基于径向基神经网络的相位畸变补偿算法(特邀)
1 引言
数字全息显微镜(DHM)[1-3]将相位成像和显微技术结合,能够非侵入、无损伤定量地实现生物细胞高速、高对比度成像,也能从干涉条纹中获取光程的变化量,定量地测得样本三维特征。目前,DHM已应用于许多领域,如活细胞动态成像[4]、微纳结构测量[5]、光纤的表征[6],是显微领域中的重要光学测量技术。离轴数字全息显微术[7-8]在物光波的传播方向和参考波之间引入倾斜角度时附加了载波频率,使得零级背景像、重建像及共轭像在波场的重建过程中彼此分离,通过傅里叶变换法(FTM)[9]频谱滤波可以在重建中消除零级像和共轭像的干扰,但是残余的载波频率使重建像产生了倾斜相位畸变[9],此外物光和参考光之间的球面曲率不匹配以及光学系统的高阶像差都会使得结果出现偏差。
最初Takeda等[10]在FTM的基础上将频谱图峰值点移动到频谱图中心,消除载波频率,这种方法虽然简单,但是忽略了球面曲率和高阶像差,在这种情况下,频谱不再显示准确的中心频率,影响样本相位分布的精确重建。近些年,国内外研究人员提出了大量的解决方案,主要可分为物理补偿方法和数值补偿方法。物理补偿通常使用双曝光法(DEM)[11-12]预先记录背景全息图或者在实验中引入相同曲率的透镜来实现二次相位畸变补偿[13],但是该方法需要光学元件的精确对准,并且在实践中难以实现完美波面匹配。数值补偿方法通过数字全息图后处理消除成像过程中的相位畸变,可以在不需要额外全息图或知道系统参数的情况下校正相位像差,包括Zernike多项式拟合(ZPF)[14-15]、最小二乘法拟合(LSF)[16]、频谱质心法(SCM)[17]、主成分分析法(PCA)[18-19]等。在ZPF中,被测样本的相位分布被认为是叠加在整个重构相位分布上的微小扰动,通过开展参考波的计算拟合整个背景相位分布来消除载波及二次相位畸变,在使用ZPF方法时需要根据不同情况选择项数,例如误差是低频还是中低频或者不同的波面形状。SCM通过定位滤波窗内质心来寻找低频点中心,重建质量取决于窗口的设计,而且无法消除高阶像差。LSF方法在相位图上选取若干背景散点来拟合出共轭的畸变相位以实现畸变量的消除,但LSF方法要求对畸变相位的阶数的预估,在实际应用中可能忽略了部分高阶项。PCA方法则通过奇异值分解来获得主要部分并对其左右主奇异向量进行分量拟合,然后使用主分量的共轭乘实像获得去除畸变的相位分布,PCA方法分析主要成分,对于高阶相位畸变成分的恢复结果不佳。
在自适应光学(AO)领域,人工神经网络(ANN)早已用于波前重构,常用的卷积神经网络(CNN)结构,如AlexNet[20]、VGG[21]和U-Net[22]均已实现波前相位恢复,近些年CNN也逐步被用于DHM相位图的像差自动补偿[23],但是这些基于卷积算法的网络结构都用于时间不受限的场景,因而在要求高动态成像能力的DHM中并未得到应用。径向基神经网络(RBF)[24]几乎能完全逼近任何函数,而且RBF神经网络是高效的前馈式网络,具有全局最优特性,并且结构简单、训练速度快,适用于动态成像的波前处理,此外RBF可在输入、输出之间构建出非线性函数,无需任何光学参数的测定,简化了预处理过程。
本文基于RBF神经网络实现了一种适用于DHM相位畸变补偿的算法:首先通过傅里叶变换将“+1”级频谱移至频谱中心生成消除了大部分载波频率的重建相位图;然后根据重建相图生成二值化图像掩膜,提取出背景区域部分散点数据作为训练样本;最后设置RBF网络参数对其进行训练,通过非线性映射计算出系统的相位像差,构建共轭的相位掩模完成补偿进而计算出物体的精确相位。
2 RBF相位恢复算法原理
在离轴数字全息术中,物体的相位信息通过物光与参考光的干涉记录。在无高阶像差的情况下,数字全息术的参考光波和物光波可定义为
式中:A为振幅;
2.1 相位像差理论
由于二次相位畸变和高阶像差的存在,全息图强度变为
式中:
消除
2.2 背景分割与散点数据的提取
手动选择相位背景牺牲了校正的自动性,在背景分割中,通过最大类间方差(OTSU)算法[26]对灰度图像进行分割并转换为二值图像。在实际应用中,相干光源的散斑噪声、采样噪声和环境振动等可能会在二值图像中产生一些孔洞或孤岛,因此采用形态学的腐蚀与膨胀操作来提高分割质量,然后通过二进制图像中的所有白色像素来提取准确的背景区域。在散点数据的提取上,将白色像素分割为多个50×50的矩阵,在矩阵内随机提取一个值,最终获取的全部像素点即为所需的散点数据,散点的坐标为RBF的输入,值为RBF拟合的目标。
2.3 径向基神经网络相位畸变校正
RBF神经网络[24]的结构如
RBF网络的设计和训练包括:1)确定要使用多少个核函数;2)确定它们的中心参数和宽度参数;3)确定将它们连接到输出节点的权重。该算法流程如
RBF相位畸变补偿训练过程主要包含两部分:1)正向传播计算误差;2)反向传播参数调整。在算法设计中,输入的训练集的相位是
RBF神经网络的损失函数为
根据损失函数,利用梯度下降法更新参数
式中:
3 仿真与实验结果
3.1 仿真结果
peaks(200)函数的计算机模拟结果如
图 4. 仿真结果。(a)数字全息图;(b)傅里叶频谱;(c)FTM初步重建相位;(d)RBF补偿相位及选取的训练散点;(e)校正相位;(f)仿真物体、SCM、PCA及RBF方法在白线剖面处的数据
Fig. 4. Simulation results: (a) Digital hologram; (b) Fourier spectrum; (c) FTM initial reconstruction phase; (d) RBF compensation phase and selected training scatters; (e) corrected phase; (f) the simulated object, SCM, PCA and RBF data at the white line section
3.2 实验结果分析
为验证所提算法在实际应用中的效果,搭建了离轴干涉实验系统对HL60细胞进行成像,实验系统如
实验中获得的数字全息图的像素为600×600,根据训练集的选取方法,从初始的重建相位图中获取了12×12个散点作为输入,由于输入样本的减少,整个校正相位的计算时间也减少到1.5 s以下。结果如
图 7. 实验结果。(a)数字全息图;(b)PCA重建相位;(c)SCM重建相位;(d)RBF重建相位;(e)DEM重建相位;(f)图7(a)中白线剖面处数据
Fig. 7. Experimental results. (a) Digital hologram; (b) PCA reconstruction phase; (c) SCM reconstruction phase; (d) RBF reconstruction phase; (e) DEM reconstruction phase; (f) the white line section data in Fig. 7 (a)
此外,对视场内多个细胞的情况也进行分析,
图 8. 实验结果。(a)数字全息图;(b)获取训练数据的掩膜;(c)SCM重建相位;(d)PCA重建相位;(e)DEM重建相位;(f)RBF重建相位
Fig. 8. Experimental results. (a) Digital hologram; (b) the mask for obtaining training data; (c) SCM reconstruction phase; (d) PCA reconstruction phase; (e) DEM reconstruction phase; (f) RBF reconstruction phase
4 结论
提出一种基于RBF神经网络的离轴数字全息干涉相位畸变校正方法,通过RBF网络校正载波频率、二次相位畸变和其他高阶像差。该方法使用OTSU获取训练集的数据,对训练集进行归一化处理,将所有畸变量视作一个整体,通过非线性映射预测系统的相位像差,其损失函数考虑了建立的校准平面和RBF网络输出的误差。在仿真中,以原模型为基准计算3种方法全局的均方误差,RBF所得结果为0.0374,PCA为0.0470,SCM为0.3303。可见该方法能够获得更高的质量。在实验中设计了离轴全息显微镜对HL60细胞进行成像,在具有多细胞的视场内,RBF相位畸变校正算法获得的相位图相对于DEM方法的均方误差为0.0041,峰谷值为0.22。即RBF网络能够更准确地消除数字全息显微相位像差,对数字全息显微三维曲面重构具有重要意义。
[1] Cacace T, Bianco V, Ferraro P. Quantitative phase imaging trends in biomedical applications[J]. Optics and Lasers in Engineering, 2020, 135: 106188.
[2] Lee K R, Kim K, Jung J, et al. Quantitative phase imaging techniques for the study of cell pathophysiology: from principles to applications[J]. Sensors, 2013, 13(4): 4170-4191.
[3] 满天龙, 万玉红, 菅孟静, 等. 面向生物样品三维成像的光干涉显微技术研究进展[J]. 中国激光, 2022, 49(15): 1507202.
[4] Shen Q A, Li Z S, Sun J S, et al. Live-cell analysis framework for quantitative phase imaging with slightly off-axis digital holographic microscopy[J]. Frontiers in Photonics, 2022, 3: 1083139.
[5] 陶思勤, 孔明, 刘维, 等. 基于双波长像面数字全息显微的微通道检测[J]. 光学学报, 2023, 43(5): 0509001.
[6] Pang Z T, Zhang H, Wang Y, et al. Recognition of multiscale dense gel filament-droplet field in digital holography with Mo-U-net[J]. Frontiers in Physics, 2021, 9: 742296.
[7] 刘雅坤, 肖文, 车蕾平, 等. 基于数字全息显微层析的癌细胞空泡化成像研究[J]. 中国激光, 2022, 49(20): 2007209.
[8] Shaked N T, Micó V, Trusiak M, et al. Off-axis digital holographic multiplexing for rapid wavefront acquisition and processing[J]. Advances in Optics and Photonics, 2020, 12(3): 556.
[9] 李芳, 王明清, 郑明, 等. 一种有效解决离轴数字全息相图倾斜畸变的数字参考平面方法[J]. 物理学报, 2018, 67(9): 094202.
Li F, Wang M Q, Zheng M, et al. Numerical reference plane algorithm for effectively solving tilt distortion of a phase image in digital off-axis holography[J]. Acta Physica Sinica, 2018, 67(9): 094202.
[10] Takeda M, Ina H, Kobayashi S. Fourier-transform method of fringe-pattern analysis for computer-based topography and interferometry[J]. Review of Scientific Instruments, 1982, 72: 156-160.
[11] Hao B G, Shan M G, Zhi Z, et al. Parallel two-step spatial carrier phase-shifting interferometric phase microscopy with fast phase retrieval[J]. Journal of Optics, 2015, 17(3): 035602.
[12] Panezai S, Wang D Y, Zhao J, et al. Direct and complete calibration of phase modulation depth of LCOS by using double exposure digital holography[J]. Proceedings of SPIE, 2013, 9045: 90450N.
[13] Qu W J, Choo C O, Tan Rongwei L, et al. Physical spherical phase compensation in reflection digital holographic microscopy[J]. Optics and Lasers in Engineering, 2012, 50(4): 563-567.
[14] Miccio L, Alfieri D, Grilli S, et al. Direct full compensation of the aberrations in quantitative phase microscopy of thin objects by a single digital hologram[J]. Applied Physics Letters, 2007, 90(4): 041104.
[15] Zhang D S, Fan J P, Zhao H, et al. Error evaluation for Zernike polynomials fitting based phase compensation of digital holographic microscopy[J]. Optik, 2014, 125(18): 5148-5152.
[16] Di J L, Zhao J L, Sun W W, et al. Phase aberration compensation of digital holographic microscopy based on least squares surface fitting[J]. Optics Communications, 2009, 282(19): 3873-3877.
[17] Fan Q, Yang H R, Li G P, et al. Suppressing carrier removal error in the Fourier transform method for interferogram analysis[J]. Journal of Optics, 2010, 12(11): 115401.
[18] Sun J S, Chen Q A, Zhang Y Z, et al. Optimal principal component analysis-based numerical phase aberration compensation method for digital holography[J]. Optics Letters, 2016, 41(6): 1293.
[19] Zuo C, Chen Q A, Qu W J, et al. Phase aberration compensation in digital holographic microscopy based on principal component analysis[J]. Optics Letters, 2013, 38(10): 1724-1726.
[20] Hu L J, Hu S W, Gong W, et al. Learning-based Shack-Hartmann wavefront sensor for high-order aberration detection: erratum[J]. Optics Express, 2020, 28(21): 32132.
[21] Guo H Y, Xu Y J, Li Q, et al. Improved machine learning approach for wavefront sensing[J]. Sensors, 2019, 19(16): 3533.
[22] RonnebergerO, FischerP, BroxT. U-net: convolutional networks for biomedical image segmentation[M]∥NavabN, HorneggerJ, WellsW M, et al. Medical image computing and computer-assisted intervention-MICCAI 2015. Lecture notes in computer science. Cham: Springer, 2015, 9351: 234-241.
[23] Nguyen T, Bui V, Lam V, et al. Automatic phase aberration compensation for digital holographic microscopy based on deep learning background detection[J]. Optics Express, 2017, 25(13): 15043-15057.
[24] Esposito A, Marinaro M, Oricchio D, et al. Approximation of continuous and discontinuous mappings by a growing neural RBF-based algorithm[J]. Neural Networks, 2000, 13(6): 651-665.
[25] Ferraro P, De Nicola S, Finizio A, et al. Compensation of the inherent wave front curvature in digital holographic coherent microscopy for quantitative phase-contrast imaging[J]. Applied Optics, 2003, 42(11): 1938-1946.
[26] Otsu N. A threshold selection method from gray-level histograms[J]. IEEE Transactions on Systems, Man, and Cybernetics, 1979, 9(1): 62-66.
Article Outline
史有洲, 吴一辉, 周文超. 基于径向基神经网络的相位畸变补偿算法(特邀)[J]. 激光与光电子学进展, 2024, 61(4): 0411002. Youzhou Shi, Yihui Wu, Wenchao Zhou. Phase Compensation Algorithm for Off-Axis Digital Holography Based on a Radial Basis Function Neural Network(Invited)[J]. Laser & Optoelectronics Progress, 2024, 61(4): 0411002.