摘要
本发明公开了一种基于深度学习的数字全息包裹相位畸变补偿方法。通过计算机生成随机Zernike多项式系数和对应的包裹相位图,分别作为学习标签和网络训练神经网络模型;搭建数字全息光路记录待测样本的全息图,经数值重建后将其包裹相位图输入训练好的神经网络模型输出Zernike多项式系数重构相位畸变分布,在空间域补偿物光复振幅;对补偿后包裹相位图进行相位滤波和解包裹,并对解包裹后相位进行基于背景分割的Zernike多项式拟合来补偿残留畸变。本发明方法仅用仿真数据集训练网络,在相位解包裹前补偿大部分畸变,提高包裹相位数据可靠度,极大提高相位恢复准确度,具有计算速度快和精准补偿畸变等优点。