一种采用量子补偿混合神经网络的数字全息压缩传输方法

本发明属于光信息处理领域，涉及一种采用量子补偿混合神经网络的计算机生成全息图(数字全息)的压缩与传输方法，具体包括数字全息图像的制作与再现、使用量子补偿混合神经网络的数字全息压缩方案、信息量化编码与解码等方法。

背景技术：

1、全息显示可以重建三维场景的整个光场，并有可能提供人眼可以感知的所有深度线索。在三维显示技术中，全息投影技术因为能完整记录三维物体的振幅和相位信息而被认为是实现三维显示最理想的方式，能够在一定条件下完美地再现出与原物体完全相同的三维图像。因此，全息显示可以被认为是未来三维显示技术的一个有希望的候选者。近年来得益于光学、电子和计算机等各项技术的进步以及新算法的不断提出，计算全息技术飞速发展。计算机生成全息(computer-generated hologram,cgh)是一种将三维(threedimensional,3d)物体场景转换为二维(two dimensional,2d)复值全息图的技术。计算机生成全息图中包含了大量的原始物体信息，包括物体的振幅和相位信息，其中3d全息显示系统的带宽需求达到了100gbps-1tbps。为了更加有效地传输计算机生成全息图上干涉条纹携带的庞大的信息数据，针对全息图的压缩显得尤为重要。

2、传统图像的压缩技术与方案已经非常成熟，例如jpeg等基于标准的方法。然而，计算机生成全息图由干涉条纹构成，比自然图像包含了更多高频信息，jpeg等基于标准的方法在全息图的压缩上性能严重受限[1]。因此，随着人工智能的不断发展，深度学习技术在全息图计算与生成上展现出超乎意料的能力，文献二[2]使用基于数据驱动的深度学习方法进行全息图的压缩并取得了不错的效果。然而，基于深度学习方法的全息图压缩方案普遍存在模型收敛速度慢、记忆容量有限、全息图在高压缩比下的恢复效果差等问题，这些缺陷都一定程度上限制了全息图压缩传输的效果与实际应用的价值。

技术实现思路

1、为了克服上述现有技术的不足，本发明提供一种端到端的计算机生成全息图的压缩与传输方法，本发明设计了基于量子补偿式的混合神经网络来压缩与传输计算机生成全息图，网络能够在更少的训练次数下完成收敛，并且在高压缩倍率下也能获得不错的恢复效果，大大提高计算机生成全息图的压缩传输效率。

2、本发明的原理是：本发明将量子补偿的混合神经网络技术用于计算机生成全息图的压缩与传输，由于计算机生成全息图是由干涉条纹组成的图像，每个像素在空间域上都携带了其它像素的部分信息，整张图携带的信息量很大；而量子计算理论中，量子比特通过量子态叠加和纠缠具有更快的并行处理速度和更强的存储数据的能力，并且量子比特表示的信息可由振幅和相位在复数域上进行表征，这与计算机生成全息图的包含物体的振幅与相位的信息相契合，将物体的振幅与相位的信息嵌入到量子比特中进行计算可以增加整个网络的信息容量与复数域的高阶特征。除此之外，根据量子计算基本原理，一个n位量子寄存器可以同时保存2n个n位的二进制数，量子计算系统以这种方式指数式增长的存储能力能够并行处理一个n位量子寄存器的所有2n个数，其一次运算相当于经典常规计算2n次操作。因此，基于量子补偿的混合神经网络在处理计算机生成全息图的压缩问题上有着比经典神经网络更好的效果。

3、本发明提供的技术方案是：

4、一种采用量子补偿混合神经网络的数字全息压缩传输方法，包括仿真光学的计算机生成全息图的制作与再现、基于量子补偿的混合神经网络压缩与解压缩、基于霍夫曼无损编码的信息编码与传输等过程，具有更快的并行计算速度和更强的信息存储能力，收敛所需要的迭代次数更少，压缩倍率大，传输速度快，再现的图像质量效果好，适用于信息量大的计算机生成全息图的计算处理；包括如下步骤：

5、1)将包含原始3d物体的图像集合通过菲涅尔离轴全息计算方法记录并生成为计算机生成全息图数据集；

6、2)构建基于量子补偿的混合神经网络，所述网络由压缩块和解压缩块组成，模型训练阶段联合训练，模型测试或服务阶段将两个模块拆开，分别放在传输系统的发送端和接收端；使用步骤1)中得到的计算机生成全息图数据集送入所述的基于量子补偿的混合神经网络中进行训练，得到训练完毕的基于量子补偿的混合神经网络，将该网络拆分为压缩块和解压缩块，其中压缩块置于发送端，解压缩块放置于接收端；

7、3)将步骤2)中经过基于量子补偿的混合神经网络的压缩块进行压缩后得到的全息浮点矩阵，将该矩阵每个数值进行8比特量化为0到255之间的整数值后，采用霍夫曼无损编码算法将量化后的矩阵编码为二进制比特流进行传输；

8、4)在传输系统的接收端接收到步骤3)发送端发送的比特流后，通过霍夫曼解码算法进行解码得到整数矩阵，再经过一个到均匀分布生成量化噪声加和到整数矩阵上得到浮点矩阵，将该浮点矩阵通过步骤2)中训练好的基于量子补偿的混合神经网络的解压缩块进行解压缩，得到恢复的全息图；

9、5)将步骤4)中解压缩得到的全息图进行再现，得到原物体再现像。

10、进一步地，步骤1)所述的全息记录计算方法包括菲涅尔衍射和离轴参考光干涉；

11、所述的菲涅耳衍射的近似公式计算为式1：

12、

13、式1中k是波数,j是虚数单位,(x0，y0)表示物波平面,(x，y)是对应的衍射平面；u0(x0，y0)是原始物体的信息,u(x，y)是物光波前的复振幅函数,z表示衍射距离。使用计算机对该菲涅耳衍射积分进行计算，可以通过式2进行快速傅里叶变换：

14、

15、式2中,f表示傅立叶变换,z为衍射距离,k为波数,j为虚数单位；l0为初始物波平面采样范围；初始物波平面的采样点数为n×n,即初始图像的像素个数；初始物波平面采样点的间隔为δx0＝δy0＝l0/n；δx＝δy是初始物波平面离散傅立叶变换后采样间隔,在空间域内,与之对应的是衍射平面的采样间隔。

16、所述的离轴参考光干涉计算方法利用光的干涉原理记录波前复振幅函数形成全息图i(x，y)，如式3：

17、

18、式3中，i(x，y)是全息图记录的光强,r(x，y)是参考波的波前函数,u(x，y)是原始图像的波前函数。r*(x，y)和u*(x，y)分别对应r(x，y)和u(x，y)的共轭项。

19、进一步地，步骤2)中基于量子补偿的混合神经网络由压缩块和解压缩块构成，其中压缩块由三层经典的卷积层构成，其中第一层卷积和第三层卷积让其输入和输出的图像矩阵维度一致，只做特征提取的功能；第二层卷积会通过调整卷积的步幅(stride)来对输入的图像矩阵进行聚合压缩，使得该层卷积输入矩阵大小与输出矩阵大小的比值(即压缩比)为卷积步幅的平方。整个压缩块的输入记为xgenerated，输出设记为bcompress；将压缩块输出的浮点矩阵bcompress输出到解压缩块中进行计算，解压缩块由两条链路(主链路和补偿链路)构成，其中补偿链路将矩阵bcompress进行下采样得到矩阵bquantum，通过量子补偿模块进行计算后，通过上采样模块得到矩阵bcompensation；主链路通过上采样计算得到矩阵bupsampling，引入量子补偿系数α，得到量子补偿后的加权结果(1-α)×bupsampling+α×bcompensation，将补偿结果通过若干层卷积和残差后得到最终恢复的输出结果xrecovered。

20、其中上述所述的量子补偿模块由嵌入层、纠缠层和测量层组成。量子补偿模块由4个处于|0>状态的量子比特作为初始状态输入，并设为|ψ>1，...，d，其中d＝4；|ψ>1，...，d可以表示为d维希尔伯特空间中2d个计算基状态的叠加态，这个d维希尔伯特空间可以表示为式4：

21、

22、式4中，h2表示具有基{|0>，|1>}的二维希尔伯特空间。因此，|ψ>1，...，d可以被表达为式5：

23、

24、式5中，ai，i∈{1，...，2d}表示分配给计算基状态的复数振幅。

25、整个量子补偿模块的计算包括如下三个计算步骤：

26、221)将上述输入的量子比特状态|ψ>1，...，d送入量子补偿模块的嵌入层，具体地，将输入的量子比特状态|ψ>1，...，d首先经过hadamard门进行计算，然后将经典数据以相位的形式嵌入到ry门中输出得到新的量子状态

27、222)将步骤221)中输出的量子状态送入量子补偿模块的纠缠层进行计算，通过一系列酉算符u在不同的量子线路上进行量子纠缠得到最终结果，一个d比特的u门可以表示为ud(θ)，其中θ是u门所有自由参数的集合；这些门级联后形成量子神经网络，类似于经典的深度神经网络。l个酉门的顺序级联可以表示为式6：

28、

29、式6中，表示第i层的酉门，θ＝{θ1，...，θl}是所有的自由参数的集合。

30、将纠缠层的输入经过纠缠层的量子神经网络表示后得到纠缠层输出为

31、223)将步骤222)中的输出送入量子补偿模块的测量层进行测量，并得到整个量子补偿块的最终的输出结果，进行上采样得到步骤22)所述的补偿矩阵bcompensation。

32、其中，针对第i个量子比特通过pauli算符进行测量结果为式7：

33、

34、式7中，yi表示第i个量子的测量结果，z是pauli矩阵。

35、进一步地，步骤2)中整个基于量子补偿的混合神经网络的训练步骤包括如下步骤：

36、231)将步骤1)中生成的计算机生成全息图数据集分成若干批次依次输入基于量子补偿的混合神经网络，得到网络的前向传播的计算结果；

37、232)记录整个网络实际输出与目标输出之间的误差，根据梯度下降法，通过神经网络的反向传播调整各层参数；

38、233)重复步骤231)～232)，直到网络训练轮次达到设定次数终止。

39、进一步地，步骤5)所述对恢复的全息图进行再现，具体根据菲涅耳离轴全息原理，通过离轴参考光照射与菲涅耳衍射两个过程，实现将恢复的全息图再现为原始三维物体图像；

40、其中，根据离轴全息再现公式，即式8，利用与参考光一致的再现光r(x，y)照射全息图i(x，y)进行再现：

41、

42、式8中，i(x，y)是全息图记录的光强，r(x，y)是参考光与再现光的波前函数，u(x，y)是原始图像的再现波前函数。u*(x，y)为再现像的共轭项；

43、经过再现光照射的计算机生成全息图光波的衍射过程由菲涅耳衍射公式(式1～式2)计算，在衍射平面获得原始物体的三维再现像。

44、与现有技术相比，本发明的有益效果是：

45、本发明提供一种采用量子补偿混合神经网络的数字全息压缩传输方法，通过提出量子补偿的机制，能够辅助经典的神经网络在更少的训练轮次收敛，并且在高压缩倍率下的恢复效果更好，大大降低了压缩传输系统的处理的数据量。针对计算机生成全息图的压缩传输任务上，验证量子并行计算的能力。最终实现了一个发送端三维物体图像输入、接收端三维物体图像输出的端到端的3d信息传输系统。

46、本发明的优点主要体现在以下几方面：

47、(一)本发明所提出的基于量子补偿的混合神经网络借助量子补偿模块中量子计算更快的并行处理速度和更强的存储数据的能力，能够很好地补偿经典神经网络处理大数据量的计算机生成全息图的缺陷，更适用于大数据量的计算机生成全息图的压缩与传输；

48、(二)针对同一数据集，基于量子补偿的混合神经网络相比传统的神经网络能在更少的训练轮次完成收敛，提高了传输全息信息的速度；

49、(三)本发明的基于量子补偿的混合神经网络在高压缩比下的图像恢复质量明显比没有量子补偿的传统神经网络的恢复质量好，同时网络的压缩倍率可以根据压缩等级调整。