(diào)整，權(quán)值調(diào)整的計(jì)算公式為AWij=aSj0i，其中，a為網(wǎng)絡(luò)的學(xué)習(xí)率，Oj二f(Sj)是根據(jù)第j個(gè)神經(jīng)元的輸入值Sj計(jì)算得到的輸出值，Sj是輸出層的誤差E對(duì)第j個(gè)神經(jīng)元輸入的偏導(dǎo)數(shù)，網(wǎng)絡(luò)前一層的S值可以根據(jù)后一層的S值計(jì)算，公式為《-1=尸""'"Z《《'，其中S/-1為第m-l層第j個(gè)神經(jīng)元的S值，s/—1為第m-l層第j個(gè)神經(jīng)元的輸入值，f'為神經(jīng)元激活函數(shù)的一階導(dǎo)數(shù)，所述隱藏層的權(quán)值調(diào)整參值從輸出層的反傳誤差算得，直到將所述隱藏層內(nèi)每個(gè)節(jié)點(diǎn)的連接權(quán)值調(diào)整算出為止；修正步驟，利用輸出層和隱藏層的連接權(quán)值修正計(jì)算公式，修正隱藏層到輸出層的連接權(quán)值Wi/、輸入層到隱藏層的連接權(quán)值Wji。上述數(shù)字全息圖像壓縮方法，優(yōu)選所述輸入步驟中，所述訓(xùn)練樣本集通過(guò)如下步驟獲取分割步驟，將NXN像素的全息圖，先分割成大小為mXm的方形數(shù)據(jù)塊；訓(xùn)練樣本獲取子單元，將每一個(gè)所述mXm的方形數(shù)據(jù)塊轉(zhuǎn)換成一個(gè)m2X1維的向量，m2對(duì)應(yīng)于所述BP神經(jīng)網(wǎng)絡(luò)中輸入結(jié)點(diǎn)個(gè)數(shù)，則所述NXN像素的圖像被分割成(N/m"個(gè)訓(xùn)練向量作為所述BP神經(jīng)網(wǎng)絡(luò)的所述訓(xùn)練樣本，N為待壓縮圖像的像素大小，m為對(duì)像素進(jìn)行分塊的像素大小，要求N能夠被m整除；上述數(shù)字全息圖像壓縮方法，優(yōu)選所述分割單元中，m的取值為8。本發(fā)明還公開(kāi)了一種數(shù)字全息圖像解碼方法，包括如下步驟神經(jīng)網(wǎng)絡(luò)圖像解碼步驟，利用所述神經(jīng)網(wǎng)絡(luò)中隱藏層和輸出層中神經(jīng)元點(diǎn)數(shù)之比，對(duì)所述壓縮編碼的合成全息圖進(jìn)行解碼，獲取解碼后的全息圖；菲涅爾再現(xiàn)步驟，采用菲涅爾轉(zhuǎn)換計(jì)算成像面上的場(chǎng)分布，再所述解碼后的全息圖。本發(fā)明還公開(kāi)了一種數(shù)字全息圖像傳輸方法，包括基于人工合成神經(jīng)網(wǎng)絡(luò)的數(shù)字全息圖像壓縮方法外，還包括神經(jīng)網(wǎng)絡(luò)圖像解碼步驟，利用所述神經(jīng)網(wǎng)絡(luò)中隱藏層和輸出層中神經(jīng)元點(diǎn)數(shù)之比，對(duì)所述壓縮編碼的合成全息圖進(jìn)行解碼，獲取解碼后的全息圖；菲涅爾再現(xiàn)步驟，采用菲涅爾轉(zhuǎn)換計(jì)算成像面上的場(chǎng)分布，再所述解碼后的全息圖。另一方面，本發(fā)明還公開(kāi)了一種數(shù)字全息圖像壓縮系統(tǒng)，包括計(jì)算機(jī)全息圖制作模塊，用于將獲取的數(shù)字圖像采用計(jì)算機(jī)合成全息圖；神經(jīng)網(wǎng)絡(luò)圖像壓縮模塊，用于利用神經(jīng)網(wǎng)絡(luò)中輸入層和隱藏層中神經(jīng)元點(diǎn)數(shù)之比，對(duì)所述全息圖進(jìn)行壓縮，獲取壓縮編碼的合成全息圖。上述數(shù)字全息圖像壓縮系統(tǒng)，優(yōu)選所述計(jì)算機(jī)全息圖制作模塊包括物波的數(shù)學(xué)表達(dá)式選擇單元，用于選擇需要描述的物波的數(shù)學(xué)表達(dá)式；菲涅爾衍射場(chǎng)分布計(jì)算單元，用于計(jì)算物波在全息面上的菲涅爾衍射場(chǎng)分布；全息圖合成單元，用于將光場(chǎng)分布編碼成全息圖的透過(guò)率函數(shù)，完成全息圖的合成。上述數(shù)字全息圖像壓縮系統(tǒng)，優(yōu)選所述計(jì)算機(jī)全息圖制作模塊與所述神經(jīng)網(wǎng)絡(luò)圖像壓縮模塊之間，還連接有神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練模塊，具體包括神經(jīng)網(wǎng)絡(luò)參數(shù)初始化單元，用于對(duì)所述神經(jīng)網(wǎng)絡(luò)的參數(shù)進(jìn)行初始化，將各神經(jīng)元的連接權(quán)值和偏置值設(shè)置為隨機(jī)數(shù)以避免BP神經(jīng)網(wǎng)絡(luò)陷入局部最小值；輸入單元，用于將訓(xùn)練樣本集S中的一個(gè)訓(xùn)練樣本(Xi，Y》輸入到所述BP神經(jīng)網(wǎng)絡(luò)，Xi作為輸入向量送入輸入層，Yi作為教師向量送入到輸出層；隱藏層輸出計(jì)算單元，用于利用公式^+~)計(jì)算隱藏層的每個(gè)神經(jīng)元j的輸出,=1hj，實(shí)現(xiàn)所述訓(xùn)練樣本經(jīng)過(guò)所述BP神經(jīng)網(wǎng)絡(luò)前向傳播；其中，Xi為輸入層的輸入，hj為隱藏層的輸出，Wji為輸入層到隱藏層的連接權(quán)值，bj為偏置；輸出層輸出計(jì)算單元，用于利用公式X:/(l;w^+《)計(jì)算輸出層的每個(gè)神經(jīng)元i的輸出yj;其中，yi為輸出層的輸出，Wij',=1為隱藏層到輸出層的連接權(quán)值，為偏置；輸出層誤差值計(jì)算單元，用于計(jì)算輸出層的誤差值E，所述誤差E通過(guò)計(jì)算實(shí)際輸出向量與教師向量之差得到E=E(Yiii)2;誤差反向傳播計(jì)算單元，用于計(jì)算輸出層和隱藏層的連接權(quán)值調(diào)整，權(quán)值調(diào)整的計(jì)算公式為AWij=aSjOi，其中，a為網(wǎng)絡(luò)的學(xué)習(xí)率，0j=f(Sj)是根據(jù)第j個(gè)神經(jīng)元的輸入值Sj計(jì)算得到的輸出值，Sj是輸出層的誤差E對(duì)第j個(gè)神經(jīng)元輸入的偏導(dǎo)數(shù)，網(wǎng)絡(luò)前一層的S值可以根據(jù)后一層的S值計(jì)算，公式為《-1=)Z《《，其中S廣為第m-l層第j個(gè)神經(jīng)元的S值，s/—工為第m-l層第j個(gè)神經(jīng)元的輸入值，f'為神經(jīng)元激活函數(shù)的一階導(dǎo)數(shù)，所述隱藏層的權(quán)值調(diào)整參值從輸出層的反傳誤差算得，直到將所述隱藏層內(nèi)每個(gè)節(jié)點(diǎn)的連接權(quán)值調(diào)整算出為止；修正單元，用于利用輸出層和隱藏層的連接權(quán)值修正計(jì)算公式，修正隱藏層到輸出層的連接權(quán)值Wij'、輸入層到隱藏層的連接權(quán)值Wji。上述數(shù)字全息圖像壓縮系統(tǒng)，優(yōu)選所述輸入單元包括分割子單元，將NXN像素的圖像，先分割成大小為mXm的方形數(shù)據(jù)塊；訓(xùn)練樣本獲取子單元，將每一個(gè)所述mXm的方形數(shù)據(jù)塊轉(zhuǎn)換成一個(gè)n^Xl維的向量，n^對(duì)應(yīng)于所述BP神經(jīng)網(wǎng)絡(luò)中輸入結(jié)點(diǎn)個(gè)數(shù)，則所述NXN像素的圖像被分割成(N/m"個(gè)訓(xùn)練向量作為所述BP神經(jīng)網(wǎng)絡(luò)的所述訓(xùn)練樣本，N為待壓縮圖像的像素大小，m為對(duì)像素進(jìn)行分塊的像素大小，要求N能夠被m整除。上述數(shù)字全息圖像壓縮系統(tǒng)，優(yōu)選所述分割單元中，m的取值為8。另一方面，本發(fā)明還提供了一種數(shù)字全息圖像解碼系統(tǒng)，包括神經(jīng)網(wǎng)絡(luò)圖像解碼模塊，利用所述神經(jīng)網(wǎng)絡(luò)中隱藏層和輸出層中神經(jīng)元點(diǎn)數(shù)之比，對(duì)所述壓縮編碼的合成全息圖進(jìn)行解碼，獲取解碼后的全息圖；菲涅爾再現(xiàn)模塊，采用菲涅爾轉(zhuǎn)換計(jì)算成像面上的場(chǎng)分布，再所述解碼后的全息圖。另一方面，本發(fā)明還提供了一種數(shù)字全息圖像傳輸系統(tǒng)，包括如所述的數(shù)字全息圖像壓縮系統(tǒng)，還包括神經(jīng)網(wǎng)絡(luò)圖像解碼模塊，用于利用神經(jīng)網(wǎng)絡(luò)中隱藏層和輸出層中神經(jīng)元點(diǎn)數(shù)之比，對(duì)所述壓縮編碼的合成全息圖進(jìn)行解碼，獲取解碼后的全息圖；菲涅爾再現(xiàn)模塊，用于采用菲涅爾轉(zhuǎn)換計(jì)算成像面上的場(chǎng)分布，再所述解碼后的全息圖。本發(fā)明采用BP神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)字全息圖像進(jìn)行壓縮，有效克服了數(shù)字全息圖信息分布的非線性程度高、動(dòng)態(tài)范圍大等問(wèn)題，有效的提高了數(shù)字全息圖像的壓縮效率。并且，在處理非線性的全息信息分布問(wèn)題上具有智能性和自適應(yīng)性，當(dāng)壓縮率變化時(shí)，壓縮得到的再現(xiàn)圖像質(zhì)量有較好的魯棒性。圖1為根據(jù)本發(fā)明基于人工合成神經(jīng)網(wǎng)絡(luò)的數(shù)字全息圖像處理方法實(shí)施例的步驟流程圖；圖2為計(jì)算機(jī)合成全息圖的步驟流程圖3為菲涅爾全息圖的記錄光路示意圖4a為三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖4b為神經(jīng)元的數(shù)學(xué)描述示意圖5為BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)和訓(xùn)練步驟流程圖6為神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本集的分割示意圖；[OO31]圖7a為L(zhǎng)ena源圖像示意圖；圖7b為根據(jù)計(jì)算全息原理得到的菲涅爾計(jì)算機(jī)合成全息圖7c-圖7j分別是在64:32(R=50%)，64:16(R=25%)，64:4(6.25%)，64:1(R=1.5625%)的情況下，得到的經(jīng)過(guò)神經(jīng)網(wǎng)絡(luò)壓縮后的解壓縮的全息圖和解壓縮的全息圖的再現(xiàn)圖；圖8a為BP神經(jīng)網(wǎng)絡(luò)壓縮算法的PSNR曲線示意圖；圖8b為BP神經(jīng)網(wǎng)絡(luò)壓縮算法的MSE曲線示意圖；圖9為DCT，DWT，BP神經(jīng)網(wǎng)絡(luò)三種壓縮算法的PSNR曲線對(duì)比示意圖；圖10為DCT，DWT，BP神經(jīng)網(wǎng)絡(luò)三種壓縮算法的MSE曲線對(duì)比示意圖；圖lla為基于人工合成神經(jīng)網(wǎng)絡(luò)的數(shù)字全息圖像處理系統(tǒng)實(shí)施例的結(jié)構(gòu)示意圖；圖lib為從發(fā)送端和接收端的角度提取的基于人工合成神經(jīng)網(wǎng)絡(luò)的數(shù)字全息圖像處理系統(tǒng)實(shí)施例的結(jié)構(gòu)示意圖。具體實(shí)施例方式為使本發(fā)明的上述目的、特征和優(yōu)點(diǎn)能夠更加明顯易懂，下面結(jié)合附圖和具體實(shí)施方式對(duì)本發(fā)明作進(jìn)一步詳細(xì)的說(shuō)明。針對(duì)數(shù)字全息圖信息分布的非線性特性，以及信息分布類似隨機(jī)噪聲和有較大動(dòng)態(tài)范圍的特點(diǎn)，結(jié)合BP神經(jīng)網(wǎng)絡(luò)在處理非線性問(wèn)題方面有自適應(yīng)性和智能性的優(yōu)點(diǎn)，本發(fā)明那個(gè)提出了一種基于BP神經(jīng)網(wǎng)絡(luò)和菲涅爾轉(zhuǎn)換再現(xiàn)的計(jì)算機(jī)合成全息圖的信息壓縮處理方法用計(jì)算機(jī)將一幅數(shù)字圖像制作成計(jì)算機(jī)合成全息圖，然后根據(jù)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)把全息圖分解轉(zhuǎn)換成訓(xùn)練樣本，通過(guò)樣本訓(xùn)練神經(jīng)網(wǎng)絡(luò)達(dá)到收斂后，用這個(gè)收斂的神經(jīng)網(wǎng)絡(luò)對(duì)全息圖進(jìn)行壓縮編碼和解碼，最后采用菲涅爾轉(zhuǎn)換來(lái)再現(xiàn)解碼后的全息圖。參照?qǐng)D1，圖1為根據(jù)本發(fā)明基于人工合成神經(jīng)網(wǎng)絡(luò)的數(shù)字全息圖像處理方法實(shí)施例的步驟流程圖，包括計(jì)算機(jī)全息圖制作步驟110，將獲取的數(shù)字圖像采用計(jì)算機(jī)合成全息圖；神經(jīng)網(wǎng)絡(luò)圖像壓縮步驟120，利用神經(jīng)網(wǎng)絡(luò)中輸入層和隱藏層中神經(jīng)元點(diǎn)數(shù)之比，對(duì)所述全息圖進(jìn)行壓縮，獲取壓縮編碼的合成全息圖；神經(jīng)網(wǎng)絡(luò)圖像解碼步驟130，利用神經(jīng)網(wǎng)絡(luò)中隱藏層和輸出層中神經(jīng)元點(diǎn)數(shù)之比，對(duì)所述壓縮編碼的合成全息圖進(jìn)行解碼，獲取解碼后的全息圖；菲涅爾再現(xiàn)步驟140，采用菲涅爾轉(zhuǎn)換計(jì)算成像面上的場(chǎng)分布，再所述解碼后的全息圖。其中，參照?qǐng)D2，計(jì)算機(jī)全息圖制作步驟110進(jìn)一步包括如下三個(gè)步驟物波的數(shù)學(xué)表達(dá)式選擇步驟210，選擇需要描述的物波的數(shù)學(xué)表達(dá)式；菲涅爾衍射場(chǎng)分布計(jì)算步驟220，計(jì)算物波在全息面上的菲涅爾衍射場(chǎng)分布；全息圖合成步驟230，將光場(chǎng)分布編碼成全息圖的透過(guò)率函數(shù)，完成全息圖的合成。上述步驟即結(jié)合計(jì)算全息原理來(lái)制作數(shù)字圖像的計(jì)算機(jī)合成全息圖。根據(jù)全息原理，物波可以表示為00，力=」"力'expL/^"力],平行參考光可表示為Re鄧[j2Ji(ax+Py)]，那么在全息記錄面上所得到的光場(chǎng)強(qiáng)度分布即全息圖的透過(guò)率函數(shù)h(x，y)可以表示為/z(;c,力=|O(x,力+i(;c,力卩=|.exp[Xx,力]+i.exp[/2;r(ar+刷]|2=j(x，_y)2+i2+2iL4(x,力cos[2;r(m:+刷i(x,_y)〗(工)在計(jì)算機(jī)合成全息圖制作中，先對(duì)物波函數(shù)和參考波函數(shù)進(jìn)行離散化抽樣和量化，按照(1)式進(jìn)行計(jì)算就可以得到物體的計(jì)算機(jī)合成全息圖。因?yàn)檫@樣的全息圖函數(shù)是一個(gè)實(shí)的非負(fù)函數(shù)，可以很方便地用計(jì)算機(jī)進(jìn)行編碼處理。參照?qǐng)D3a，其中，3al為點(diǎn)光源，3a2為物體，3a3為全息平面。圖2中的步驟獲取的全息圖后，經(jīng)過(guò)神經(jīng)網(wǎng)絡(luò)的壓縮、解壓縮后，依據(jù)菲涅爾變換進(jìn)行全息圖像的再現(xiàn)，即執(zhí)行步驟140時(shí)，依據(jù)如下原理實(shí)現(xiàn)菲涅爾全息圖再現(xiàn)時(shí)，用與參考光相同的再現(xiàn)光照射全息圖，那么全息面上的透射場(chǎng)振幅為T(x，y)=R(x，y)h(x，y)=R(x，y)[|R(x，y)+0(x，y)|2]=R(RR*+00*+R*0+R0*)(2)=R|R12+R|012+RR*0+RRO*(2)式中，第一項(xiàng)和第二項(xiàng)是噪聲項(xiàng)，第三項(xiàng)表示一個(gè)正比于原始物波的場(chǎng)分量，將在全息圖的再現(xiàn)光源一側(cè)形成物體的一個(gè)虛像，第四項(xiàng)是一個(gè)正比于原始物波共軛的場(chǎng)分量，將在全息圖的觀測(cè)者一側(cè)形成物體的一個(gè)實(shí)像，如圖3b所示。其中，3bl代表再現(xiàn)光源，3b2代表虛像，3b3代表全息圖，3b4代表實(shí)像。下面對(duì)神經(jīng)網(wǎng)絡(luò)圖像壓縮步驟120、神經(jīng)網(wǎng)絡(luò)圖像解碼步驟130進(jìn)行詳細(xì)的說(shuō)明。首先，對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行介紹。神經(jīng)網(wǎng)絡(luò)是一種由簡(jiǎn)單處理單元構(gòu)成的大規(guī)模并行分布式處理器。神經(jīng)網(wǎng)絡(luò)具有學(xué)習(xí)能力，對(duì)不同的訓(xùn)練樣本數(shù)據(jù)集都可以產(chǎn)生合理的輸出。這種信息處理能力使得神經(jīng)網(wǎng)絡(luò)可以解決一些當(dāng)前技術(shù)還不能處理的復(fù)雜問(wèn)題。神經(jīng)網(wǎng)絡(luò)中的計(jì)算過(guò)程就是神經(jīng)網(wǎng)絡(luò)中的信息傳輸處理過(guò)程。從另一方面來(lái)看，包含物體3D信息的全息圖可以看作是一系列光學(xué)像素的集合，這些像素同時(shí)包含著振幅信息和相位信息。這些光學(xué)像素在空間傳播時(shí)遵循相同的光學(xué)傳播定律，所以全息圖的像素之間有著很高的自相似性。這種特性和神經(jīng)網(wǎng)絡(luò)中的神經(jīng)元的聯(lián)系很相似，所以神經(jīng)網(wǎng)絡(luò)可以用來(lái)處理全息圖的非線性信息分布問(wèn)題。神經(jīng)網(wǎng)絡(luò)是一種智能化和適應(yīng)度較高的算法，一個(gè)由非線性神經(jīng)元互聯(lián)而成的神經(jīng)網(wǎng)絡(luò)自身是非線性的，這種特性對(duì)于處理非線性的圖像信息比較有效。同時(shí)神經(jīng)網(wǎng)絡(luò)所表達(dá)的關(guān)系是一種輸入到輸出的映射關(guān)系，從一個(gè)訓(xùn)練集中隨機(jī)選取一個(gè)樣本給網(wǎng)絡(luò)，網(wǎng)絡(luò)就調(diào)整它的連接權(quán)值，使由輸入信號(hào)通過(guò)網(wǎng)絡(luò)計(jì)算產(chǎn)生的實(shí)際響應(yīng)以最小均方差準(zhǔn)則逼近期望響應(yīng)以達(dá)到網(wǎng)絡(luò)收斂。當(dāng)用神經(jīng)網(wǎng)絡(luò)方法處理全息圖信息時(shí)，由于全息圖的各像素之間的自相似性，正好對(duì)應(yīng)于神經(jīng)網(wǎng)絡(luò)中各神經(jīng)元之間的連接關(guān)系，因此神經(jīng)網(wǎng)絡(luò)方法被用來(lái)處理非線性的全息信息分布比較適合。在實(shí)際應(yīng)用中，神經(jīng)網(wǎng)絡(luò)所包含的神經(jīng)元個(gè)數(shù)以及神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本和訓(xùn)練時(shí)間受到一定的限制，因此神經(jīng)網(wǎng)絡(luò)在壓縮處理圖像時(shí)是一種有損算法，這樣計(jì)算機(jī)合成全息圖包含的物體3D信息在神經(jīng)網(wǎng)絡(luò)壓縮處理過(guò)程中會(huì)產(chǎn)生丟失。隨著壓縮率的減小，信息的丟失會(huì)隨著增大，這對(duì)全息圖的再現(xiàn)圖像質(zhì)量會(huì)產(chǎn)生一定的影響。由于全息圖本身的信息冗余，使用不同的壓縮方法，在壓縮率下降時(shí)全息圖的信息量的丟失程度是不一樣的。神經(jīng)網(wǎng)絡(luò)本身具有適應(yīng)性和容錯(cuò)性的特點(diǎn)，它可以調(diào)整自身的權(quán)值以適應(yīng)訓(xùn)練樣本集的變化，當(dāng)某一個(gè)或者幾個(gè)神經(jīng)元的異常行為不至于嚴(yán)重影響到整個(gè)網(wǎng)絡(luò)的收斂能力。所以神經(jīng)網(wǎng)絡(luò)在處理全息圖信息時(shí)有一定的魯棒性。參照?qǐng)D4a、圖4b。其中，在圖4a中，X代表輸入層，H代表隱藏層，Y輸出層。一個(gè)典型的三層BP(BackPropagation后向傳遞)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參照?qǐng)D4a、圖4b。在圖4a中，X代表輸入層，H代表隱藏層，Y輸出層。其中包括作為數(shù)據(jù)輸入接口的輸入層，隱藏層和作為數(shù)據(jù)輸出的輸出層。神經(jīng)網(wǎng)絡(luò)中的基本信息處理單元是神經(jīng)元，一個(gè)神經(jīng)元的輸入與輸出的關(guān)系可表示為<formula>formulaseeoriginaldocumentpage10</formula>神經(jīng)元接受一系列輸入Xi和權(quán)值Wi的加權(quán)和，e為偏置，f為神經(jīng)元的激活函數(shù)，y是神經(jīng)元的響應(yīng)輸出。因此在神經(jīng)網(wǎng)絡(luò)中，隱藏層和輸出層的各神經(jīng)元的輸出可以表示為<formula>formulaseeoriginaldocumentpage10</formula>在式(4)中，f(x)是每一層的激活函數(shù)，Wji是從輸入層到隱藏層的KXN維連接權(quán)值矩陣，Wij'是從隱藏層到輸出層的NXK維連接權(quán)值矩陣，bj和bi'分別是各神經(jīng)元的偏置。實(shí)際中，所述神經(jīng)網(wǎng)絡(luò)圖像壓縮步驟120與所述神經(jīng)網(wǎng)絡(luò)圖像解碼130中，所述神經(jīng)網(wǎng)絡(luò)為收斂的BP神經(jīng)網(wǎng)絡(luò)，通過(guò)如下訓(xùn)練和學(xué)習(xí)步驟獲取步驟1、對(duì)BP神經(jīng)網(wǎng)絡(luò)的參數(shù)進(jìn)行初始化，將各神經(jīng)元的連接權(quán)值和偏置值設(shè)置為小的隨機(jī)數(shù)。這樣可以避免BP神經(jīng)網(wǎng)絡(luò)陷入局部最小值，有利于網(wǎng)絡(luò)的收斂。步驟2、將訓(xùn)練樣本集S中的一個(gè)樣本(Xi，Yi)輸入到BP神經(jīng)網(wǎng)絡(luò)，Xi作為輸入向量送入輸入層，1作為教師向量送入到輸出層。步驟3、訓(xùn)練樣本經(jīng)過(guò)BP神經(jīng)網(wǎng)絡(luò)前向傳播，即利用公式^=/(i>,,x,+~)計(jì)算隱藏層的每個(gè)神經(jīng)元j的輸出hj。步驟4、利用公式X=/(|;《~+")計(jì)算輸出層的每個(gè)神經(jīng)元i的輸出yj。':=1步驟5、計(jì)算輸出層的誤差值，這個(gè)誤差通過(guò)計(jì)算實(shí)際輸出向量與教師向量之差得到E=IIY-yII=E(Y「y》2。步驟6、計(jì)算隱藏層的誤差值^1-'=t)Z《《'。這個(gè)誤差從輸出層的反傳誤差算得，直到將隱藏層內(nèi)每個(gè)節(jié)點(diǎn)的誤差算出為止。步驟7、利用輸出層和隱藏層的連接權(quán)值修正計(jì)算公式修正各層的連接權(quán)值。步驟8，返回步驟2，為下一個(gè)輸入學(xué)習(xí)樣本重復(fù)步驟2到7。上述過(guò)程可以結(jié)合圖5來(lái)理解。圖像傳輸?shù)紹P神經(jīng)網(wǎng)絡(luò)進(jìn)行編解碼之前需要對(duì)圖像做預(yù)處理。根據(jù)BP神經(jīng)網(wǎng)絡(luò)的輸入神經(jīng)元個(gè)數(shù)，把圖像分割成小的子塊作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本集。對(duì)于大小為NXN像素的圖像，先分割成大小為mXm的方形數(shù)據(jù)塊。然后每一個(gè)mXm方形數(shù)據(jù)塊轉(zhuǎn)換成一個(gè)n^X1維的向量，m2對(duì)應(yīng)于BP網(wǎng)絡(luò)的輸入結(jié)點(diǎn)個(gè)數(shù)，這樣圖像就被分割成(N/m)2個(gè)訓(xùn)練向量作為網(wǎng)絡(luò)的學(xué)習(xí)樣本集合，如圖6所示。在一個(gè)典型的用于圖像壓縮的三層BP神經(jīng)網(wǎng)絡(luò)中，一般輸入層和輸出層的結(jié)構(gòu)是對(duì)稱的，有相同的神經(jīng)元結(jié)點(diǎn)個(gè)數(shù)，圖像分割預(yù)處理后得到的訓(xùn)練樣本集中的向量饋送到BP網(wǎng)絡(luò)的輸入層作為輸入信號(hào)，同時(shí)也饋送到輸出層作為教師信號(hào)。在通過(guò)BP算法網(wǎng)絡(luò)訓(xùn)練達(dá)到收斂后，保存此時(shí)的所有權(quán)值和其他網(wǎng)絡(luò)參數(shù)作為壓縮全息圖信息的編解碼器。BP網(wǎng)絡(luò)實(shí)現(xiàn)數(shù)據(jù)壓縮的原理是通過(guò)調(diào)整隱藏層和輸入層的神經(jīng)元結(jié)點(diǎn)個(gè)數(shù)來(lái)實(shí)現(xiàn)的。如果網(wǎng)絡(luò)中隱藏層的結(jié)點(diǎn)數(shù)少于輸入層的結(jié)點(diǎn)數(shù)，那么圖像數(shù)據(jù)傳輸?shù)诫[藏層時(shí)將會(huì)減少，如果隱藏層保存的圖像數(shù)據(jù)加上神經(jīng)網(wǎng)絡(luò)權(quán)值和其它網(wǎng)絡(luò)參數(shù)的數(shù)據(jù)總量少于從輸入層輸入的圖像數(shù)據(jù)量就實(shí)現(xiàn)了數(shù)據(jù)壓縮。在接收端可以根據(jù)接收到的神經(jīng)網(wǎng)絡(luò)權(quán)值和網(wǎng)絡(luò)參數(shù)重構(gòu)原始的BP神經(jīng)網(wǎng)絡(luò)，圖像數(shù)據(jù)從這個(gè)重構(gòu)的神經(jīng)網(wǎng)絡(luò)的隱藏層傳輸?shù)捷敵鰧訉?shí)現(xiàn)圖像數(shù)據(jù)的恢復(fù)。在BP神經(jīng)網(wǎng)絡(luò)合成全息圖壓縮處理系統(tǒng)中，合成全息圖首先經(jīng)過(guò)圖像預(yù)處理得到一個(gè)訓(xùn)練樣本集，分割全息圖時(shí)，子塊大小參數(shù)m的取值應(yīng)根據(jù)實(shí)際應(yīng)用，選取不同的值，m值取的過(guò)大或者過(guò)小都不合適，如果m值過(guò)大，則樣本數(shù)量較少，神經(jīng)網(wǎng)絡(luò)的輸入結(jié)點(diǎn)數(shù)目增加，網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜，如果m值過(guò)小，則樣本數(shù)量較多，使網(wǎng)絡(luò)訓(xùn)練時(shí)間加長(zhǎng)，收斂性能變差，通過(guò)實(shí)驗(yàn)，發(fā)現(xiàn)m取值為8比較合適，整個(gè)系統(tǒng)具有較低的復(fù)雜度，和較短的訓(xùn)練收斂時(shí)間。BP神經(jīng)網(wǎng)絡(luò)收斂達(dá)到穩(wěn)定后，待壓縮的全息圖數(shù)據(jù)先通過(guò)圖像預(yù)處理，然后從輸入層到隱藏層的傳輸完成全息圖信息的壓縮編碼。通過(guò)調(diào)整隱藏層和輸入層的神經(jīng)元結(jié)點(diǎn)數(shù)之比，可以得到不同的數(shù)據(jù)壓縮率。隱藏層結(jié)點(diǎn)數(shù)越少，壓縮率越低，反之，隱藏層結(jié)點(diǎn)數(shù)越多，壓縮率越高。從隱藏層到輸出層的傳輸完成全息圖信息的解碼，解碼后的圖像經(jīng)過(guò)圖像后處理，即圖像預(yù)處理的逆過(guò)程，還原得到完整的全息圖。由于全息圖包含物體的3D信息，這與一般圖像所包含的信息有較大差別。對(duì)于全息像處理的質(zhì)量評(píng)價(jià)上，并沒(méi)有統(tǒng)一的標(biāo)準(zhǔn)。我們可以通過(guò)人眼視覺(jué)觀察比較原始全息圖和處理后的全息圖，但這樣的主觀評(píng)價(jià)并不能客觀地表征被處理后的全息像質(zhì)量。因此，本文采用傳統(tǒng)的圖像處理質(zhì)量評(píng)價(jià)標(biāo)準(zhǔn)，即用壓縮率(R)，均方誤差(MSE)，和峰值信噪比(PSNR)來(lái)評(píng)價(jià)壓縮效率與扭曲測(cè)量。R，MSE，PSNR的定義為<formula>formulaseeoriginaldocumentpage12</formula><formula>formulaseeoriginaldocumentpage12</formula>在式(5)中，S。是壓縮后的計(jì)算機(jī)合成全息圖數(shù)據(jù)大小，S。是原始的計(jì)算機(jī)合成全息圖數(shù)據(jù)大小。Q是隱藏層的神經(jīng)元個(gè)數(shù)，P是輸入層的神經(jīng)元個(gè)數(shù)。在式(6)中，MXN是圖像的像素大小(如MXN=256X256)，f(x，y)是原始全息圖的再現(xiàn)圖像函數(shù)，/(x,力是經(jīng)過(guò)壓縮處理后的全息圖的再現(xiàn)圖像函數(shù)。在式(7)中，Xp是圖像數(shù)據(jù)的峰峰值。在計(jì)算機(jī)合成全息圖的各種壓縮處理方法實(shí)驗(yàn)中，本發(fā)明采用以上三個(gè)評(píng)價(jià)函數(shù)來(lái)評(píng)價(jià)處理后的全息圖再現(xiàn)圖像質(zhì)量。圖7(a)為L(zhǎng)ena源圖像(256X256像素大小，8b卯/256，65kb)，圖7(b)為根據(jù)計(jì)算全息原理得到的菲涅爾計(jì)算機(jī)合成全息圖。圖7(c)-圖7(j)分別是在64:32(1=50%)，64:16(R=25%)，64:4(6.25%)，64:1(R=1.5625%)的情況下，得到的經(jīng)過(guò)神經(jīng)網(wǎng)絡(luò)壓縮后的解壓縮的全息圖和解壓縮的全息圖的再現(xiàn)圖。實(shí)驗(yàn)結(jié)果和在各種壓縮率下的再現(xiàn)圖像的MSE和PSNR實(shí)驗(yàn)數(shù)據(jù)分別如表1和圖8a、圖8b所示。表1BP神經(jīng)網(wǎng)絡(luò)壓縮算法的R，PSNR和MSE實(shí)驗(yàn)數(shù)據(jù)<table>tableseeoriginaldocumentpage12</column></row><table>從表1分析，可以發(fā)現(xiàn)再現(xiàn)圖像的PSNR與壓縮率成比例。因?yàn)锽P神經(jīng)網(wǎng)絡(luò)不是一個(gè)精確度很高的模型，在神經(jīng)網(wǎng)絡(luò)的壓縮編碼中，隱藏層的神經(jīng)元個(gè)數(shù)越少，得到的壓縮率越低，而網(wǎng)絡(luò)的表達(dá)能力就越差，那么信息在從輸入層到隱藏層的傳遞過(guò)程中損失的就越多。信息損失的程度直接影響著再現(xiàn)圖像質(zhì)量和PSNR值。圖8a，8b為BP神經(jīng)網(wǎng)絡(luò)壓縮算法的PSNR曲線和MSE曲線。橫坐標(biāo)為壓縮率。圖像函數(shù)是很復(fù)雜的，而且難以用數(shù)學(xué)式精確地描述，神經(jīng)網(wǎng)絡(luò)可以近似地逼近任何數(shù)學(xué)函數(shù)，而神經(jīng)網(wǎng)絡(luò)的逼近能力直接相關(guān)于它的網(wǎng)絡(luò)結(jié)構(gòu)和所包含的神經(jīng)元的個(gè)數(shù)。一般來(lái)說(shuō)，較大數(shù)量的訓(xùn)練樣本集和多層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)能比有限數(shù)量的訓(xùn)練樣本集和簡(jiǎn)單三層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)更好地表征圖像函數(shù)。在本文的實(shí)驗(yàn)中，用來(lái)做壓縮的BP神經(jīng)網(wǎng)絡(luò)是一個(gè)簡(jiǎn)單的三層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，包含64個(gè)輸入神經(jīng)元和64個(gè)輸出神經(jīng)元，訓(xùn)練樣本集為一幅計(jì)算機(jī)合成全息圖像。這些都限制了神經(jīng)網(wǎng)絡(luò)的能力，所以神經(jīng)網(wǎng)絡(luò)在較高壓縮比下對(duì)非線性的全息信息分布的表達(dá)不夠精確。但從圖7(i)，圖7(j)來(lái)看，在壓縮率達(dá)到1:64(R=1.5625%)的情況下，盡管解壓縮后的全息圖方塊效應(yīng)很明顯，但是仍然能夠得到可辨認(rèn)的再現(xiàn)圖像。下面，對(duì)本發(fā)明的優(yōu)點(diǎn)做進(jìn)一步的詳細(xì)說(shuō)明。為了更好地比較離散余弦(DCT)壓縮，離散小波(DWT)壓縮和BP神經(jīng)網(wǎng)絡(luò)壓縮，可以將三種壓縮方法的PSNR—R曲線和MSE—R曲線畫在同一個(gè)坐標(biāo)系中，如圖9，圖10所示。從圖9，圖10分析可以發(fā)現(xiàn)，在三種壓縮方法的PSNR曲線和MSE曲線中，神經(jīng)網(wǎng)絡(luò)壓縮的PSNR曲線比其他兩種方法更平穩(wěn)。隨著壓縮率R的下降，DCT壓縮和DWT壓縮的PSNR值下降很快，而BP神經(jīng)網(wǎng)絡(luò)壓縮的PSNR則相對(duì)下降緩慢。這說(shuō)明DCT壓縮和DWT壓縮對(duì)信息損失和再現(xiàn)圖像質(zhì)量的影響程度比BP神經(jīng)網(wǎng)絡(luò)壓縮高。這也就是說(shuō)，相對(duì)于DCT壓縮和DWT壓縮，神經(jīng)網(wǎng)絡(luò)在處理非線性的全息信息分布問(wèn)題上具有智能性和自適應(yīng)性，對(duì)不同的壓縮率具有魯棒性。另夕卜，在很低的壓縮率下，神經(jīng)網(wǎng)絡(luò)壓縮比DCT壓縮和DWT壓縮有更好的再現(xiàn)圖像質(zhì)量和更小的再現(xiàn)誤差。在壓縮比達(dá)到4:64(R=6.25%)時(shí)，神經(jīng)網(wǎng)絡(luò)壓縮得到的再現(xiàn)圖像的PSNR值和DCT壓縮得到的PSNR值接近，當(dāng)壓縮率進(jìn)一步下降，神經(jīng)網(wǎng)絡(luò)壓縮比DCT壓縮更有效。在壓縮率達(dá)到l:64(R=1.5625%)時(shí)，神經(jīng)網(wǎng)絡(luò)壓縮也比DWT壓縮有效?？梢?jiàn)，在要求很低壓縮率的情況下，用神經(jīng)網(wǎng)絡(luò)去處理全息圖是一種更有效的方法。另一方面，本發(fā)明還提供了一種基于人工合成神經(jīng)網(wǎng)絡(luò)的數(shù)字全息圖像處理系統(tǒng)，參照?qǐng)Dlla，該系統(tǒng)包括計(jì)算機(jī)全息圖制作模塊llOl，用于將獲取的數(shù)字圖像采用計(jì)算機(jī)合成全息圖；神經(jīng)網(wǎng)絡(luò)圖像壓縮模塊1102，用于利用神經(jīng)網(wǎng)絡(luò)中輸入層和隱藏層中神經(jīng)元點(diǎn)數(shù)之比，對(duì)所述全息圖進(jìn)行壓縮，獲取壓縮編碼的合成全息圖；神經(jīng)網(wǎng)絡(luò)圖像解碼模塊1103，用于利用神經(jīng)網(wǎng)絡(luò)中隱藏層和輸出層中神經(jīng)元點(diǎn)數(shù)之比，對(duì)所述壓縮編碼的合成全息圖進(jìn)行解碼，獲取解碼后的全息圖；菲涅爾再現(xiàn)模塊1104，用于采用菲涅爾轉(zhuǎn)換計(jì)算成像面上的場(chǎng)分布，再所述解碼后的全息圖。上述各個(gè)模塊的工作原理與方法實(shí)施例中相同，在此不再贅述，相關(guān)之處互相參照即可。參照?qǐng)Dllb，圖lib為從發(fā)送端(圖像壓縮系統(tǒng))和接收端(圖像解碼系統(tǒng))的角度提取的基于人工合成神經(jīng)網(wǎng)絡(luò)的數(shù)字全息圖像處理系統(tǒng)實(shí)施例的結(jié)構(gòu)示意圖。其中，11a代表發(fā)送端，llb代表接收端。即發(fā)送端lla包括計(jì)算機(jī)全息圖制作模塊1101、神經(jīng)網(wǎng)絡(luò)圖像壓縮模塊1102;接收端lib包括神經(jīng)網(wǎng)絡(luò)圖像解碼模塊1103、菲涅爾再現(xiàn)模塊1104。發(fā)送端11a中的神經(jīng)網(wǎng)絡(luò)圖像壓縮模塊1102利用神經(jīng)網(wǎng)絡(luò)中輸入層和隱藏層中神經(jīng)元點(diǎn)數(shù)之比，對(duì)所述全息圖進(jìn)行壓縮，獲取壓縮編碼的合成全息圖后，將合成的全息圖發(fā)送至接收端lib;同時(shí)，還需要將神經(jīng)網(wǎng)絡(luò)中隱藏層、輸出層的相關(guān)參數(shù)也發(fā)送至接收端11b，這樣，神經(jīng)網(wǎng)絡(luò)圖像解碼模塊1103才能通過(guò)接收到的參數(shù)信息對(duì)壓縮編碼后的全息圖進(jìn)行解碼。上述各個(gè)模塊的工作原理與方法實(shí)施例中相同，在此不再贅述，相關(guān)之處互相參照即可。綜上所述，本發(fā)明是為了構(gòu)造一種通用的全息信息壓縮系統(tǒng)，在處理非線性的全息信息分布問(wèn)題上具有智能性和自適應(yīng)性，即壓縮率變化時(shí)，壓縮得到的再現(xiàn)圖像質(zhì)量有較好的魯棒性。主要的優(yōu)點(diǎn)在于第一、利用神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力，通過(guò)全息圖的樣本訓(xùn)練集，使神經(jīng)網(wǎng)絡(luò)具有表達(dá)全息圖非線性分布的能力。第二、利用神經(jīng)網(wǎng)絡(luò)的智能性和自適應(yīng)特點(diǎn)，去處理復(fù)雜的全息圖信息分布問(wèn)題，如動(dòng)態(tài)范圍大，非線性程度高。第三、利用全息圖像素之間的關(guān)聯(lián)性和神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中的神經(jīng)元的關(guān)聯(lián)性很類似來(lái)處理非線性的全息信息分布。以上對(duì)本發(fā)明所提供的一種數(shù)字全息圖像壓縮、解碼方法及系統(tǒng)、傳輸方法及系統(tǒng)詳細(xì)介紹，本文中應(yīng)用了具體實(shí)施例對(duì)本發(fā)明的原理及實(shí)施方式進(jìn)行了闡述，以上實(shí)施例的說(shuō)明只是用于幫助理解本發(fā)明的方法及其核心思想；同時(shí)，對(duì)于本領(lǐng)域的一般技術(shù)人員，依據(jù)本發(fā)明的思想，在具體實(shí)施方式及應(yīng)用范圍上均會(huì)有改變之處。綜上所述，本說(shuō)明書內(nèi)容不應(yīng)理解為對(duì)本發(fā)明的限制。權(quán)利要求一種數(shù)字全息圖像壓縮方法，其特征在于，包括如下步驟計(jì)算機(jī)全息圖制作步驟，將獲取的數(shù)字圖像采用計(jì)算機(jī)合成全息圖；神經(jīng)網(wǎng)絡(luò)圖像壓縮步驟，利用神經(jīng)網(wǎng)絡(luò)中輸入層和隱藏層中神經(jīng)元點(diǎn)數(shù)之比，對(duì)所述全息圖進(jìn)行壓縮，獲取壓縮編碼的合成全息圖。2.根據(jù)權(quán)利要求1所述的數(shù)字全息圖像壓縮方法，其特征在于，所述計(jì)算機(jī)全息圖制作步驟包括物波的數(shù)學(xué)表達(dá)式選擇步驟，選擇需要描述的物波的數(shù)學(xué)表達(dá)式；菲涅爾衍射場(chǎng)分布計(jì)算步驟，計(jì)算物波在全息面上的菲涅爾衍射場(chǎng)分布；全息圖合成步驟，將光場(chǎng)分布編碼成全息圖的透過(guò)率函數(shù)，完成全息圖的合成。3.根據(jù)權(quán)利要求1所述的數(shù)字全息圖像壓縮方法，其特征在于，所述計(jì)算機(jī)全息圖制作步驟與所述神經(jīng)網(wǎng)絡(luò)圖像壓縮步驟之間，還包括神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練步驟，所述神經(jīng)網(wǎng)絡(luò)訓(xùn)練步驟包括神經(jīng)網(wǎng)絡(luò)參數(shù)初始化步驟，對(duì)所述神經(jīng)網(wǎng)絡(luò)的參數(shù)進(jìn)行初始化，將各神經(jīng)元的連接權(quán)值和偏置值設(shè)置為隨機(jī)數(shù)以避免BP神經(jīng)網(wǎng)絡(luò)陷入局部最小值；輸入步驟，將訓(xùn)練樣本集S中的一個(gè)訓(xùn)練樣本(Xi，Y》輸入到所述BP神經(jīng)網(wǎng)絡(luò)，&作為輸入向量送入輸入層，1作為教師向量送入到輸出層；隱藏層輸出計(jì)算步驟，利用公式^=/(i;,,x,+~)計(jì)算隱藏層的每個(gè)神經(jīng)元j的輸出hj，實(shí)現(xiàn)所述訓(xùn)練樣本經(jīng)過(guò)所述BP神經(jīng)網(wǎng)絡(luò)前向傳播；其中，Xi為輸入層的輸入，hj為隱藏層的輸出，Wji為輸入層到隱藏層的連接權(quán)值，bj為偏置；輸出層輸出計(jì)算步驟，利用公式乂=/(i《~+")計(jì)算輸出層的每個(gè)神經(jīng)元1的輸出yj;其中，yi為輸出層的輸出，Wij'為隱藏層到輸出層的連接權(quán)值，bi'為偏置；輸出層誤差值計(jì)算步驟，計(jì)算輸出層的誤差值E，所述誤差E通過(guò)計(jì)算實(shí)際輸出向量與教師向量之差得到E二E(Yiii)2;誤差反向傳播計(jì)算單元，用于計(jì)算輸出層和隱藏層的連接權(quán)值調(diào)整，權(quán)值調(diào)整的計(jì)算公式為八^=aSjOi，其中，a為網(wǎng)絡(luò)的學(xué)習(xí)率，0j=f(Sj)是根據(jù)第j個(gè)神經(jīng)元的輸入值Sj計(jì)算得到的輸出值，Sj是輸出層的誤差E對(duì)第j個(gè)神經(jīng)元輸入的偏導(dǎo)數(shù)，網(wǎng)絡(luò)前一層的S值可以根據(jù)后一層的S值計(jì)算，公式為《—1')Z《《，其中S/-工為第m-l層第j個(gè)神經(jīng)元的S值，s/1—工為第m-l層第j個(gè)神經(jīng)元的輸入值，f'為神經(jīng)元激活函數(shù)的一階導(dǎo)數(shù)，所述隱藏層的權(quán)值調(diào)整參值從輸出層的反傳誤差算得，直到將所述隱藏層內(nèi)每個(gè)節(jié)點(diǎn)的連接權(quán)值調(diào)整算出為止；修正步驟，利用輸出層和隱藏層的連接權(quán)值修正計(jì)算公式，修正隱藏層到輸出層的連接權(quán)值Wi/、輸入層到隱藏層的連接權(quán)值Wji。4.根據(jù)權(quán)利要求3所述的數(shù)字全息圖像壓縮方法，其特征在于，所述輸入步驟中，所述訓(xùn)練樣本集通過(guò)如下步驟獲取分割步驟，將NXN像素的全息圖，先分割成大小為mXm的方形數(shù)據(jù)塊；訓(xùn)練樣本獲取子單元，將每一個(gè)所述mXm的方形數(shù)據(jù)塊轉(zhuǎn)換成一個(gè)n^Xl維的向量，m2對(duì)應(yīng)于所述BP神經(jīng)網(wǎng)絡(luò)中輸入結(jié)點(diǎn)個(gè)數(shù)，則所述NXN像素的圖像被分割成(N/m)2個(gè)訓(xùn)練向量作為所述BP神經(jīng)網(wǎng)絡(luò)的所述訓(xùn)練樣本，N為待壓縮圖像的像素大小，m為對(duì)像素進(jìn)行分塊的像素大小，要求N能夠被m整除。5.根據(jù)權(quán)利要求4所述的數(shù)字全息圖像壓縮系統(tǒng)，其特征在于，所述分割單元中，m的取值為8。6.—種數(shù)字全息圖像解碼方法，其特征在于，包括如下步驟神經(jīng)網(wǎng)絡(luò)圖像解碼步驟，利用所述神經(jīng)網(wǎng)絡(luò)中隱藏層和輸出層中神經(jīng)元點(diǎn)數(shù)之比，對(duì)所述壓縮編碼的合成全息圖進(jìn)行解碼，獲取解碼后的全息圖；菲涅爾再現(xiàn)步驟，采用菲涅爾轉(zhuǎn)換計(jì)算成像面上的場(chǎng)分布，再所述解碼后的全息圖。7.—種數(shù)字全息圖像傳輸方法，其特征在于，包括如權(quán)利要求1至5中任一項(xiàng)所述的基于人工合成神經(jīng)網(wǎng)絡(luò)的數(shù)字全息圖像壓縮方法外，還包括神經(jīng)網(wǎng)絡(luò)圖像解碼步驟，利用所述神經(jīng)網(wǎng)絡(luò)中隱藏層和輸出層中神經(jīng)元點(diǎn)數(shù)之比，對(duì)所述壓縮編碼的合成全息圖進(jìn)行解碼，獲取解碼后的全息圖；菲涅爾再現(xiàn)步驟，采用菲涅爾轉(zhuǎn)換計(jì)算成像面上的場(chǎng)分布，再所述解碼后的全息圖。8.—種數(shù)字全息圖像壓縮系統(tǒng)，其特征在于，包括計(jì)算機(jī)全息圖制作模塊，用于將獲取的數(shù)字圖像采用計(jì)算機(jī)合成全息圖；神經(jīng)網(wǎng)絡(luò)圖像壓縮模塊，用于利用神經(jīng)網(wǎng)絡(luò)中輸入層和隱藏層中神經(jīng)元點(diǎn)數(shù)之比，對(duì)所述全息圖進(jìn)行壓縮，獲取壓縮編碼的合成全息圖。9.根據(jù)權(quán)利要求8所述的數(shù)字全息圖像壓縮系統(tǒng)，其特征在于，所述計(jì)算機(jī)全息圖制作模塊包括物波的數(shù)學(xué)表達(dá)式選擇單元，用于選擇需要描述的物波的數(shù)學(xué)表達(dá)式；菲涅爾衍射場(chǎng)分布計(jì)算單元，用于計(jì)算物波在全息面上的菲涅爾衍射場(chǎng)分布；全息圖合成單元，用于將光場(chǎng)分布編碼成全息圖的透過(guò)率函數(shù)，完成全息圖的合成。10.根據(jù)權(quán)利要求8所述的數(shù)字全息圖像壓縮系統(tǒng)，其特征在于，所述計(jì)算機(jī)全息圖制作模塊與所述神經(jīng)網(wǎng)絡(luò)圖像壓縮模塊之間，還連接有神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練模塊，具體包括神經(jīng)網(wǎng)絡(luò)參數(shù)初始化單元，用于對(duì)所述神經(jīng)網(wǎng)絡(luò)的參數(shù)進(jìn)行初始化，將各神經(jīng)元的連接權(quán)值和偏置值設(shè)置為隨機(jī)數(shù)以避免BP神經(jīng)網(wǎng)絡(luò)陷入局部最小值；輸入單元，用于將訓(xùn)練樣本集S中的一個(gè)訓(xùn)練樣本(Xi，Yi)輸入到所述BP神經(jīng)網(wǎng)絡(luò)，Xi作為輸入向量送入輸入層，1作為教師向量送入到輸出層；隱藏層輸出計(jì)算單元，用于利用公式^=/(i;^vx,+~)計(jì)算隱藏層的每個(gè)神經(jīng)元j,=1的輸出hj，實(shí)現(xiàn)所述訓(xùn)練樣本經(jīng)過(guò)所述BP神經(jīng)網(wǎng)絡(luò)前向傳播；其中，Xi為輸入層的輸入，hj為隱藏層的輸出，Wji為輸入層到隱藏層的連接權(quán)值，bj為偏置；輸出層輸出計(jì)算單元，用于利用公式乂+")計(jì)算輸出層的每個(gè)神經(jīng)元1的輸出yj;其中，yi為輸出層的輸出，Wij'為隱藏層到輸出層的連接權(quán)值，bi'為偏置；輸出層誤差值計(jì)算單元，用于計(jì)算輸出層的誤差值E，所述誤差E通過(guò)計(jì)算實(shí)際輸出向量與教師向量之差得到E=E(Yi-yi)2;誤差反向傳播計(jì)算單元，用于計(jì)算輸出層和隱藏層的連接權(quán)值調(diào)整，權(quán)值調(diào)整的計(jì)算公式為AWij二aSjOi，其中，a為網(wǎng)絡(luò)的學(xué)習(xí)率，0j=f(Sj)是根據(jù)第j個(gè)神經(jīng)元的輸入值Sj計(jì)算得到的輸出值，Sj是輸出層的誤差E對(duì)第j個(gè)神經(jīng)元輸入的偏導(dǎo)數(shù)，網(wǎng)絡(luò)前一層的s值可以根據(jù)后一層的s值計(jì)算，公式為^廠1-/'(^""Z^^;",其中S/-工為第m-l層第j個(gè)神經(jīng)元的S值，s/1—工為第m-l層第j個(gè)神經(jīng)元的輸入值，f'為神經(jīng)元激活函數(shù)的一階導(dǎo)數(shù)，所述隱藏層的權(quán)值調(diào)整參值從輸出層的反傳誤差算得，直到將所述隱藏層內(nèi)每個(gè)節(jié)點(diǎn)的連接權(quán)值調(diào)整算出為止；修正單元，用于利用輸出層和隱藏層的連接權(quán)值修正計(jì)算公式，修正隱藏層到輸出層的連接權(quán)值Wi/、輸入層到隱藏層的連接權(quán)值Wij。11.根據(jù)權(quán)利要求IO所述的數(shù)字全息圖像壓縮系統(tǒng)，其特征在于，所述輸入單元包括分割子單元，將NXN像素的圖像，先分割成大小為mXm的方形數(shù)據(jù)塊；訓(xùn)練樣本獲取子單元，將每一個(gè)所述mXm的方形數(shù)據(jù)塊轉(zhuǎn)換成一個(gè)n^Xl維的向量，m2對(duì)應(yīng)于所述BP神經(jīng)網(wǎng)絡(luò)中輸入結(jié)點(diǎn)個(gè)數(shù)，則所述NXN像素的圖像被分割成(N/m)2個(gè)訓(xùn)練向量作為所述BP神經(jīng)網(wǎng)絡(luò)的所述訓(xùn)練樣本，N為待壓縮圖像的像素大小，m為對(duì)像素進(jìn)行分塊的像素大小，要求N能夠被m整除。12.根據(jù)權(quán)利要求11所述的數(shù)字全息圖像壓縮系統(tǒng)，其特征在于，所述分割單元中，m的取值為8。13.—種數(shù)字全息圖像解碼系統(tǒng)，其特征在于，包括神經(jīng)網(wǎng)絡(luò)圖像解碼模塊，利用所述神經(jīng)網(wǎng)絡(luò)中隱藏層和輸出層中神經(jīng)元點(diǎn)數(shù)之比，對(duì)所述壓縮編碼的合成全息圖進(jìn)行解碼，獲取解碼后的全息圖；菲涅爾再現(xiàn)模塊，采用菲涅爾轉(zhuǎn)換計(jì)算成像面上的場(chǎng)分布，再所述解碼后的全息圖。14.一種數(shù)字全息圖像傳輸系統(tǒng)，其特征在于，包括如權(quán)利要求8至11中任一項(xiàng)所述的數(shù)字全息圖像壓縮系統(tǒng)，還包括神經(jīng)網(wǎng)絡(luò)圖像解碼模塊，用于利用神經(jīng)網(wǎng)絡(luò)中隱藏層和輸出層中神經(jīng)元點(diǎn)數(shù)之比，對(duì)所述壓縮編碼的合成全息圖進(jìn)行解碼，獲取解碼后的全息圖；菲涅爾再現(xiàn)模塊，用于采用菲涅爾轉(zhuǎn)換計(jì)算成像面上的場(chǎng)分布，再所述解碼后的全息圖。全文摘要本發(fā)明公開(kāi)了一種數(shù)字全息圖像壓縮、解碼方法及系統(tǒng)、傳輸方法及系統(tǒng)。其中，傳輸方法包括將獲取的數(shù)字圖像采用計(jì)算機(jī)合成全息圖；利用神經(jīng)網(wǎng)絡(luò)中輸入層和隱藏層中神經(jīng)元點(diǎn)數(shù)之比，對(duì)全息圖進(jìn)行壓縮，獲取壓縮編碼的合成全息圖；利用神經(jīng)網(wǎng)絡(luò)中隱藏層和輸出層中神經(jīng)元點(diǎn)數(shù)之比，對(duì)壓縮編碼的合成全息圖進(jìn)行解碼，獲取解碼后的全息圖；采用菲涅爾轉(zhuǎn)換計(jì)算成像面上的場(chǎng)分布，再所述解碼后的全息圖。本發(fā)明采用BP神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)字全息圖像進(jìn)行壓縮，有效克服了數(shù)字全息圖信息分布的非線性、信息分布類似隨機(jī)噪聲、有較大動(dòng)態(tài)范圍所帶來(lái)的壓縮弊端，有效的提高了數(shù)字全息圖像的壓縮效率。文檔編號(hào)H04N1/41GK101795344SQ201010116678公開(kāi)日2010年8月4日申請(qǐng)日期2010年3月2日優(yōu)先權(quán)日2010年3月2日發(fā)明者楊光臨申請(qǐng)人:北京大學(xué)