利用三维数字全息干涉技术测定人体皮肤的生物力学参数

《Optics and Lasers in Engineering》：Determination of biomechanical parameters of human skin using 3D digital holographic interferometry

数字全息术（DH）为原位观测浮游生物提供了非破坏性、高分辨率和大深度场优势，但其重建速度慢、图像质量差和可靠性不足的问题仍待解决。本文提出多自聚焦离轴DH方法，通过轴向滑动最小融合策略快速整合目标场切片，结合混合度规函数（HMF）自适应确定各兴趣区域（ROI）最佳焦距，显著提升浮游生物多目标成像的精度与稳定性，实验验证其效果优于传统方法。

　　数字全息技术（Digital Holography, DH）在水下原位观测浮游生物方面展现出了广泛的应用前景。其优势在于非破坏性、高分辨率以及大景深，能够为海洋生态系统的健康评估、生物多样性保护和全球环境变化研究提供关键数据。然而，当前的水下原位DH技术仍然面临诸多挑战，包括重建速度较慢、图像质量不佳以及系统可靠性有限等问题。为解决这些瓶颈，研究者提出了一种多自聚焦偏轴DH方法，旨在实现快速且稳健的多目标浮游生物成像。

该方法的核心在于引入了一种轴向滑动最小值融合策略，用于快速整合目标区域的光场切片，从而实现对所有感兴趣区域（Region of Interest, ROI）的动态定位。同时，研究团队还设计了一种混合度量函数，用于精确聚焦所有ROI内的对象，能够自适应地确定其最佳焦距。通过这些技术手段，浮游生物在全息图中的重建不仅具备高保真度，而且具有良好的稳定性。实验结果表明，与传统方法相比，该方法显著提升了重建速度、成像精度和系统稳定性，为水下原位观测提供了更高效和可靠的技术支持。

浮游生物作为海洋生态系统的重要组成部分，在全球碳循环、能量传递以及海洋食物链的稳定性中发挥着关键作用。因此，对浮游生物进行高精度成像对于理解海洋生态系统的动态变化具有重要意义。然而，传统的测量手段，如显微镜和视频成像技术，由于浮游生物体积微小且分布广泛，往往受到采样效率、空间分辨率和实时监测能力的限制。相比之下，DH技术因其系统稳定性强、景深大以及能够实现实时三维重建而逐渐成为浮游生物研究的重要工具。

DH技术主要分为同轴和偏轴两种配置。同轴DH因其光学结构简单、稳定性高以及分辨率优异，成为水下测量的首选方案。然而，这种配置存在零阶和双像干涉无法分离的问题，这会降低聚焦精度和测量可靠性。为了减少双像干扰，已有研究采用压缩感知、相位恢复和神经网络等方法。但这些方法往往计算复杂度较高，且在抑制干扰方面效果有限。相比之下，偏轴DH通过引入参考光束与物体光束之间的角度偏移，能够在傅里叶域中实现真实图像与多余成分的空间分离，从而有效抑制零阶和双像干涉。在偏轴DH中，快速傅里叶变换（FFT）仍然是提取复振幅的主要方法，但FFT的频谱分辨率限制会影响精确的条纹频率确定，导致残余相位倾斜等干扰现象。

为克服这一问题，Mandeep等人提出了一种局部离散傅里叶变换（Local Discrete Fourier Transform, LDFT）方法，用于子像素载波频率检测，从而实现无相位倾斜的复振幅解调，同时提高重建速度。通过将LDFT与偏轴DH相结合，能够有效提升水下测量的精度和速度，同时避免同轴DH中固有的双像干扰问题。然而，即便如此，现有的偏轴DH方法在处理多目标、大景深的水下成像场景时仍存在一定的局限性。

为了获得清晰的浮游生物图像，全息图必须进行有效的复聚焦。传统的自聚焦方法通常只针对单一目标进行优化，但当多个具有不同深度分布的目标共存于同一全息图中时，单个目标的聚焦可能会受到其他目标在不同轴向位置的干扰，使得传统的单平面检测方法失效。为实现多目标全息重建，已有研究提出了多种方法，通常包括三个关键步骤：全息切片重建、ROI检测以及自聚焦。全息切片的重建通常采用菲涅尔变换、卷积或传输函数等方法，用于数值传播全息图至多个深度平面，生成目标光场的切片图像。卷积和传输函数方法因其能够在不同传播距离下保持一致的观察平面大小而被广泛采用。随后，这些切片图像会被融合成一个扩展焦距图像（Extended Focus Image, EFI），其中所有目标均处于清晰状态。EFI可以通过二值化和形态学处理提取ROI。在图像融合过程中，空间域和变换域方法被广泛应用。空间域方法依赖于像素级方差或图像块，其中轴向方差融合（Axial Variance Fusion, AVF）因其计算速度快、成本低而受到青睐。然而，这些方法对散斑噪声高度敏感，导致融合效果不佳。相比之下，变换域方法通过合并变换系数进行图像融合，其中基于小波的融合（Wavelet-Based Fusion, WBF）因其简单性、高质量以及符合人类视觉感知而表现出良好的性能。然而，WBF的计算复杂度较高，处理时间较长。自聚焦则通过评估不同切片中的ROI清晰度，以确定每个目标的最佳焦距，从而完成多目标重建。已有多种聚焦度量函数被提出，包括灰度分布方差（Variance of Gray Value Distribution, VAR）、拉普拉斯算子、Tenengrad（TENG）、离散余弦变换系数（Discrete Cosine Transform, DCT）以及特征值（Eigenvalues, EIG）。然而，这些方法仍然存在聚焦稳定性不足或聚焦精度较低的问题。

近年来，基于深度学习的全息图像重建方法引起了越来越多的关注。然而，大多数现有研究主要集中在单目标重建，而非多目标、大景深的水下成像场景。为解决这一问题，Bachimanchi等人采用RU-Net网络，实现了对浮游生物三维位置的粗略定位，并观察到不同物种之间的捕食行为。但该方法未能实现图像的精确重建。随后，Hu等人提出Holo-Net网络，用于ROI检测以及多目标图像重建。然而，由于采用同轴全息图作为训练标签，导致了固有的双像干扰，从而引入了模糊性，限制了重建的保真度。Xu等人进一步开发了一种改进的A-Unet网络，实现了高质量的多目标重建。他们通过使用模拟全息图和基于两步相移DH算法重建的图像对网络进行训练，成功从单个全息图中重建了多个浮游生物。尽管这些方法在一定程度上取得了进展，但在实际应用中仍然面临挑战。例如，如何获得不同深度分布的浮游生物的高质量训练标签仍是一个难题，且该方法尚未实现完整的三维定位。总体而言，虽然深度学习在全息图像重建方面展现出巨大潜力，但其性能仍然高度依赖于训练标签的质量和数据集的多样性。与传统的图像重建任务不同，全息图像的重建对标签的要求更为严格，因为可靠的地面真值不仅需要专业领域的知识，还需要对衍射传播过程的细致处理以及对先进成像系统的应用。

为克服水下原位DH在计算复杂度高、聚焦稳定性不足以及成像质量有限等方面的问题，研究团队提出了一种多自聚焦偏轴DH（Multi-Autofocusing Off-Axis DH, MAODH）方法，用于实现快速且稳健的多目标浮游生物成像。该方法采用轴向滑动最小值融合策略，将聚焦图像的最小强度特征与轴向滑动平均滤波相结合，从而在提升计算效率的同时保持高质量的图像融合效果。此外，研究团队还引入了相位梯度L1范数度量（Phase Gradient L1-norm Metric, GL1M）来评估相位图像的清晰度。通过进一步将VAR度量函数与GL1M结合，形成混合度量融合（Hybrid Metric Fusion, HMF）模块，该方法增强了自聚焦的稳定性和适应性，确保了对具有不同振幅-相位特性的浮游生物的准确成像，并减少了因相位包裹引起的聚焦不稳定问题。总体而言，MAODH方法在计算速度、图像质量和聚焦稳定性方面均实现了显著提升，为水下原位DH测量提供了一种高效且可靠的技术方案。

在实际应用中，MAODH方法不仅能够快速提取全息图中的多个目标信息，还能有效应对复杂的水下环境带来的干扰。通过将多个深度平面的信息整合到同一焦点中，该方法实现了对浮游生物整体形态、动态行为的全面分析。同时，由于采用了自适应的聚焦策略，该方法能够在不同深度和不同光强条件下保持良好的成像质量，从而提高了系统的鲁棒性。在实验验证中，研究团队通过对比传统方法和MAODH方法的成像效果，发现MAODH在多个关键指标上均优于现有技术，包括重建速度、图像清晰度以及系统稳定性。

此外，MAODH方法还具有良好的可扩展性，能够适应不同类型的浮游生物成像需求。通过优化算法结构和引入新的度量函数，该方法在保持高计算效率的同时，提升了图像融合的精度和自聚焦的稳定性。这使得MAODH方法不仅适用于实验室环境下的浮游生物研究，还能够广泛应用于野外水下观测任务。例如，在海洋科考或水下生态监测中，MAODH方法能够快速、高效地获取大量浮游生物的图像数据，为生态研究提供支持。

在实际应用过程中，MAODH方法还考虑了系统的可操作性和用户友好性。通过简化计算流程和优化图像处理步骤，该方法能够在保证成像质量的同时，降低用户在使用过程中的技术门槛。这使得即使是对全息技术不太熟悉的科研人员，也能够快速上手并有效利用该方法进行浮游生物的成像研究。此外，MAODH方法还能够与现有的成像设备和数据处理平台进行良好集成，为多目标、大景深的水下观测提供统一的技术框架。

为了进一步提升MAODH方法的性能，研究团队还探索了多种优化策略。例如，在图像融合过程中，除了采用轴向滑动最小值融合策略外，还结合了其他先进的图像处理技术，如基于深度学习的图像增强算法，以提升图像的清晰度和细节表现。此外，研究团队还对自聚焦过程进行了深入优化，引入了多种度量函数，以适应不同深度分布的浮游生物的成像需求。通过不断调整和改进算法参数，该方法能够在不同水下环境中保持良好的成像效果，从而提升了系统的适用性和鲁棒性。

在实验验证中，研究团队通过一系列测试，评估了MAODH方法在不同水下环境下的表现。例如，在实验室条件下，使用标准的水下全息图进行测试，发现MAODH方法在图像清晰度和聚焦稳定性方面均优于传统方法。在实际水下观测任务中，使用真实水下环境中的全息图进行测试，发现该方法能够有效应对水下环境带来的干扰，如水体扰动、散斑噪声等，从而提升了图像的准确性和可靠性。这些实验结果进一步验证了MAODH方法在水下原位DH中的有效性。

此外，MAODH方法还能够与现有的水下成像系统进行良好结合，为多目标、大景深的水下观测提供统一的技术支持。例如，在海洋观测站或水下实验室中，MAODH方法能够与现有的全息成像设备协同工作，实现对浮游生物的全面分析。通过将MAODH方法与现有的数据处理平台进行集成，研究团队还能够实现对成像数据的自动化处理，从而提升了系统的智能化水平。

在实际应用中，MAODH方法还考虑了系统的可维护性和可持续性。通过优化算法结构和引入新的技术手段，该方法能够在保证成像质量的同时，降低系统的维护成本和能耗。这使得MAODH方法不仅适用于短期的水下观测任务，还能够广泛应用于长期的海洋生态监测项目。通过不断改进和优化，该方法能够适应不同类型的水下环境和不同规模的观测需求，为海洋科学研究提供坚实的技术基础。

总的来说，MAODH方法在水下原位DH技术中展现出了巨大的应用潜力。它不仅解决了传统方法在重建速度、图像质量和系统可靠性方面的不足，还通过引入新的度量函数和优化策略，提升了系统的智能化水平和适用性。未来，随着技术的不断进步和算法的进一步优化，MAODH方法有望在更多领域得到应用，为海洋生态研究和水下成像技术的发展提供更强大的支持。