留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于贝叶斯神经网络的相位梯度计算方法

张康洋 倪梓浩 董博 白玉磊

张康洋, 倪梓浩, 董博, 白玉磊. 基于贝叶斯神经网络的相位梯度计算方法[J]. 中国光学(中英文). doi: 10.37188/CO.2023-0168
引用本文: 张康洋, 倪梓浩, 董博, 白玉磊. 基于贝叶斯神经网络的相位梯度计算方法[J]. 中国光学(中英文). doi: 10.37188/CO.2023-0168
ZHANG Kang-yang, NI Zi-hao, DONG Bo, BAI Yu-lei. Phase gradient estimation using Bayesian neural network[J]. Chinese Optics. doi: 10.37188/CO.2023-0168
Citation: ZHANG Kang-yang, NI Zi-hao, DONG Bo, BAI Yu-lei. Phase gradient estimation using Bayesian neural network[J]. Chinese Optics. doi: 10.37188/CO.2023-0168

基于贝叶斯神经网络的相位梯度计算方法

doi: 10.37188/CO.2023-0168
基金项目: 国家自然科学基金(No. 61705047;No. 62171140);广东省自然科学基金(No. 2021A1515011945;No. 2021A1515012598;No. 2021A1515011343)
详细信息
    作者简介:

    张康洋(1999—),男,江西景德镇人,在读硕士研究生,2021年于赣南师范大学获得学士学位,研究方向为相衬光学相干层析成像、智能光学计算成像方法。E-mail:1716412188@qq.com

    白玉磊(1988—),男,陕西榆林人,博士,副教授,硕士生导师,2011年于广东工业大学获得学士学位,2016年于广东工业大学获得博士学位,2017年于香港大学担任助理研究员,主要从事层析干涉测量、光测力学、计算成像等方面的研究。E-mail:ylbai@gdut.edu.cn

  • 中图分类号: TP394.1;TH691.9

Phase gradient estimation using Bayesian neural network

Funds: Supported by National Natural Science Foundation of China (No. 61705047;No. 62171140) and Natural Science Foundation of Guangdong Province (No. 2021A1515011945;No. 2021A1515012598;No. 2021A1515011343).
More Information
  • 摘要:
    目的 

    应变重构是相衬光学相干层析力学性能表征中的关键步骤,其需要准确计算出差分包裹相位的梯度分布。为了能够解决强噪声干扰下的相位梯度重构信噪比低难题,提出了一种基于贝叶斯神经网络的相位梯度计算方法。

    方法 

    首先,通过计算机模拟不同散斑噪声等级下的包裹相位图,并生成相应的理想相位梯度,以构建网络的训练集。其次,基于网络训练集采用贝叶斯推断理论学习强噪声环境下的包裹相位与相位梯度的“端到端”映射关系。最后,将相衬光学相干层析测量的差分包裹相位结果送入贝叶斯神经网络进行处理,实现高信噪比相位梯度预测。此外,通过借助贝叶斯神经网络的统计特性,以模型不确定度来定量评估相位梯度预测结果的可靠性。

    结果 

    数值实验和三点弯曲力学加载实验对比了本文方法和主流的矢量方法,实验结果表明:在噪声较小条件下,本文方法重构的相位梯度信噪比可提升8%;在噪声较强条件下,本文方法能成功恢复因相位条纹难以分辨而无法计算的相位梯度。此外,模型不确定度能够定量分析网络的相位梯度预测误差。

    结论 

    可以预见,在样品形变复杂且先验信息未知条件下,本工作为相衬光学相干层析提供了一种有效的应变重构方法,从而能实现高质量和高可靠的内部力学性能表征。

     

  • 图 1  用于相位梯度计算的贝叶斯深度神经网络结构

    Figure 1.  Bayesian deep neural network (BNN) architecture for phase gradient calculation

    图 2  相位图生成过程。(a) 伪随机数;(b) 拉格朗日外推后的相位图;(c)相位梯度标签;(d)带有散斑噪声的包裹相位图

    Figure 2.  Phase maps generation process. (a) Pseudo-random numbers; (b) Phase maps using extrapolation;(c) Phase gradient label; (d) Wrapped phase map with speckle noise

    图 3  基于贝叶斯神经网络的相位梯度预测过程

    Figure 3.  The prediction process of phase gradient using Bayesian neural network

    图 4  不同方法估计的相位梯度结果。(a)不同噪声等级的相位图;(b)理论相位梯度结果;(c)矢量法;(d)贝叶斯神经网络;(e)贝叶斯神经网络模型不确定度;(f)网络预测结果的误差分布

    Figure 4.  Phase gradient estimated using different approaches. (a) Phase maps with different noise level; (b) Vector method; (c) Bayesian neural network; (d) Predicted error distributions

    图 5  线扫描谱域光学相干层析测量系统。(a)原理图;(b) 实物图

    Figure 5.  Line-field spectral-domain OCT system. (a) Schematic diagram. (b) Photograph

    图 6  硅胶薄膜样品变形实验结果。(a)差分包裹相位图;(b)矢量法估计的相位梯度;(c)贝叶斯神经网络估计的相位梯度;(d)贝叶斯神经网络的模型不确定度

    Figure 6.  Experimental results of silicone film deformations. (a) Wrapped phase-difference map. (b) Phase gradient estimated using vector method. (c) Phase gradient estimated using BNN. (d) BNN model uncertainty.

    图 7  相位退相关实验结果。(a)-(b) 加载量分别为12 μm和14 μm对应的差分包裹相位;(c)-(d) 贝叶斯网络估计的相位梯度结果;(e)-(f) 贝叶斯网络的模型不确定度

    Figure 7.  Experimental results of phase decorrelation. (a)-(b) Wrapped phase-difference maps corresponding to the loading 12 μm and 14 μm, respectively. (c)-(d) Results of phase gradient estimated using BNN. (e)-(f) BNN model uncertainty.

  • [1] 吴哲, 陆冬筱, 李金华. 金纳米星诊疗剂的光热特性及其在光热治疗和光学相干层析成像中的应用研究[J]. 中国光学,2022,15(2):233-241. doi: 10.37188/CO.2021-0205

    WU ZH, LU D X, LI J H. Photothermal properties of gold nanostars therapeutic agent and its application in photothermal therapy and optical coherence tomography[J]. Chinese Optics, 2022, 15(2): 233-241. (in Chinese). doi: 10.37188/CO.2021-0205
    [2] WANG X D, YUAN X, SHI L P. Optical coherence tomography-in situ and high-speed 3D imaging for laser materials processing[J]. Light:Science & Applications, 2022, 11(1): 280.
    [3] FANG B, ZHONG SH C, ZHANG Q K, et al. Full-range line-field optical coherence tomography for high-accuracy measurements of optical lens[J]. IEEE Transactions on Instrumentation and Measurement, 2020, 69(9): 7180-7190. doi: 10.1109/TIM.2020.2978313
    [4] 谢胜利, 廖文建, 白玉磊, 等. 相衬光学相干层析在无损检测领域的应用[J]. 广东工业大学学报,2021,38(6):20-28.

    XIE SH L, LIAO W J, BAI Y L, et al. Phase-contrast optical coherence tomography in applications of non-destructive testing[J]. Journal of Guangdong University of Technology, 2021, 38(6): 20-28. (in Chinese).
    [5] WU Z, WEI W B, GAO K, et al. Prototype system of noninterferometric phase-contrast computed tomography utilizing medical imaging components[J]. Journal of Applied Physics, 2021, 129(7): 074901. doi: 10.1063/5.0031392
    [6] BAI Y L, CAI SH Y, XIE SH L, et al. Adaptive incremental method for strain estimation in phase-sensitive optical coherence elastography[J]. Optics Express, 2021, 29(16): 25327-25336. doi: 10.1364/OE.433245
    [7] KENNEDY B F, HILLMAN T R, MCLAUGHLIN R A, et al. In vivo dynamic optical coherence elastography using a ring actuator[J]. Optics Express, 2009, 17(24): 21762-21772.
    [8] GRIMWOOD A, GARCIA L, BAMBER J, et al. Elastographic contrast generation in optical coherence tomography from a localized shear stress[J]. Physics in Medicine and Biology, 2010, 55(18): 5515-5528. doi: 10.1088/0031-9155/55/18/016
    [9] KENNEDY B F, KOH S H, MCLAUGHLIN R A, et al. Strain estimation in phase-sensitive optical coherence elastography[J]. Biomedical Optics Express, 2012, 3(8): 1865-1879. doi: 10.1364/BOE.3.001865
    [10] ZAITSEV V Y, MATVEYEV A L, MATVEYEV L A, et al. Optimized phase gradient measurements and phase-amplitude interplay in optical coherence elastography[J]. Journal of Biomedical Optics, 2016, 21(11): 116005. doi: 10.1117/1.JBO.21.11.116005
    [11] MATVEYEV A L, MATVEEV L A, SOVETSKY A A, et al. Vector method for strain estimation in phase-sensitive optical coherence elastography[J]. Laser Physics Letters, 2018, 15(6): 065603. doi: 10.1088/1612-202X/aab5e9
    [12] 朱新军, 赵浩淼, 王红一, 等. 基于轻型自限制注意力的结构光相位及深度估计混合网络[J]. 中国光学(中英文),2024,17(1):118-127. doi: 10.37188/CO.2023-0066

    ZHU X J, ZHAO H M, WANG H Y, et al. A hybrid network based on light self-limited attention for structured light phase and depth estimation[J]. Chinese Optics, 2024, 17(1): 118-127. (in Chinese). doi: 10.37188/CO.2023-0066
    [13] GONTARZ M, DUTTA V, KUJAWIŃSKA M, et al. Phase unwrapping using deep learning in holographic tomography[J]. Optics Express, 2023, 31(12): 18964-18992. doi: 10.1364/OE.486984
    [14] DE LA TORRE-IBARRA M H, RUIZ P D, HUNTLEY J M. Double-shot depth-resolved displacement field measurement using phase-contrast spectral optical coherence tomography[J]. Optics Express, 2006, 14(21): 9643-9656. doi: 10.1364/OE.14.009643
    [15] BADRINARAYANAN V, KENDALL A, CIPOLLA R. SegNet: a deep convolutional encoder-decoder architecture for image segmentation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017, 39(12): 2481-2495. doi: 10.1109/TPAMI.2016.2644615
    [16] 刘泽隆, 李茂月, 卢新元, 等. 高动态范围条纹结构光在机检测技术及应用进展[J]. 中国光学(中英文),2024,17(1):1-18.

    LIU Z L, LI M Y, LU X Y, et al. On-machine detection technology and application progress of high dynamic range fringe structured light[J]. Chinese Optics, 2024, 17(1): 1-18. (in Chinese).
    [17] FENG SH J, ZUO CH, HU Y, et al. Deep-learning-based fringe-pattern analysis with uncertainty estimation[J]. Optica, 2021, 8(12): 1507-1510. doi: 10.1364/OPTICA.434311
    [18] LYU Z L, BAI Y L, HE ZH SH, et al. Super-resolution reconstruction of speckle phase in depth-resolved wavelength scanning interference using the total least-squares analysis[J]. Journal of the Optical Society of America A, 2019, 36(5): 869-876. doi: 10.1364/JOSAA.36.000869
    [19] CHAKRABORTY S, GHOSH M. Applications of Bayesian neural networks in prostate cancer study[J]. Handbook of Statistics, 2012, 28: 241-262.
    [20] JOSPIN L V, LAGA H, BOUSSAID F, et al. Hands-on Bayesian neural networks-a tutorial for deep learning users[J]. IEEE Computational Intelligence Magazine, 2022, 17(2): 29-48. doi: 10.1109/MCI.2022.3155327
    [21] LEMAY A, HOEBEL K, BRIDGE C P, et al. Improving the repeatability of deep learning models with Monte Carlo dropout[J]. npj Digital Medicine, 2022, 5(1): 174. doi: 10.1038/s41746-022-00709-3
  • 加载中
图(7)
计量
  • 文章访问数:  115
  • HTML全文浏览量:  40
  • PDF下载量:  11
  • 被引次数: 0
出版历程
  • 网络出版日期:  2024-02-01

目录

    /

    返回文章
    返回

    重要通知

    2024年2月16日科睿唯安通过Blog宣布,2024年将要发布的JCR2023中,229个自然科学和社会科学学科将SCI/SSCI和ESCI期刊一起进行排名!《中国光学(中英文)》作为ESCI期刊将与全球SCI期刊共同排名!