一种基于双通道混合相移框架的鲁棒单次相位提取策略

《Optics & Laser Technology》:A robust single-shot phase extraction strategy via dual-channel hybrid phase-shifting framework

【字体: 大 中 小 】 时间:2026年10月21日 来源:Optics & Laser Technology 4.6

编辑推荐:

   摘要 两步移相干涉术在动态测量中面临着平衡效率与精度的挑战。传统方法由于不可避免的滤波操作而精度有限,这使其极易受到噪声干扰。针对这一问题,本文提出了一种基于双通道混合移相网络 (DCH-PSN) 的单次拍摄两步移相解调方法。在一次时间采集事件中,通过两个光路同时采集具有固定

  

摘要
两步移相干涉术在动态测量中面临着平衡效率与精度的挑战。传统方法由于不可避免的滤波操作而精度有限,这使其极易受到噪声干扰。针对这一问题,本文提出了一种基于双通道混合移相网络 (DCH-PSN) 的单次拍摄两步移相解调方法。在一次时间采集事件中,通过两个光路同时采集具有固定 π/2 相位差的两幅干涉图,并将其作为双通道输入,该方法通过两个具有独立参数的编码器分支分别提取条纹特征。Swin-Transformer 模块被嵌入到低分辨率阶段和瓶颈层,其中采用窗口和移位窗口自注意力机制来捕获干涉条纹的长程依赖关系。网络预测的 π 移相干涉图与同时测量的两幅干涉图结合,建立等效的三步移相方案,最终通过三步移相算法完成相位提取,无需迭代计算。该方法在保持双帧采集高效率的同时,显著提高了相位恢复精度和抗噪鲁棒性,为动态相位测量提供了一种快速、高精度的相位提取方法。

引言
移相干涉术 (PSI) 可以即时记录和重建三维波前,作为一种关键的无损测量技术。凭借高精度和全场检测的特点,PSI 已被广泛应用于生物显微成像、流体动力学分析和精密表面检测 [1]、[2]、[3]。传统的多步移相干涉术方法可以有效消除零级和共轭像,实现高精度相位提取。然而,此类方法需要顺序采集三幅或更多干涉图,这不仅耗时,还使测量结果极易受到外部干扰,从而限制了它们在动态过程监测中的应用 [4]、[5]。为了克服空间和分辨率的限制,引入了两步移相方法,通过减少所需移相干涉图的数量,显著提高了测量效率 [6]、[7]。然而,传统的两步方法对背景噪声敏感,且在条纹稀疏或移相偏离理想值时容易产生显著误差 [8]、[9]、[10]。因此,如何在保持两步采集高效率的同时突破传统算法的精度瓶颈,从而实现高精度动态相位测量,是当前光学测量领域面临的关键挑战。

近年来,深度学习 (DL) 作为一种强大的数据驱动方法被引入光学相位恢复 [11] 和相位展开 [12]、[13] 领域,为解决光学逆问题提供了新范式,特别是在从有限数量的干涉图中恢复高质量相位方面 [14]、[15]。最近的深度学习研究实现了基于离轴全息图、复杂光纤干涉图案和单次拍摄传输 - 强度方程 (TIE) 技术的直接或物理知情相位解调,突显了数据驱动相位检索在各种光学架构中的广泛适用性 [11]、[16]、[17]。现有研究主要遵循两条路径:一是在端到端模式下直接从单帧干涉图回归相位分布 [18]、[19],网络以单帧干涉图为输入,直接输出待测相位分布。该方法跳过了生成多幅移相干涉图的步骤,直接将单帧干涉图映射到相位分布,并将相位提取视为从强度到相位的黑箱非线性映射。由于缺乏对干涉物理过程的显式建模,网络需要直接学习从高动态范围强度图像到包裹相位的病态逆映射,这难以训练且对噪声敏感。至关重要的是,端到端方法摒弃了移相方法中利用多幅干涉图进行误差平均和噪声抑制的机制。因此,网络的固有预测误差直接传播到最终相位结果中,无法通过后续物理计算进行补偿。此外,由于输出形式是相位而非干涉图,该方法本质上难以扩展到轴向断层重建或多模态成像,从而失去了利用干涉图序列反演三维折射率分布的能力。另一种主流策略利用神经网络模拟移相过程并生成其他干涉图 [20]、[21],随后使用常规移相算法进行相位恢复。虽然这种方法继承了传统移相方法的优点,但从单幅干涉图中解耦多幅移相图像的相位约束本质上较弱,导致重建精度有限。此外,网络需要从一幅测量干涉图到多幅预测移相干涉图学习复杂的非线性映射,当遇到与训练分布差异较大的测试样本时,这会大大降低其泛化能力。

基于 U-Net 架构的卷积神经网络 (CNNs) 因具有优异的特征提取能力,已被广泛应用于干涉图去噪、孪生像抑制和相位重建任务,并表现出优于传统方法性能 [22]、[23]、[24]。然而,卷积操作的根本局限在于其局部感受野,这使其难以有效捕获干涉条纹中包含的长程依赖关系和全局周期特征。这导致在处理复杂纹理或低频条纹时,难以平衡重建图像的空间细节和高层语义信息。这一局限性限制了相位提取的精度,特别是在复杂纹理或高频相位变化区域 [25]。基于 Transformer 的架构因具有自注意力机制,能够捕获全局依赖关系,已在相位提取任务中得到探索。在处理低频条纹、大规模相位变化和复杂背景干涉图时,它们显示出超越 CNN 的潜力 [26]、[27]。然而,Transformer 架构面临自注意力计算复杂度随图像尺寸平方增长的挑战,直接处理高分辨率干涉图会带来显著的内存和计算开销。同时,Transformer 在捕获局部高频细节方面弱于 CNN,且在锐利相位边缘或密集纹理区域容易发生过度平滑,导致重建相位中的精细结构丢失 [28]、[29]。相比之下,传统迭代方法尽管具有清晰的物理模型,却面临计算成本高和收敛依赖于初始猜测的问题,使其难以满足实时需求 [30]、[31]。

为了解决上述挑战,本文提出了一种使用双通道混合移相网络 (DCH-PSN) 的单次拍摄相位提取方法。通过结合卷积的局部特征提取和 Transformer 的全局建模优势,该方法实现了两步移相干涉术的高精度相位恢复。该架构利用两个光路同时收集具有固定 π/2 相位差的两幅干涉图作为双通道输入。通过独立的编码分支,它分别为每幅图提取独特的条纹特征,从而为后续生成第三幅干涉图提供强烈的相位约束。此外,网络分别在编码器的低分辨率阶段和瓶颈层嵌入 Swin-Transformer 模块,使用基于窗口的自注意力机制捕获干涉条纹的长程依赖关系。这使得能够准确预测和生成相位偏移为 π 的干涉图。因此,预测的 π 移相干涉图与同时测量的两幅干涉图结合,形成等效的三步移相方案。为了验证所提方法的有效性,我们对其性能进行了全面分析,涵盖了模拟数据、静态样本以及水滴蒸发过程的动态监测。实验结果表明,该方法不仅显著提高了用 FashionMNIST 纹理调制的复杂相位对象的相位提取精度,而且在动态三维测量中也表现出优异的相位稳定性,有效克服了传统两步移相方法在精度方面的固有局限。

片段章节
原理分析
为实现高精度相位测量,搭建了双通道马赫 - 曾德尔干涉仪,如图 1 所示。波长为 632.8 纳米的 He-Ne 激光器发出的线偏振光被扩束后,依次通过可变中性密度滤光片 (NDF) 和半波片 (HWP)。随后,它在偏振分束器 (PBS) 处被分离为 P 偏振光和 S 偏振光,其中 HWP 用于调整偏振方向。

实验验证与性能分析
在实际干涉系统中,激光束的强度分布通常遵循高斯分布。为了模拟激光源的物理特性和实验中的非均匀照明,本文将背景强度项 A(x,y) 和调制幅度 B(x,y) 建模为二维高斯函数。基于光场分布分析,其幅度定义如下:
A(x,y)=a1×exp[-((x-x1)2 / 2a22) - ((y-y1)2 / 2a22)]+η1
B(

结论
综上所述,本文提出了一种基于双通道混合移相网络 (DCH-PSN) 的单次拍摄移相干涉术,实现了快速和高精度的相位提取。设计的网络使用具有固定 π/2 相位差的两幅干涉图作为双通道输入。条纹特征由结构相同但参数独立的编码器分支提取。然后,模型采用窗口和移位窗口多头自注意力机制

CRediT 作者贡献声明
Rui Li:撰写 – 初稿,验证,调查。
Bingzhang Li:撰写 – 审阅与编辑,软件。
Qinnan Zhang:调查,资金获取。
Yifei Chen:撰写 – 审阅与编辑。
Runfeng Song:撰写 – 审阅与编辑。
Jiuqi Zhang:撰写 – 审阅与编辑。
Jiaosheng Li:撰写 – 审阅与编辑,方法论,资金获取,概念化。

利益冲突声明
作者声明他们不存在已知的竞争财务利益或个人关系,这些利益或关系可能影响本文所报告的工作。

致谢
本工作得到了广东省普通高校重点专项 (2024ZDZX3047);广东省基础与应用基础研究基金 (2026A1515011746, 2024A1515011584);国家自然科学基金 (NSFC)(62205059);广东省科学技术协会青年科技人才培养计划 (SKXRC2026551);广东省高校特色创新项目 (2024KTSCX195) 的支持。

Rui Li | Bingzhang Li | Qinnan Zhang | Yifei Chen | Runfeng Song | Jiuqi Zhang | Jiaosheng Li
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号