2022
DOI: 10.1007/s00340-022-07911-x
|View full text |Cite
|
Sign up to set email alerts
|

Roadmap of incoherent digital holography

Abstract: This roadmap article focuses on spatially incoherent digital holography (IDH). Representative IDH methods such as optical scanning holography (OSH), Fresnel incoherent correlation holography (FINCH), coded aperture correlation holography (COACH), IDH with a Fresnel zone aperture, and IDH with an interferometer along with a state-of-the-art optical device are introduced as modern IDH methods. We describe these IDH techniques with applications of three-dimensional (3D) imagers, 3D thermography, and 3D microscopy. Show more

Help me understand this report

Search citation statements

Order By: Relevance

Paper Sections

Select...
2
1

Citation Types

0
17
0
1

Year Published

2022
2022
2024
2024

Publication Types

Select...
5
2
1

Relationship

1
7

Authors

Journals

citations
Cited by 52 publications
(29 citation statements)
references
References 179 publications
0
17
0
1
Order By: Relevance
“…Xu等人 [109] 三种简单光学成像系统在成像机理、成像性能、加工手段和应用场景方面各 具特色。简单透镜依靠面型的变化调制入射光波前,可通过透镜组合的方式补偿 色散,达到消除色差的目的 [114] 。简单透镜具有大口径设计、低加工成本等特点, 在照相机、手机摄像头等消费电子领域的应用较广。掩膜调制元件包括振幅型和 相位型两种,在一定程度上实现了更轻薄的平面化设计,减小了器件的体积和重 量。振幅型掩膜通过对入射光进行部分遮挡或者衰减进行编码调制,具有较低的 图像信噪比;相位型掩模有效地解决了振幅型掩膜调制中光通量较低、图像信噪 比不高的问题,但存在较大色差。掩膜调制元件的特征尺寸为微米级,可以大批 量生产,在三维成像、显微成像和内窥镜等领域有较多应用 [115] 。超构透镜通过 亚波长超构单元来调控光场的相位、振幅、偏振等参数,具有超轻超薄的平面结 构, 有利于实现紧凑、 多功能的成像, 相比于二元衍射光学元件拥有更大的潜力, 在显微成像、大视场成像、超分辨成像等领域有广阔应用前景 [116,117] 。目前超构 透镜难以实现大口径加工,在宽带消色差、高数值孔径下的高聚焦效率等方面还 存在挑战有待解决。 人们提出了双边全变差(BTV) [120] 、广义全变差(TGV) [121] 等方法。显微生物 成像的应用中通常采用稀疏特性的正则化方法,例如 l 1 或 l 0 范数。常用的优化迭 代求解算法包括迭代收缩阈值算法 (ISTA) [122] 、 两步迭代收缩阈值算法 (TwIST) [123] 、快速迭代收缩阈值算法(FISTA) [124] 、交替方向乘子法(ADMM) [125] [132] 、傅里叶层叠成像系统 [133] [134][135][136][137] 、三维粒子场成像 [138] 、相位恢复 [139][140][141] 和透过散射介质成像 [142,143] 深度学习作为一种数据驱动的方法,需要贴合实际场景的数据集进行学习。 目前, 数据集可以通过实验采集或者模拟生成。 实验采集的数据更贴近真实场景, 模拟生成数据的效率更高,但是通常需要引入衍射和传感器像素响应等光学过程。 深度学习方法通常分为监督学习,半监督或部分监督学习和无监督学习,此外还 有另一类学习方法称之为强化学习,它通常在部分监督和无监督学习下进行讨论 [144] 。深度学习在计算成像领域应用时多采用监督式学习,在获得的原始数据信 息中恢复出目标图像 [145] 。常用的神经网络有深度神经网络(DNN) [146] ,卷积神 经网络(CNN) [147] ,递归神经网络(RNN) [148] 等,其中,DNN 具有多个隐藏 层并采用全连接的形式,可以自适应地提取高层次的特征,适用于图像分类、语 音识别、自然语言处理等应用,但是参数数量较多,容易导致过拟合或陷入局部 最优。CNN 采用部分连接的形式,通过卷积和池化等操作有效减少模型参数, 适用于图像分类、分割、识别等应用。RNN 能够模拟时序演化的特征,根据上 一时刻的状态自适应地对当前时刻进行处理,适用于语音识别、自然语言处理等 应用。 深度学习在计算成像中主要是为了解决图像映射问题,实现图像重建 [149] 。 其中,U-Net 卷积神经网络由于搭建简单,能够针对小数据集进行训练而被广泛 使用 [150] 。比如,Khan 等人使用可训练反转层,用以将测量值映射到中间图像空 间;再使用 U-Net 以提高重建的效果,用以生成更真实的图像 [151] 。U-Net 网络也 被用于图像深度估计,Wu 等人利用 U-Net 网络从编码图像中获取深度图像 [36] 。 此外,还可以在现有网络中增加一些网络模块以实现一些特殊功能,比如,Wu 等人使用深度反向投影网络(DBPN)以实现超分辨的图像重建 [152] 。DBPN 具有 重复的上采样层和下采样层,提供了误差反馈机制...…”
Section: 基于共振相位的超构表面,包括基于米氏共振和法布里-珀罗共振的惠更斯 超构表面。Decker 等人基于惠更斯原理,采用硅纳...unclassified
“…Xu等人 [109] 三种简单光学成像系统在成像机理、成像性能、加工手段和应用场景方面各 具特色。简单透镜依靠面型的变化调制入射光波前,可通过透镜组合的方式补偿 色散,达到消除色差的目的 [114] 。简单透镜具有大口径设计、低加工成本等特点, 在照相机、手机摄像头等消费电子领域的应用较广。掩膜调制元件包括振幅型和 相位型两种,在一定程度上实现了更轻薄的平面化设计,减小了器件的体积和重 量。振幅型掩膜通过对入射光进行部分遮挡或者衰减进行编码调制,具有较低的 图像信噪比;相位型掩模有效地解决了振幅型掩膜调制中光通量较低、图像信噪 比不高的问题,但存在较大色差。掩膜调制元件的特征尺寸为微米级,可以大批 量生产,在三维成像、显微成像和内窥镜等领域有较多应用 [115] 。超构透镜通过 亚波长超构单元来调控光场的相位、振幅、偏振等参数,具有超轻超薄的平面结 构, 有利于实现紧凑、 多功能的成像, 相比于二元衍射光学元件拥有更大的潜力, 在显微成像、大视场成像、超分辨成像等领域有广阔应用前景 [116,117] 。目前超构 透镜难以实现大口径加工,在宽带消色差、高数值孔径下的高聚焦效率等方面还 存在挑战有待解决。 人们提出了双边全变差(BTV) [120] 、广义全变差(TGV) [121] 等方法。显微生物 成像的应用中通常采用稀疏特性的正则化方法,例如 l 1 或 l 0 范数。常用的优化迭 代求解算法包括迭代收缩阈值算法 (ISTA) [122] 、 两步迭代收缩阈值算法 (TwIST) [123] 、快速迭代收缩阈值算法(FISTA) [124] 、交替方向乘子法(ADMM) [125] [132] 、傅里叶层叠成像系统 [133] [134][135][136][137] 、三维粒子场成像 [138] 、相位恢复 [139][140][141] 和透过散射介质成像 [142,143] 深度学习作为一种数据驱动的方法,需要贴合实际场景的数据集进行学习。 目前, 数据集可以通过实验采集或者模拟生成。 实验采集的数据更贴近真实场景, 模拟生成数据的效率更高,但是通常需要引入衍射和传感器像素响应等光学过程。 深度学习方法通常分为监督学习,半监督或部分监督学习和无监督学习,此外还 有另一类学习方法称之为强化学习,它通常在部分监督和无监督学习下进行讨论 [144] 。深度学习在计算成像领域应用时多采用监督式学习,在获得的原始数据信 息中恢复出目标图像 [145] 。常用的神经网络有深度神经网络(DNN) [146] ,卷积神 经网络(CNN) [147] ,递归神经网络(RNN) [148] 等,其中,DNN 具有多个隐藏 层并采用全连接的形式,可以自适应地提取高层次的特征,适用于图像分类、语 音识别、自然语言处理等应用,但是参数数量较多,容易导致过拟合或陷入局部 最优。CNN 采用部分连接的形式,通过卷积和池化等操作有效减少模型参数, 适用于图像分类、分割、识别等应用。RNN 能够模拟时序演化的特征,根据上 一时刻的状态自适应地对当前时刻进行处理,适用于语音识别、自然语言处理等 应用。 深度学习在计算成像中主要是为了解决图像映射问题,实现图像重建 [149] 。 其中,U-Net 卷积神经网络由于搭建简单,能够针对小数据集进行训练而被广泛 使用 [150] 。比如,Khan 等人使用可训练反转层,用以将测量值映射到中间图像空 间;再使用 U-Net 以提高重建的效果,用以生成更真实的图像 [151] 。U-Net 网络也 被用于图像深度估计,Wu 等人利用 U-Net 网络从编码图像中获取深度图像 [36] 。 此外,还可以在现有网络中增加一些网络模块以实现一些特殊功能,比如,Wu 等人使用深度反向投影网络(DBPN)以实现超分辨的图像重建 [152] 。DBPN 具有 重复的上采样层和下采样层,提供了误差反馈机制...…”
Section: 基于共振相位的超构表面,包括基于米氏共振和法布里-珀罗共振的惠更斯 超构表面。Decker 等人基于惠更斯原理,采用硅纳...unclassified
“…Currently, digital holography is gradually developing and widely implemented [1][2][3][4][5][6][7][8][9][10][11][12][13][14][15]. They learned to obtain spectrograms by rotating the hologram relative to the incident radiation by a certain angle.…”
Section: Introductionmentioning
confidence: 99%
“…ones which have a broad applicability. In incoherent digital holography (IDH), the light from an object is split into two, differently modulated and interfered to create a hologram which is processed in the computer to reconstruct the 3D object information [4,5]. Hence, IDH require two beam interference resulting in complicated optical configurations, and bulky, and heavy optical systems.…”
Section: Introductionmentioning
confidence: 99%