数字全息图像压缩、解码方法及系统、传输方法及系统的制作方法

专利名称：：数字全息图像压缩、解码方法及系统、传输方法及系统的制作方法
技术领域：
：本发明涉及图像压縮
技术领域：
，尤其涉及一种数字全息图像压縮、解码方法及系统、传输方法及系统。
背景技术：
：1948年，物理学家丹尼斯.盖伯(DennisGabor1900-1979)在研究显微镜的分辨率时发明了全息术，即波前再现技术。这是一种两步成像技术，其步骤是用相干光源照射一个物体，物体产生的衍射波与另一束相干参考波干涉叠加产生按一定规律分布的空间条纹，用光学胶片把这些空间条纹分布记录下来，然后经过一系列的物理化学处理步骤，就形成了包含有物体全部信息(振幅信息和相位信息)的全息图。当用同一束参考光作为再现光照射该全息图时，物体的振幅和相位就会在空间重构出来。随着数字技术与计算技术的发展，有学者提出直接利用计算机制作全息图。计算全息相比光学全息而言，它不需要真实的物体存在，只要事先给出物波的具体数学描述，就能利用数字计算机和绘图仪综合出计算全息图，并可由全息图再现该物波。另一方面计算机制作全息图减少了光学全息中对实验条件的限制和处理过程中各种误差对全息图质量的影响。现在计算全息技术广泛应用于光信息处理中，如空间滤波器综合和光学运算，生成特殊的参考波面用于光学元件的检测，或作为特殊的波面变换元件实现各种光学变换。—幅全息图记录了物体的全部信息(包括振幅信息和相位信息)，全息图上每一点所记录的光振幅都是物体上各点衍射波同参考光相干叠加的结果，因此全息图上的每一点都包含有物体的全局信息。如果截取全息图上的任意一个子块，都可以再现原始物体的完整像，只是再现图像的清晰度会随着全息图子块的面积减少而下降。这充分说明了全息图所包含的信息有较大的冗余度。实际记录的物体含有丰富的高频信息，为了保证再现图像不产生严重的混叠，要求对物波的采样率要足够高，同时为了保证再现图像的清晰度，需要全息图有较大视角，这样一幅全息图包含的数据量是很大的，给全息图的存储和传输带来了很多不便。因此有很多学者研究全息信息的压縮处理方法和技术。但是，由于计算机合成全息图的非线性信息分布特点和高的动态范围，使得传统的图像编码技术很难去处理这样的问题。复杂结构物体的计算机合成全息图是一种类似随机噪声的信息分布，有着较大的动态范围，各像素强度出现的概率接近于正态分布，由于干涉条纹的结构很精细，局部的像素变化范围较大，包含很多高频信息，信息分布在整个空间频率域上比较平均，这使得传统的无损编码技术在压縮全息图信息上效率不高。
发明内容本发明的目的在于提供一种一种数字全息图像压縮、解码方法及系统、传输方法及系统。基于本发明，可以很好的克服计算机数字全息图像信息分布非线性、动态范围大所带来的弊端，很好的提高数字全息图像的压縮效率。本发明提供了一种数字全息图像压縮方法，包括如下步骤将获取的数字图像采用计算机合成全息图；利用神经网络中输入层和隐藏层中神经元点数之比，对所述全息图进行压縮，获取压縮编码的合成全息图。上述数字全息图像压縮方法，优选所述计算机全息图制作步骤包括选择需要描述的物波的数学表达式；计算物波在全息面上的菲涅尔衍射场分布；全息图合成步骤，将光场分布编码成全息图的透过率函数，完成全息图的合成。上述数字全息图像压縮方法，优选所述计算机全息图制作步骤与所述神经网络图像压縮步骤之间，还包括神经网络学习训练步骤，所述神经网络训练步骤包括神经网络参数初始化步骤，对所述神经网络的参数进行初始化，将各神经元的连接权值和偏置值设置为随机数以避免BP神经网络陷入局部最小值；输入步骤，将训练样本集S中的一个训练样本(Xi，Yi)输入到所述BP神经网络，Xi作为输入向量送入输入层，Yi作为教师向量送入到输出层；隐藏层输出计算步骤，利用公式、=/(i;,,x,+~)计算隐藏层的每个神经元j的输出hj，实现所述训练样本经过所述BP神经网络前向传播；其中，Xi为输入层的输入，hj为隐藏层的输出，Wj,为输入层到隐藏层的连接权值，bj为偏置；输出层输出计算步骤，利用公式乂二/d;w^+")计算输出层的每个神经元i的输出yj;其中，yi为输出层的输出，^'为/=1隐藏层到输出层的连接权值，bi'为偏置；输出层误差值计算步骤，计算输出层的误差值E，所述误差E通过计算实际输出向量与教师向量之差得到E=E(11》2误差反向传播计算单元，用于计算输出层和隐藏层的连接权值调整，权值调整的计算公式为AWij=aSj0i，其中，a为网络的学习率，Oj二f(Sj)是根据第j个神经元的输入值Sj计算得到的输出值，Sj是输出层的误差E对第j个神经元输入的偏导数，网络前一层的S值可以根据后一层的S值计算，公式为《-1=尸""'"Z《《'，其中S/-1为第m-l层第j个神经元的S值，s/—1为第m-l层第j个神经元的输入值，f'为神经元激活函数的一阶导数，所述隐藏层的权值调整参值从输出层的反传误差算得，直到将所述隐藏层内每个节点的连接权值调整算出为止；修正步骤，利用输出层和隐藏层的连接权值修正计算公式，修正隐藏层到输出层的连接权值Wi/、输入层到隐藏层的连接权值Wji。上述数字全息图像压縮方法，优选所述输入步骤中，所述训练样本集通过如下步骤获取分割步骤，将NXN像素的全息图，先分割成大小为mXm的方形数据块；训练样本获取子单元，将每一个所述mXm的方形数据块转换成一个m2X1维的向量，m2对应于所述BP神经网络中输入结点个数，则所述NXN像素的图像被分割成(N/m"个训练向量作为所述BP神经网络的所述训练样本，N为待压縮图像的像素大小，m为对像素进行分块的像素大小，要求N能够被m整除；上述数字全息图像压縮方法，优选所述分割单元中，m的取值为8。本发明还公开了一种数字全息图像解码方法，包括如下步骤神经网络图像解码步骤，利用所述神经网络中隐藏层和输出层中神经元点数之比，对所述压縮编码的合成全息图进行解码，获取解码后的全息图；菲涅尔再现步骤，采用菲涅尔转换计算成像面上的场分布，再所述解码后的全息图。本发明还公开了一种数字全息图像传输方法，包括基于人工合成神经网络的数字全息图像压縮方法外，还包括神经网络图像解码步骤，利用所述神经网络中隐藏层和输出层中神经元点数之比，对所述压縮编码的合成全息图进行解码，获取解码后的全息图；菲涅尔再现步骤，采用菲涅尔转换计算成像面上的场分布，再所述解码后的全息图。另一方面，本发明还公开了一种数字全息图像压縮系统，包括计算机全息图制作模块，用于将获取的数字图像采用计算机合成全息图；神经网络图像压縮模块，用于利用神经网络中输入层和隐藏层中神经元点数之比，对所述全息图进行压縮，获取压縮编码的合成全息图。上述数字全息图像压縮系统，优选所述计算机全息图制作模块包括物波的数学表达式选择单元，用于选择需要描述的物波的数学表达式；菲涅尔衍射场分布计算单元，用于计算物波在全息面上的菲涅尔衍射场分布；全息图合成单元，用于将光场分布编码成全息图的透过率函数，完成全息图的合成。上述数字全息图像压縮系统，优选所述计算机全息图制作模块与所述神经网络图像压縮模块之间，还连接有神经网络学习训练模块，具体包括神经网络参数初始化单元，用于对所述神经网络的参数进行初始化，将各神经元的连接权值和偏置值设置为随机数以避免BP神经网络陷入局部最小值；输入单元，用于将训练样本集S中的一个训练样本(Xi，Y》输入到所述BP神经网络，Xi作为输入向量送入输入层，Yi作为教师向量送入到输出层；隐藏层输出计算单元，用于利用公式^+~)计算隐藏层的每个神经元j的输出,=1hj，实现所述训练样本经过所述BP神经网络前向传播；其中，Xi为输入层的输入，hj为隐藏层的输出，Wji为输入层到隐藏层的连接权值，bj为偏置；输出层输出计算单元，用于利用公式X:/(l;w^+《)计算输出层的每个神经元i的输出yj;其中，yi为输出层的输出，Wij',=1为隐藏层到输出层的连接权值，为偏置；输出层误差值计算单元，用于计算输出层的误差值E，所述误差E通过计算实际输出向量与教师向量之差得到E=E(Yiii)2;误差反向传播计算单元，用于计算输出层和隐藏层的连接权值调整，权值调整的计算公式为AWij=aSjOi，其中，a为网络的学习率，0j=f(Sj)是根据第j个神经元的输入值Sj计算得到的输出值，Sj是输出层的误差E对第j个神经元输入的偏导数，网络前一层的S值可以根据后一层的S值计算，公式为《-1=)Z《《，其中S广为第m-l层第j个神经元的S值，s/—工为第m-l层第j个神经元的输入值，f'为神经元激活函数的一阶导数，所述隐藏层的权值调整参值从输出层的反传误差算得，直到将所述隐藏层内每个节点的连接权值调整算出为止；修正单元，用于利用输出层和隐藏层的连接权值修正计算公式，修正隐藏层到输出层的连接权值Wij'、输入层到隐藏层的连接权值Wji。上述数字全息图像压縮系统，优选所述输入单元包括分割子单元，将NXN像素的图像，先分割成大小为mXm的方形数据块；训练样本获取子单元，将每一个所述mXm的方形数据块转换成一个n^Xl维的向量，n^对应于所述BP神经网络中输入结点个数，则所述NXN像素的图像被分割成(N/m"个训练向量作为所述BP神经网络的所述训练样本，N为待压縮图像的像素大小，m为对像素进行分块的像素大小，要求N能够被m整除。上述数字全息图像压縮系统，优选所述分割单元中，m的取值为8。另一方面，本发明还提供了一种数字全息图像解码系统，包括神经网络图像解码模块，利用所述神经网络中隐藏层和输出层中神经元点数之比，对所述压縮编码的合成全息图进行解码，获取解码后的全息图；菲涅尔再现模块，采用菲涅尔转换计算成像面上的场分布，再所述解码后的全息图。另一方面，本发明还提供了一种数字全息图像传输系统，包括如所述的数字全息图像压縮系统，还包括神经网络图像解码模块，用于利用神经网络中隐藏层和输出层中神经元点数之比，对所述压縮编码的合成全息图进行解码，获取解码后的全息图；菲涅尔再现模块，用于采用菲涅尔转换计算成像面上的场分布，再所述解码后的全息图。本发明采用BP神经网络对数字全息图像进行压縮，有效克服了数字全息图信息分布的非线性程度高、动态范围大等问题，有效的提高了数字全息图像的压縮效率。并且，在处理非线性的全息信息分布问题上具有智能性和自适应性，当压縮率变化时，压縮得到的再现图像质量有较好的鲁棒性。图1为根据本发明基于人工合成神经网络的数字全息图像处理方法实施例的步骤流程图；图2为计算机合成全息图的步骤流程图3为菲涅尔全息图的记录光路示意图4a为三层BP神经网络结构示意图4b为神经元的数学描述示意图5为BP神经网络学习和训练步骤流程图6为神经网络训练样本集的分割示意图；[OO31]图7a为Lena源图像示意图；图7b为根据计算全息原理得到的菲涅尔计算机合成全息图7c-图7j分别是在64:32(R=50%)，64:16(R=25%)，64:4(6.25%)，64:1(R=1.5625%)的情况下，得到的经过神经网络压縮后的解压縮的全息图和解压縮的全息图的再现图；图8a为BP神经网络压縮算法的PSNR曲线示意图；图8b为BP神经网络压縮算法的MSE曲线示意图；图9为DCT，DWT，BP神经网络三种压縮算法的PSNR曲线对比示意图；图10为DCT，DWT，BP神经网络三种压縮算法的MSE曲线对比示意图；图lla为基于人工合成神经网络的数字全息图像处理系统实施例的结构示意图；图lib为从发送端和接收端的角度提取的基于人工合成神经网络的数字全息图像处理系统实施例的结构示意图。具体实施例方式为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。针对数字全息图信息分布的非线性特性，以及信息分布类似随机噪声和有较大动态范围的特点，结合BP神经网络在处理非线性问题方面有自适应性和智能性的优点，本发明那个提出了一种基于BP神经网络和菲涅尔转换再现的计算机合成全息图的信息压縮处理方法用计算机将一幅数字图像制作成计算机合成全息图，然后根据神经网络的结构把全息图分解转换成训练样本，通过样本训练神经网络达到收敛后，用这个收敛的神经网络对全息图进行压縮编码和解码，最后采用菲涅尔转换来再现解码后的全息图。参照图1，图1为根据本发明基于人工合成神经网络的数字全息图像处理方法实施例的步骤流程图，包括计算机全息图制作步骤110，将获取的数字图像采用计算机合成全息图；神经网络图像压縮步骤120，利用神经网络中输入层和隐藏层中神经元点数之比，对所述全息图进行压縮，获取压縮编码的合成全息图；神经网络图像解码步骤130，利用神经网络中隐藏层和输出层中神经元点数之比，对所述压縮编码的合成全息图进行解码，获取解码后的全息图；菲涅尔再现步骤140，采用菲涅尔转换计算成像面上的场分布，再所述解码后的全息图。其中，参照图2，计算机全息图制作步骤110进一步包括如下三个步骤物波的数学表达式选择步骤210，选择需要描述的物波的数学表达式；菲涅尔衍射场分布计算步骤220，计算物波在全息面上的菲涅尔衍射场分布；全息图合成步骤230，将光场分布编码成全息图的透过率函数，完成全息图的合成。上述步骤即结合计算全息原理来制作数字图像的计算机合成全息图。根据全息原理，物波可以表示为00，力=」"力'expL/^"力],平行参考光可表示为Re邓[j2Ji(ax+Py)]，那么在全息记录面上所得到的光场强度分布即全息图的透过率函数h(x，y)可以表示为/z(;c,力=|O(x,力+i(;c,力卩=|.exp[Xx,力]+i.exp[/2;r(ar+刷]|2=j(x，_y)2+i2+2iL4(x,力cos[2;r(m:+刷i(x,_y)〗(工)在计算机合成全息图制作中，先对物波函数和参考波函数进行离散化抽样和量化，按照(1)式进行计算就可以得到物体的计算机合成全息图。因为这样的全息图函数是一个实的非负函数，可以很方便地用计算机进行编码处理。参照图3a，其中，3al为点光源，3a2为物体，3a3为全息平面。图2中的步骤获取的全息图后，经过神经网络的压縮、解压縮后，依据菲涅尔变换进行全息图像的再现，即执行步骤140时，依据如下原理实现菲涅尔全息图再现时，用与参考光相同的再现光照射全息图，那么全息面上的透射场振幅为T(x，y)=R(x，y)h(x，y)=R(x，y)[|R(x，y)+0(x，y)|2]=R(RR*+00*+R*0+R0*)(2)=R|R12+R|012+RR*0+RRO*(2)式中，第一项和第二项是噪声项，第三项表示一个正比于原始物波的场分量，将在全息图的再现光源一侧形成物体的一个虚像，第四项是一个正比于原始物波共轭的场分量，将在全息图的观测者一侧形成物体的一个实像，如图3b所示。其中，3bl代表再现光源，3b2代表虚像，3b3代表全息图，3b4代表实像。下面对神经网络图像压縮步骤120、神经网络图像解码步骤130进行详细的说明。首先，对神经网络进行介绍。神经网络是一种由简单处理单元构成的大规模并行分布式处理器。神经网络具有学习能力，对不同的训练样本数据集都可以产生合理的输出。这种信息处理能力使得神经网络可以解决一些当前技术还不能处理的复杂问题。神经网络中的计算过程就是神经网络中的信息传输处理过程。从另一方面来看，包含物体3D信息的全息图可以看作是一系列光学像素的集合，这些像素同时包含着振幅信息和相位信息。这些光学像素在空间传播时遵循相同的光学传播定律，所以全息图的像素之间有着很高的自相似性。这种特性和神经网络中的神经元的联系很相似，所以神经网络可以用来处理全息图的非线性信息分布问题。神经网络是一种智能化和适应度较高的算法，一个由非线性神经元互联而成的神经网络自身是非线性的，这种特性对于处理非线性的图像信息比较有效。同时神经网络所表达的关系是一种输入到输出的映射关系，从一个训练集中随机选取一个样本给网络，网络就调整它的连接权值，使由输入信号通过网络计算产生的实际响应以最小均方差准则逼近期望响应以达到网络收敛。当用神经网络方法处理全息图信息时，由于全息图的各像素之间的自相似性，正好对应于神经网络中各神经元之间的连接关系，因此神经网络方法被用来处理非线性的全息信息分布比较适合。在实际应用中，神经网络所包含的神经元个数以及神经网络的训练样本和训练时间受到一定的限制，因此神经网络在压縮处理图像时是一种有损算法，这样计算机合成全息图包含的物体3D信息在神经网络压縮处理过程中会产生丢失。随着压縮率的减小，信息的丢失会随着增大，这对全息图的再现图像质量会产生一定的影响。由于全息图本身的信息冗余，使用不同的压縮方法，在压縮率下降时全息图的信息量的丢失程度是不一样的。神经网络本身具有适应性和容错性的特点，它可以调整自身的权值以适应训练样本集的变化，当某一个或者几个神经元的异常行为不至于严重影响到整个网络的收敛能力。所以神经网络在处理全息图信息时有一定的鲁棒性。参照图4a、图4b。其中，在图4a中，X代表输入层，H代表隐藏层，Y输出层。一个典型的三层BP(BackPropagation后向传递)神经网络结构参照图4a、图4b。在图4a中，X代表输入层，H代表隐藏层，Y输出层。其中包括作为数据输入接口的输入层，隐藏层和作为数据输出的输出层。神经网络中的基本信息处理单元是神经元，一个神经元的输入与输出的关系可表示为<formula>formulaseeoriginaldocumentpage10</formula>神经元接受一系列输入Xi和权值Wi的加权和，e为偏置，f为神经元的激活函数，y是神经元的响应输出。因此在神经网络中，隐藏层和输出层的各神经元的输出可以表示为<formula>formulaseeoriginaldocumentpage10</formula>在式(4)中，f(x)是每一层的激活函数，Wji是从输入层到隐藏层的KXN维连接权值矩阵，Wij'是从隐藏层到输出层的NXK维连接权值矩阵，bj和bi'分别是各神经元的偏置。实际中，所述神经网络图像压縮步骤120与所述神经网络图像解码130中，所述神经网络为收敛的BP神经网络，通过如下训练和学习步骤获取步骤1、对BP神经网络的参数进行初始化，将各神经元的连接权值和偏置值设置为小的随机数。这样可以避免BP神经网络陷入局部最小值，有利于网络的收敛。步骤2、将训练样本集S中的一个样本(Xi，Yi)输入到BP神经网络，Xi作为输入向量送入输入层，1作为教师向量送入到输出层。步骤3、训练样本经过BP神经网络前向传播，即利用公式^=/(i>,,x,+~)计算隐藏层的每个神经元j的输出hj。步骤4、利用公式X=/(|;《~+")计算输出层的每个神经元i的输出yj。':=1步骤5、计算输出层的误差值，这个误差通过计算实际输出向量与教师向量之差得到E=IIY-yII=E(Y「y》2。步骤6、计算隐藏层的误差值^1-'=t)Z《《'。这个误差从输出层的反传误差算得，直到将隐藏层内每个节点的误差算出为止。步骤7、利用输出层和隐藏层的连接权值修正计算公式修正各层的连接权值。步骤8，返回步骤2，为下一个输入学习样本重复步骤2到7。上述过程可以结合图5来理解。图像传输到BP神经网络进行编解码之前需要对图像做预处理。根据BP神经网络的输入神经元个数，把图像分割成小的子块作为神经网络的训练样本集。对于大小为NXN像素的图像，先分割成大小为mXm的方形数据块。然后每一个mXm方形数据块转换成一个n^X1维的向量，m2对应于BP网络的输入结点个数，这样图像就被分割成(N/m)2个训练向量作为网络的学习样本集合，如图6所示。在一个典型的用于图像压縮的三层BP神经网络中，一般输入层和输出层的结构是对称的，有相同的神经元结点个数，图像分割预处理后得到的训练样本集中的向量馈送到BP网络的输入层作为输入信号，同时也馈送到输出层作为教师信号。在通过BP算法网络训练达到收敛后，保存此时的所有权值和其他网络参数作为压縮全息图信息的编解码器。BP网络实现数据压縮的原理是通过调整隐藏层和输入层的神经元结点个数来实现的。如果网络中隐藏层的结点数少于输入层的结点数，那么图像数据传输到隐藏层时将会减少，如果隐藏层保存的图像数据加上神经网络权值和其它网络参数的数据总量少于从输入层输入的图像数据量就实现了数据压縮。在接收端可以根据接收到的神经网络权值和网络参数重构原始的BP神经网络，图像数据从这个重构的神经网络的隐藏层传输到输出层实现图像数据的恢复。在BP神经网络合成全息图压縮处理系统中，合成全息图首先经过图像预处理得到一个训练样本集，分割全息图时，子块大小参数m的取值应根据实际应用，选取不同的值，m值取的过大或者过小都不合适，如果m值过大，则样本数量较少，神经网络的输入结点数目增加，网络结构复杂，如果m值过小，则样本数量较多，使网络训练时间加长，收敛性能变差，通过实验，发现m取值为8比较合适，整个系统具有较低的复杂度，和较短的训练收敛时间。BP神经网络收敛达到稳定后，待压縮的全息图数据先通过图像预处理，然后从输入层到隐藏层的传输完成全息图信息的压縮编码。通过调整隐藏层和输入层的神经元结点数之比，可以得到不同的数据压縮率。隐藏层结点数越少，压縮率越低，反之，隐藏层结点数越多，压縮率越高。从隐藏层到输出层的传输完成全息图信息的解码，解码后的图像经过图像后处理，即图像预处理的逆过程，还原得到完整的全息图。由于全息图包含物体的3D信息，这与一般图像所包含的信息有较大差别。对于全息像处理的质量评价上，并没有统一的标准。我们可以通过人眼视觉观察比较原始全息图和处理后的全息图，但这样的主观评价并不能客观地表征被处理后的全息像质量。因此，本文采用传统的图像处理质量评价标准，即用压縮率(R)，均方误差(MSE)，和峰值信噪比(PSNR)来评价压縮效率与扭曲测量。R，MSE，PSNR的定义为<formula>formulaseeoriginaldocumentpage12</formula><formula>formulaseeoriginaldocumentpage12</formula>在式(5)中，S。是压縮后的计算机合成全息图数据大小，S。是原始的计算机合成全息图数据大小。Q是隐藏层的神经元个数，P是输入层的神经元个数。在式(6)中，MXN是图像的像素大小(如MXN=256X256)，f(x，y)是原始全息图的再现图像函数，/(x,力是经过压縮处理后的全息图的再现图像函数。在式(7)中，Xp是图像数据的峰峰值。在计算机合成全息图的各种压縮处理方法实验中，本发明采用以上三个评价函数来评价处理后的全息图再现图像质量。图7(a)为Lena源图像(256X256像素大小，8b卯/256，65kb)，图7(b)为根据计算全息原理得到的菲涅尔计算机合成全息图。图7(c)-图7(j)分别是在64:32(1=50%)，64:16(R=25%)，64:4(6.25%)，64:1(R=1.5625%)的情况下，得到的经过神经网络压縮后的解压縮的全息图和解压縮的全息图的再现图。实验结果和在各种压縮率下的再现图像的MSE和PSNR实验数据分别如表1和图8a、图8b所示。表1BP神经网络压縮算法的R，PSNR和MSE实验数据<table>tableseeoriginaldocumentpage12</column></row><table>从表1分析，可以发现再现图像的PSNR与压縮率成比例。因为BP神经网络不是一个精确度很高的模型，在神经网络的压縮编码中，隐藏层的神经元个数越少，得到的压縮率越低，而网络的表达能力就越差，那么信息在从输入层到隐藏层的传递过程中损失的就越多。信息损失的程度直接影响着再现图像质量和PSNR值。图8a，8b为BP神经网络压縮算法的PSNR曲线和MSE曲线。横坐标为压縮率。图像函数是很复杂的，而且难以用数学式精确地描述，神经网络可以近似地逼近任何数学函数，而神经网络的逼近能力直接相关于它的网络结构和所包含的神经元的个数。一般来说，较大数量的训练样本集和多层神经网络结构能比有限数量的训练样本集和简单三层神经网络结构更好地表征图像函数。在本文的实验中，用来做压縮的BP神经网络是一个简单的三层神经网络结构，包含64个输入神经元和64个输出神经元，训练样本集为一幅计算机合成全息图像。这些都限制了神经网络的能力，所以神经网络在较高压縮比下对非线性的全息信息分布的表达不够精确。但从图7(i)，图7(j)来看，在压縮率达到1:64(R=1.5625%)的情况下，尽管解压縮后的全息图方块效应很明显，但是仍然能够得到可辨认的再现图像。下面，对本发明的优点做进一步的详细说明。为了更好地比较离散余弦(DCT)压縮，离散小波(DWT)压縮和BP神经网络压縮，可以将三种压縮方法的PSNR—R曲线和MSE—R曲线画在同一个坐标系中，如图9，图10所示。从图9，图10分析可以发现，在三种压縮方法的PSNR曲线和MSE曲线中，神经网络压縮的PSNR曲线比其他两种方法更平稳。随着压縮率R的下降，DCT压縮和DWT压縮的PSNR值下降很快，而BP神经网络压縮的PSNR则相对下降缓慢。这说明DCT压縮和DWT压縮对信息损失和再现图像质量的影响程度比BP神经网络压縮高。这也就是说，相对于DCT压縮和DWT压縮，神经网络在处理非线性的全息信息分布问题上具有智能性和自适应性，对不同的压縮率具有鲁棒性。另夕卜，在很低的压縮率下，神经网络压縮比DCT压縮和DWT压縮有更好的再现图像质量和更小的再现误差。在压縮比达到4:64(R=6.25%)时，神经网络压縮得到的再现图像的PSNR值和DCT压縮得到的PSNR值接近，当压縮率进一步下降，神经网络压縮比DCT压縮更有效。在压縮率达到l:64(R=1.5625%)时，神经网络压縮也比DWT压縮有效。可见，在要求很低压縮率的情况下，用神经网络去处理全息图是一种更有效的方法。另一方面，本发明还提供了一种基于人工合成神经网络的数字全息图像处理系统，参照图lla，该系统包括计算机全息图制作模块llOl，用于将获取的数字图像采用计算机合成全息图；神经网络图像压縮模块1102，用于利用神经网络中输入层和隐藏层中神经元点数之比，对所述全息图进行压縮，获取压縮编码的合成全息图；神经网络图像解码模块1103，用于利用神经网络中隐藏层和输出层中神经元点数之比，对所述压縮编码的合成全息图进行解码，获取解码后的全息图；菲涅尔再现模块1104，用于采用菲涅尔转换计算成像面上的场分布，再所述解码后的全息图。上述各个模块的工作原理与方法实施例中相同，在此不再赘述，相关之处互相参照即可。参照图llb，图lib为从发送端(图像压縮系统)和接收端(图像解码系统)的角度提取的基于人工合成神经网络的数字全息图像处理系统实施例的结构示意图。其中，11a代表发送端，llb代表接收端。即发送端lla包括计算机全息图制作模块1101、神经网络图像压縮模块1102;接收端lib包括神经网络图像解码模块1103、菲涅尔再现模块1104。发送端11a中的神经网络图像压縮模块1102利用神经网络中输入层和隐藏层中神经元点数之比，对所述全息图进行压縮，获取压縮编码的合成全息图后，将合成的全息图发送至接收端lib;同时，还需要将神经网络中隐藏层、输出层的相关参数也发送至接收端11b，这样，神经网络图像解码模块1103才能通过接收到的参数信息对压縮编码后的全息图进行解码。上述各个模块的工作原理与方法实施例中相同，在此不再赘述，相关之处互相参照即可。综上所述，本发明是为了构造一种通用的全息信息压縮系统，在处理非线性的全息信息分布问题上具有智能性和自适应性，即压縮率变化时，压縮得到的再现图像质量有较好的鲁棒性。主要的优点在于第一、利用神经网络的学习能力，通过全息图的样本训练集，使神经网络具有表达全息图非线性分布的能力。第二、利用神经网络的智能性和自适应特点，去处理复杂的全息图信息分布问题，如动态范围大，非线性程度高。第三、利用全息图像素之间的关联性和神经网络结构中的神经元的关联性很类似来处理非线性的全息信息分布。以上对本发明所提供的一种数字全息图像压縮、解码方法及系统、传输方法及系统详细介绍，本文中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。权利要求一种数字全息图像压缩方法，其特征在于，包括如下步骤计算机全息图制作步骤，将获取的数字图像采用计算机合成全息图；神经网络图像压缩步骤，利用神经网络中输入层和隐藏层中神经元点数之比，对所述全息图进行压缩，获取压缩编码的合成全息图。2.根据权利要求1所述的数字全息图像压縮方法，其特征在于，所述计算机全息图制作步骤包括物波的数学表达式选择步骤，选择需要描述的物波的数学表达式；菲涅尔衍射场分布计算步骤，计算物波在全息面上的菲涅尔衍射场分布；全息图合成步骤，将光场分布编码成全息图的透过率函数，完成全息图的合成。3.根据权利要求1所述的数字全息图像压縮方法，其特征在于，所述计算机全息图制作步骤与所述神经网络图像压縮步骤之间，还包括神经网络学习训练步骤，所述神经网络训练步骤包括神经网络参数初始化步骤，对所述神经网络的参数进行初始化，将各神经元的连接权值和偏置值设置为随机数以避免BP神经网络陷入局部最小值；输入步骤，将训练样本集S中的一个训练样本(Xi，Y》输入到所述BP神经网络，&作为输入向量送入输入层，1作为教师向量送入到输出层；隐藏层输出计算步骤，利用公式^=/(i;,,x,+~)计算隐藏层的每个神经元j的输出hj，实现所述训练样本经过所述BP神经网络前向传播；其中，Xi为输入层的输入，hj为隐藏层的输出，Wji为输入层到隐藏层的连接权值，bj为偏置；输出层输出计算步骤，利用公式乂=/(i《~+")计算输出层的每个神经元1的输出yj;其中，yi为输出层的输出，Wij'为隐藏层到输出层的连接权值，bi'为偏置；输出层误差值计算步骤，计算输出层的误差值E，所述误差E通过计算实际输出向量与教师向量之差得到E二E(Yiii)2;误差反向传播计算单元，用于计算输出层和隐藏层的连接权值调整，权值调整的计算公式为八^=aSjOi，其中，a为网络的学习率，0j=f(Sj)是根据第j个神经元的输入值Sj计算得到的输出值，Sj是输出层的误差E对第j个神经元输入的偏导数，网络前一层的S值可以根据后一层的S值计算，公式为《—1')Z《《，其中S/-工为第m-l层第j个神经元的S值，s/1—工为第m-l层第j个神经元的输入值，f'为神经元激活函数的一阶导数，所述隐藏层的权值调整参值从输出层的反传误差算得，直到将所述隐藏层内每个节点的连接权值调整算出为止；修正步骤，利用输出层和隐藏层的连接权值修正计算公式，修正隐藏层到输出层的连接权值Wi/、输入层到隐藏层的连接权值Wji。4.根据权利要求3所述的数字全息图像压縮方法，其特征在于，所述输入步骤中，所述训练样本集通过如下步骤获取分割步骤，将NXN像素的全息图，先分割成大小为mXm的方形数据块；训练样本获取子单元，将每一个所述mXm的方形数据块转换成一个n^Xl维的向量，m2对应于所述BP神经网络中输入结点个数，则所述NXN像素的图像被分割成(N/m)2个训练向量作为所述BP神经网络的所述训练样本，N为待压縮图像的像素大小，m为对像素进行分块的像素大小，要求N能够被m整除。5.根据权利要求4所述的数字全息图像压縮系统，其特征在于，所述分割单元中，m的取值为8。6.—种数字全息图像解码方法，其特征在于，包括如下步骤神经网络图像解码步骤，利用所述神经网络中隐藏层和输出层中神经元点数之比，对所述压縮编码的合成全息图进行解码，获取解码后的全息图；菲涅尔再现步骤，采用菲涅尔转换计算成像面上的场分布，再所述解码后的全息图。7.—种数字全息图像传输方法，其特征在于，包括如权利要求1至5中任一项所述的基于人工合成神经网络的数字全息图像压縮方法外，还包括神经网络图像解码步骤，利用所述神经网络中隐藏层和输出层中神经元点数之比，对所述压縮编码的合成全息图进行解码，获取解码后的全息图；菲涅尔再现步骤，采用菲涅尔转换计算成像面上的场分布，再所述解码后的全息图。8.—种数字全息图像压縮系统，其特征在于，包括计算机全息图制作模块，用于将获取的数字图像采用计算机合成全息图；神经网络图像压縮模块，用于利用神经网络中输入层和隐藏层中神经元点数之比，对所述全息图进行压縮，获取压縮编码的合成全息图。9.根据权利要求8所述的数字全息图像压縮系统，其特征在于，所述计算机全息图制作模块包括物波的数学表达式选择单元，用于选择需要描述的物波的数学表达式；菲涅尔衍射场分布计算单元，用于计算物波在全息面上的菲涅尔衍射场分布；全息图合成单元，用于将光场分布编码成全息图的透过率函数，完成全息图的合成。10.根据权利要求8所述的数字全息图像压縮系统，其特征在于，所述计算机全息图制作模块与所述神经网络图像压縮模块之间，还连接有神经网络学习训练模块，具体包括神经网络参数初始化单元，用于对所述神经网络的参数进行初始化，将各神经元的连接权值和偏置值设置为随机数以避免BP神经网络陷入局部最小值；输入单元，用于将训练样本集S中的一个训练样本(Xi，Yi)输入到所述BP神经网络，Xi作为输入向量送入输入层，1作为教师向量送入到输出层；隐藏层输出计算单元，用于利用公式^=/(i;^vx,+~)计算隐藏层的每个神经元j,=1的输出hj，实现所述训练样本经过所述BP神经网络前向传播；其中，Xi为输入层的输入，hj为隐藏层的输出，Wji为输入层到隐藏层的连接权值，bj为偏置；输出层输出计算单元，用于利用公式乂+")计算输出层的每个神经元1的输出yj;其中，yi为输出层的输出，Wij'为隐藏层到输出层的连接权值，bi'为偏置；输出层误差值计算单元，用于计算输出层的误差值E，所述误差E通过计算实际输出向量与教师向量之差得到E=E(Yi-yi)2;误差反向传播计算单元，用于计算输出层和隐藏层的连接权值调整，权值调整的计算公式为AWij二aSjOi，其中，a为网络的学习率，0j=f(Sj)是根据第j个神经元的输入值Sj计算得到的输出值，Sj是输出层的误差E对第j个神经元输入的偏导数，网络前一层的s值可以根据后一层的s值计算，公式为^厂1-/'(^""Z^^;",其中S/-工为第m-l层第j个神经元的S值，s/1—工为第m-l层第j个神经元的输入值，f'为神经元激活函数的一阶导数，所述隐藏层的权值调整参值从输出层的反传误差算得，直到将所述隐藏层内每个节点的连接权值调整算出为止；修正单元，用于利用输出层和隐藏层的连接权值修正计算公式，修正隐藏层到输出层的连接权值Wi/、输入层到隐藏层的连接权值Wij。11.根据权利要求IO所述的数字全息图像压縮系统，其特征在于，所述输入单元包括分割子单元，将NXN像素的图像，先分割成大小为mXm的方形数据块；训练样本获取子单元，将每一个所述mXm的方形数据块转换成一个n^Xl维的向量，m2对应于所述BP神经网络中输入结点个数，则所述NXN像素的图像被分割成(N/m)2个训练向量作为所述BP神经网络的所述训练样本，N为待压縮图像的像素大小，m为对像素进行分块的像素大小，要求N能够被m整除。12.根据权利要求11所述的数字全息图像压縮系统，其特征在于，所述分割单元中，m的取值为8。13.—种数字全息图像解码系统，其特征在于，包括神经网络图像解码模块，利用所述神经网络中隐藏层和输出层中神经元点数之比，对所述压縮编码的合成全息图进行解码，获取解码后的全息图；菲涅尔再现模块，采用菲涅尔转换计算成像面上的场分布，再所述解码后的全息图。14.一种数字全息图像传输系统，其特征在于，包括如权利要求8至11中任一项所述的数字全息图像压縮系统，还包括神经网络图像解码模块，用于利用神经网络中隐藏层和输出层中神经元点数之比，对所述压縮编码的合成全息图进行解码，获取解码后的全息图；菲涅尔再现模块，用于采用菲涅尔转换计算成像面上的场分布，再所述解码后的全息图。全文摘要本发明公开了一种数字全息图像压缩、解码方法及系统、传输方法及系统。其中，传输方法包括将获取的数字图像采用计算机合成全息图；利用神经网络中输入层和隐藏层中神经元点数之比，对全息图进行压缩，获取压缩编码的合成全息图；利用神经网络中隐藏层和输出层中神经元点数之比，对压缩编码的合成全息图进行解码，获取解码后的全息图；采用菲涅尔转换计算成像面上的场分布，再所述解码后的全息图。本发明采用BP神经网络对数字全息图像进行压缩，有效克服了数字全息图信息分布的非线性、信息分布类似随机噪声、有较大动态范围所带来的压缩弊端，有效的提高了数字全息图像的压缩效率。文档编号H04N1/41GK101795344SQ201010116678公开日2010年8月4日申请日期2010年3月2日优先权日2010年3月2日发明者杨光临申请人:北京大学