《Optics & Laser Technology》：Real-time edge-enhanced 3D imaging via t-net-based dual-channel Fresnel incoherent correlation holography
编辑推荐：
实时高精度边缘增强：基于双通道非相干数字全息与T-Net的3D成像方法。通过同步成像模块单次曝光获取两幅相位偏移全息图，结合T-Net预测第三幅全息图，建立2-1映射关系，实现高效的三步相位偏移算法与回传重建。实验表明该方法在保持高时间分辨率的同时显著提升边缘细节保留和重建精度，适用于生物组织形态分析与目标识别等应用。
Tao Huang|Xiaoyu Han|Yuheng Wang|Huiyang Wang|Weina Zhang|Jianglei Di|Xiaoxu Lu|Liyun Zhong
中国广东省工业大学信息工程学院先进光子技术研究所，广州 510006
摘要
在非相干照明下的边缘增强是光学成像中的一个关键研究领域，它在目标识别、光学缺陷检测、精确定位等相关领域有广泛的应用。虽然高阶涡旋相位调制菲涅尔非相干数字全息术可以实现三维（3D）成像中的边缘增强，但它需要捕获多个相位移动的涡旋全息图，从而限制了其实时性能。为了解决这个问题，我们提出了一种基于T-Net的双通道非相干数字全息术方法，以实现实时、高精度的边缘增强。该方法采用双通道同步成像模块，在单次曝光中同时获取两个固定相位移动的涡旋全息图。随后，它集成了一种三步相位移动和反向传播算法，以促进快速的3D成像和边缘增强重建。实验结果表明，所提出的方法在保持高时间分辨率的同时，显著提高了重建精度和边缘细节的保留能力。额外的3D成像实验证实了该方法在突出体积物体的边缘特征方面的有效性。这种方法通过将深度学习与非相干数字全息术相结合，显著提高了边缘增强重建的效率和精度。它为非相干3D成像提供了一种强大的实时解决方案，并扩展了其在高需求应用中的潜力。
引言
边缘信息在图像处理中起着关键作用，作为传递物体形状、结构细节和空间特征的关键描述符。边缘增强技术可以有效突出物体轮廓和精细纹理，因此在特征识别[1]、天文观测[2]和指纹识别[3]等领域得到了广泛应用。在这些技术中，基于希尔伯特变换的光学涡旋滤波是一种高效且优雅的边缘增强方法[4]、[5]。它提高了相位和振幅物体的边缘对比度，并已在一维和二维成像系统中得到实验验证[6]、[7]、[8]。在3D成像的背景下，边缘信息是生物组织形态分析和结构缺陷识别的重要基础。边缘增强不仅提高了图像对比度，更准确地勾勒出了物体边界，还有助于提高视觉可解释性和定量分析能力。
数字全息术（DH）能够记录光场的完整复振幅，已成为重建3D信息的最强大技术之一[9]。然而，传统DH通常依赖于高度相干的光源，这不可避免地引入了散斑噪声和寄生干涉，导致图像保真度下降和重建质量降低。
为了解决这一限制，开发了非相干数字全息术（IDH）作为一种非扫描3D成像技术，它消除了对相干光源的依赖。该领域的一个里程碑式贡献是菲涅尔非相干相关全息术（FINCH），由Rosen和Brooker提出[10]、[11]。在FINCH中，空间光调制器（SLM）加载了不同焦距的透镜相位图案，通过同轴光学配置记录编码物体三维空间信息的全息图。然后通过相位移动干涉测量和数值反向传播算法获得重建图像。值得注意的是，FINCH突破了相干衍射极限，实现了横向分辨率高达两倍的提升[12]，并在荧光和超分辨率显微镜等应用中显示出巨大潜力[13]。如果先进行全息图重建，再进行边缘检测，传统的边缘检测是一种基于图像强度变化的经典后处理技术。它通过在像素邻域内计算梯度算子（如Sobel或Prewitt算子）来识别物体边界。当应用于从全息图重建的强度图像时，该方法通过检测局部强度梯度来提取边缘信息。然而，由于梯度运算对噪声敏感，这种后处理往往会放大重建图像中的固有背景噪声和量化误差。这导致边缘不连续、粗糙或离散伪影，影响边缘的连续性和完整性。在信噪比较低或场景复杂的条件下，这一限制尤为明显，限制了其在精确边缘增强方面的实用性。
近年来，研究人员积极探索了FINCH中的边缘增强技术[14]、[15]、[16]、[17]、[18]、[19]。最初的方法是将涡旋滤波器集成到FINCH系统中，形成了所谓的螺旋FINCH[15]。Xu等人后来开发了一个包含螺旋相位调制的FINCH显微镜系统的数学模型，实现了活细胞成像中的边缘增强[16]。进一步的进展引入了高阶涡旋相位调制，允许灵活调整边缘宽度并提高边缘特征的可区分性[17]。还有一种改进的涡旋角谱算法被集成到FINCH框架中，实现在数值重建过程中同时进行振幅和相位调制。这种增强不仅提高了边缘清晰度，还引入了方向选择性和像差自适应[18]。最近，类似贝塞尔的螺旋相位调制被证明可以通过抑制涡旋光场中的旁瓣干涉显著提高FINCH的3D重建性能[19]。这些方法在非相干成像条件下展示了出色的边缘增强性能，拓宽了其在生物显微镜和目标识别等领域的应用范围。然而，为了消除重建场中的零阶项和共轭图像，上述技术需要在SLM上多次更换结合涡旋和透镜相位的混合相位掩模。这一过程不仅操作复杂，还限制了非相干数字全息术的实时成像潜力。
许多研究致力于实现单次曝光FINCH成像。主流方法在空间或偏振域中引入额外的光学组件来复用相位移动，从而从单次捕获的帧中提取三维信息。然而，这些方法各有局限性：例如，使用偏振相机和微偏振器阵列的方案依赖于专用偏振光学器件，有效空间带宽积有所损失；基于随机复用的双焦点衍射透镜的方法需要预先捕获耗时的点扩散全息图库，限制了灵活性；而使用复用棋盘相位光栅或双焦点棋盘透镜的设计则牺牲了空间分辨率，并涉及复杂的系统参数优化。这些方法受到特定硬件或复杂校准程序的约束，常常导致成像质量、分辨率或实际用途之间的权衡。
由于深度学习具有强大的非线性映射能力，它已被广泛应用于光学成像中的各种逆问题，包括无透镜成像[20]、幽灵成像[21]和全息重建[22]、[23]、[24]。同时，深度学习在相干数字全息术中也取得了显著进展，实现了单次成像[25]、消除失焦伪影[26]、[27]、扩展景深[28]以及同时进行边缘增强和明场成像[29]。基于此，为了克服依赖特定硬件或复杂校准程序的传统单次曝光FINCH的局限性，本研究提出了一种基于深度学习的新框架。我们开发了一种双通道空间相位移动系统，能够在单次曝光中同时捕获两个具有固定相位差的干涉图，既不牺牲分辨率，也不引入复杂的光学组件或需要预校准。此外，我们创新性地引入了一种改进的T-Net作为“数值相位移动器”，以准确预测这两个输入图像所需的第三个相位移动干涉图。首先，构建了一个双通道FINCH系统，在单次曝光中捕获两个具有不同相位移动的涡旋全息图。随后，设计了一个基于深度学习的T-Net，从这两个获取的全息图中预测具有固定相位差的第三个涡旋全息图，建立了2对1的映射关系。然后将预测的全息图与三步相位移动算法和反向传播重建结合，以实现高质量的边缘增强成像。通过关注相位移动全息图之间的2对1映射，该网络实现了更高的准确性和更好的泛化能力。训练后，该网络作为一个有效的数值相位移动器，从单次曝光测量中生成具有所需相位差的额外全息图，从而显著减少了全息图获取时间。此外，由于前两个相位移动全息图是预先确定的，网络架构大大简化，进一步提高了预测准确性。这种设计方法直接解决了现有单次曝光FINCH技术面临的挑战。当前技术主要受到三个因素的限制：首先，依赖于偏振相机等设备的方法严重依赖于核心光学组件的性能和校准。在实际应用中，它们容易受到设备误差和插值噪声的影响，导致重建图像中存在固有噪声和伪影。其次，尽管传统的双通道单次曝光FINCH技术可以直接捕获两个相位移动的全息图，但由于信息不足，难以完全分离零阶项和共轭图像，导致重建图像中的背景噪声较高和边缘清晰度有限。第三，即使结合深度学习进行数值补全，网络架构的设计仍然至关重要。“2对1”的T-Net架构使用两个具有确定相位关系的物理捕获全息图作为输入。通过优化网络复杂性以更好地学习相应全息图之间的潜在非线性映射，该架构利用了更强的物理约束，实现了更精确和稳定的3D重建。实验结果证实了所提出方法的有效性，并为FINCH中的快速边缘增强提供了新的解决方案。
部分摘录
原理
图1显示了双通道FINCH系统的示意图，它将双通道同步相位移动装置与传统的FINCH系统结合在一起。点光源位于距离处的折射透镜（焦距
