專利名稱：：數(shù)字全息圖像壓縮、解碼方法及系統(tǒng)、傳輸方法及系統(tǒng)的制作方法
技術(shù)領(lǐng)域：
：本發(fā)明涉及圖像壓縮
技術(shù)領(lǐng)域：
，尤其涉及一種數(shù)字全息圖像壓縮、解碼方法及系統(tǒng)、傳輸方法及系統(tǒng)。
背景技術(shù)：
：1948年，物理學(xué)家丹尼斯.蓋伯(DennisGabor1900-1979)在研究顯微鏡的分辨率時發(fā)明了全息術(shù)，即波前再現(xiàn)技術(shù)。這是一種兩步成像技術(shù)，其步驟是用相干光源照射一個物體，物體產(chǎn)生的衍射波與另一束相干參考波干涉疊加產(chǎn)生按一定規(guī)律分布的空間條紋，用光學(xué)膠片把這些空間條紋分布記錄下來，然后經(jīng)過一系列的物理化學(xué)處理步驟，就形成了包含有物體全部信息(振幅信息和相位信息)的全息圖。當(dāng)用同一束參考光作為再現(xiàn)光照射該全息圖時，物體的振幅和相位就會在空間重構(gòu)出來。隨著數(shù)字技術(shù)與計算技術(shù)的發(fā)展，有學(xué)者提出直接利用計算機制作全息圖。計算全息相比光學(xué)全息而言，它不需要真實的物體存在，只要事先給出物波的具體數(shù)學(xué)描述，就能利用數(shù)字計算機和繪圖儀綜合出計算全息圖，并可由全息圖再現(xiàn)該物波。另一方面計算機制作全息圖減少了光學(xué)全息中對實驗條件的限制和處理過程中各種誤差對全息圖質(zhì)量的影響。現(xiàn)在計算全息技術(shù)廣泛應(yīng)用于光信息處理中，如空間濾波器綜合和光學(xué)運算，生成特殊的參考波面用于光學(xué)元件的檢測，或作為特殊的波面變換元件實現(xiàn)各種光學(xué)變換?！D記錄了物體的全部信息(包括振幅信息和相位信息)，全息圖上每一點所記錄的光振幅都是物體上各點衍射波同參考光相干疊加的結(jié)果，因此全息圖上的每一點都包含有物體的全局信息。如果截取全息圖上的任意一個子塊，都可以再現(xiàn)原始物體的完整像，只是再現(xiàn)圖像的清晰度會隨著全息圖子塊的面積減少而下降。這充分說明了全息圖所包含的信息有較大的冗余度。實際記錄的物體含有豐富的高頻信息，為了保證再現(xiàn)圖像不產(chǎn)生嚴重的混疊，要求對物波的采樣率要足夠高，同時為了保證再現(xiàn)圖像的清晰度，需要全息圖有較大視角，這樣一幅全息圖包含的數(shù)據(jù)量是很大的，給全息圖的存儲和傳輸帶來了很多不便。因此有很多學(xué)者研究全息信息的壓縮處理方法和技術(shù)。但是，由于計算機合成全息圖的非線性信息分布特點和高的動態(tài)范圍，使得傳統(tǒng)的圖像編碼技術(shù)很難去處理這樣的問題。復(fù)雜結(jié)構(gòu)物體的計算機合成全息圖是一種類似隨機噪聲的信息分布，有著較大的動態(tài)范圍，各像素強度出現(xiàn)的概率接近于正態(tài)分布，由于干涉條紋的結(jié)構(gòu)很精細，局部的像素變化范圍較大，包含很多高頻信息，信息分布在整個空間頻率域上比較平均，這使得傳統(tǒng)的無損編碼技術(shù)在壓縮全息圖信息上效率不高。
發(fā)明內(nèi)容本發(fā)明的目的在于提供一種一種數(shù)字全息圖像壓縮、解碼方法及系統(tǒng)、傳輸方法及系統(tǒng)?；诒景l(fā)明，可以很好的克服計算機數(shù)字全息圖像信息分布非線性、動態(tài)范圍大所帶來的弊端，很好的提高數(shù)字全息圖像的壓縮效率。本發(fā)明提供了一種數(shù)字全息圖像壓縮方法，包括如下步驟將獲取的數(shù)字圖像采用計算機合成全息圖；利用神經(jīng)網(wǎng)絡(luò)中輸入層和隱藏層中神經(jīng)元點數(shù)之比，對所述全息圖進行壓縮，獲取壓縮編碼的合成全息圖。上述數(shù)字全息圖像壓縮方法，優(yōu)選所述計算機全息圖制作步驟包括選擇需要描述的物波的數(shù)學(xué)表達式；計算物波在全息面上的菲涅爾衍射場分布；全息圖合成步驟，將光場分布編碼成全息圖的透過率函數(shù)，完成全息圖的合成。上述數(shù)字全息圖像壓縮方法，優(yōu)選所述計算機全息圖制作步驟與所述神經(jīng)網(wǎng)絡(luò)圖像壓縮步驟之間，還包括神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練步驟，所述神經(jīng)網(wǎng)絡(luò)訓(xùn)練步驟包括神經(jīng)網(wǎng)絡(luò)參數(shù)初始化步驟，對所述神經(jīng)網(wǎng)絡(luò)的參數(shù)進行初始化，將各神經(jīng)元的連接權(quán)值和偏置值設(shè)置為隨機數(shù)以避免BP神經(jīng)網(wǎng)絡(luò)陷入局部最小值；輸入步驟，將訓(xùn)練樣本集S中的一個訓(xùn)練樣本(Xi，Yi)輸入到所述BP神經(jīng)網(wǎng)絡(luò)，Xi作為輸入向量送入輸入層，Yi作為教師向量送入到輸出層；隱藏層輸出計算步驟，利用公式、=/(i;,,x,+~)計算隱藏層的每個神經(jīng)元j的輸出hj，實現(xiàn)所述訓(xùn)練樣本經(jīng)過所述BP神經(jīng)網(wǎng)絡(luò)前向傳播；其中，Xi為輸入層的輸入，hj為隱藏層的輸出，Wj,為輸入層到隱藏層的連接權(quán)值，bj為偏置；輸出層輸出計算步驟，利用公式乂二/d;w^+")計算輸出層的每個神經(jīng)元i的輸出yj;其中，yi為輸出層的輸出，^'為/=1隱藏層到輸出層的連接權(quán)值，bi'為偏置；輸出層誤差值計算步驟，計算輸出層的誤差值E，所述誤差E通過計算實際輸出向量與教師向量之差得到E=E(11》2誤差反向傳播計算單元，用于計算輸出層和隱藏層的連接權(quán)值調(diào)整，權(quán)值調(diào)整的計算公式為AWij=aSj0i，其中，a為網(wǎng)絡(luò)的學(xué)習(xí)率，Oj二f(Sj)是根據(jù)第j個神經(jīng)元的輸入值Sj計算得到的輸出值，Sj是輸出層的誤差E對第j個神經(jīng)元輸入的偏導(dǎo)數(shù)，網(wǎng)絡(luò)前一層的S值可以根據(jù)后一層的S值計算，公式為《-1=尸""'"Z《《'，其中S/-1為第m-l層第j個神經(jīng)元的S值，s/—1為第m-l層第j個神經(jīng)元的輸入值，f'為神經(jīng)元激活函數(shù)的一階導(dǎo)數(shù)，所述隱藏層的權(quán)值調(diào)整參值從輸出層的反傳誤差算得，直到將所述隱藏層內(nèi)每個節(jié)點的連接權(quán)值調(diào)整算出為止；修正步驟，利用輸出層和隱藏層的連接權(quán)值修正計算公式，修正隱藏層到輸出層的連接權(quán)值Wi/、輸入層到隱藏層的連接權(quán)值Wji。上述數(shù)字全息圖像壓縮方法，優(yōu)選所述輸入步驟中，所述訓(xùn)練樣本集通過如下步驟獲取分割步驟，將NXN像素的全息圖，先分割成大小為mXm的方形數(shù)據(jù)塊；訓(xùn)練樣本獲取子單元，將每一個所述mXm的方形數(shù)據(jù)塊轉(zhuǎn)換成一個m2X1維的向量，m2對應(yīng)于所述BP神經(jīng)網(wǎng)絡(luò)中輸入結(jié)點個數(shù)，則所述NXN像素的圖像被分割成(N/m"個訓(xùn)練向量作為所述BP神經(jīng)網(wǎng)絡(luò)的所述訓(xùn)練樣本，N為待壓縮圖像的像素大小，m為對像素進行分塊的像素大小，要求N能夠被m整除；上述數(shù)字全息圖像壓縮方法，優(yōu)選所述分割單元中，m的取值為8。本發(fā)明還公開了一種數(shù)字全息圖像解碼方法，包括如下步驟神經(jīng)網(wǎng)絡(luò)圖像解碼步驟，利用所述神經(jīng)網(wǎng)絡(luò)中隱藏層和輸出層中神經(jīng)元點數(shù)之比，對所述壓縮編碼的合成全息圖進行解碼，獲取解碼后的全息圖；菲涅爾再現(xiàn)步驟，采用菲涅爾轉(zhuǎn)換計算成像面上的場分布，再所述解碼后的全息圖。本發(fā)明還公開了一種數(shù)字全息圖像傳輸方法，包括基于人工合成神經(jīng)網(wǎng)絡(luò)的數(shù)字全息圖像壓縮方法外，還包括神經(jīng)網(wǎng)絡(luò)圖像解碼步驟，利用所述神經(jīng)網(wǎng)絡(luò)中隱藏層和輸出層中神經(jīng)元點數(shù)之比，對所述壓縮編碼的合成全息圖進行解碼，獲取解碼后的全息圖；菲涅爾再現(xiàn)步驟，采用菲涅爾轉(zhuǎn)換計算成像面上的場分布，再所述解碼后的全息圖。另一方面，本發(fā)明還公開了一種數(shù)字全息圖像壓縮系統(tǒng)，包括計算機全息圖制作模塊，用于將獲取的數(shù)字圖像采用計算機合成全息圖；神經(jīng)網(wǎng)絡(luò)圖像壓縮模塊，用于利用神經(jīng)網(wǎng)絡(luò)中輸入層和隱藏層中神經(jīng)元點數(shù)之比，對所述全息圖進行壓縮，獲取壓縮編碼的合成全息圖。上述數(shù)字全息圖像壓縮系統(tǒng)，優(yōu)選所述計算機全息圖制作模塊包括物波的數(shù)學(xué)表達式選擇單元，用于選擇需要描述的物波的數(shù)學(xué)表達式；菲涅爾衍射場分布計算單元，用于計算物波在全息面上的菲涅爾衍射場分布；全息圖合成單元，用于將光場分布編碼成全息圖的透過率函數(shù)，完成全息圖的合成。上述數(shù)字全息圖像壓縮系統(tǒng)，優(yōu)選所述計算機全息圖制作模塊與所述神經(jīng)網(wǎng)絡(luò)圖像壓縮模塊之間，還連接有神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練模塊，具體包括神經(jīng)網(wǎng)絡(luò)參數(shù)初始化單元，用于對所述神經(jīng)網(wǎng)絡(luò)的參數(shù)進行初始化，將各神經(jīng)元的連接權(quán)值和偏置值設(shè)置為隨機數(shù)以避免BP神經(jīng)網(wǎng)絡(luò)陷入局部最小值；輸入單元，用于將訓(xùn)練樣本集S中的一個訓(xùn)練樣本(Xi，Y》輸入到所述BP神經(jīng)網(wǎng)絡(luò)，Xi作為輸入向量送入輸入層，Yi作為教師向量送入到輸出層；隱藏層輸出計算單元，用于利用公式^+~)計算隱藏層的每個神經(jīng)元j的輸出,=1hj，實現(xiàn)所述訓(xùn)練樣本經(jīng)過所述BP神經(jīng)網(wǎng)絡(luò)前向傳播；其中，Xi為輸入層的輸入，hj為隱藏層的輸出，Wji為輸入層到隱藏層的連接權(quán)值，bj為偏置；輸出層輸出計算單元，用于利用公式X:/(l;w^+《)計算輸出層的每個神經(jīng)元i的輸出yj;其中，yi為輸出層的輸出，Wij',=1為隱藏層到輸出層的連接權(quán)值，為偏置；輸出層誤差值計算單元，用于計算輸出層的誤差值E，所述誤差E通過計算實際輸出向量與教師向量之差得到E=E(Yiii)2;誤差反向傳播計算單元，用于計算輸出層和隱藏層的連接權(quán)值調(diào)整，權(quán)值調(diào)整的計算公式為AWij=aSjOi，其中，a為網(wǎng)絡(luò)的學(xué)習(xí)率，0j=f(Sj)是根據(jù)第j個神經(jīng)元的輸入值Sj計算得到的輸出值，Sj是輸出層的誤差E對第j個神經(jīng)元輸入的偏導(dǎo)數(shù)，網(wǎng)絡(luò)前一層的S值可以根據(jù)后一層的S值計算，公式為《-1=)Z《《，其中S廣為第m-l層第j個神經(jīng)元的S值，s/—工為第m-l層第j個神經(jīng)元的輸入值，f'為神經(jīng)元激活函數(shù)的一階導(dǎo)數(shù)，所述隱藏層的權(quán)值調(diào)整參值從輸出層的反傳誤差算得，直到將所述隱藏層內(nèi)每個節(jié)點的連接權(quán)值調(diào)整算出為止；修正單元，用于利用輸出層和隱藏層的連接權(quán)值修正計算公式，修正隱藏層到輸出層的連接權(quán)值Wij'、輸入層到隱藏層的連接權(quán)值Wji。上述數(shù)字全息圖像壓縮系統(tǒng)，優(yōu)選所述輸入單元包括分割子單元，將NXN像素的圖像，先分割成大小為mXm的方形數(shù)據(jù)塊；訓(xùn)練樣本獲取子單元，將每一個所述mXm的方形數(shù)據(jù)塊轉(zhuǎn)換成一個n^Xl維的向量，n^對應(yīng)于所述BP神經(jīng)網(wǎng)絡(luò)中輸入結(jié)點個數(shù)，則所述NXN像素的圖像被分割成(N/m"個訓(xùn)練向量作為所述BP神經(jīng)網(wǎng)絡(luò)的所述訓(xùn)練樣本，N為待壓縮圖像的像素大小，m為對像素進行分塊的像素大小，要求N能夠被m整除。上述數(shù)字全息圖像壓縮系統(tǒng)，優(yōu)選所述分割單元中，m的取值為8。另一方面，本發(fā)明還提供了一種數(shù)字全息圖像解碼系統(tǒng)，包括神經(jīng)網(wǎng)絡(luò)圖像解碼模塊，利用所述神經(jīng)網(wǎng)絡(luò)中隱藏層和輸出層中神經(jīng)元點數(shù)之比，對所述壓縮編碼的合成全息圖進行解碼，獲取解碼后的全息圖；菲涅爾再現(xiàn)模塊，采用菲涅爾轉(zhuǎn)換計算成像面上的場分布，再所述解碼后的全息圖。另一方面，本發(fā)明還提供了一種數(shù)字全息圖像傳輸系統(tǒng)，包括如所述的數(shù)字全息圖像壓縮系統(tǒng)，還包括神經(jīng)網(wǎng)絡(luò)圖像解碼模塊，用于利用神經(jīng)網(wǎng)絡(luò)中隱藏層和輸出層中神經(jīng)元點數(shù)之比，對所述壓縮編碼的合成全息圖進行解碼，獲取解碼后的全息圖；菲涅爾再現(xiàn)模塊，用于采用菲涅爾轉(zhuǎn)換計算成像面上的場分布，再所述解碼后的全息圖。本發(fā)明采用BP神經(jīng)網(wǎng)絡(luò)對數(shù)字全息圖像進行壓縮，有效克服了數(shù)字全息圖信息分布的非線性程度高、動態(tài)范圍大等問題，有效的提高了數(shù)字全息圖像的壓縮效率。并且，在處理非線性的全息信息分布問題上具有智能性和自適應(yīng)性，當(dāng)壓縮率變化時，壓縮得到的再現(xiàn)圖像質(zhì)量有較好的魯棒性。圖1為根據(jù)本發(fā)明基于人工合成神經(jīng)網(wǎng)絡(luò)的數(shù)字全息圖像處理方法實施例的步驟流程圖；圖2為計算機合成全息圖的步驟流程圖3為菲涅爾全息圖的記錄光路示意圖4a為三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖4b為神經(jīng)元的數(shù)學(xué)描述示意圖5為BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)和訓(xùn)練步驟流程圖6為神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本集的分割示意圖；[OO31]圖7a為Lena源圖像示意圖；圖7b為根據(jù)計算全息原理得到的菲涅爾計算機合成全息圖7c-圖7j分別是在64:32(R=50%)，64:16(R=25%)，64:4(6.25%)，64:1(R=1.5625%)的情況下，得到的經(jīng)過神經(jīng)網(wǎng)絡(luò)壓縮后的解壓縮的全息圖和解壓縮的全息圖的再現(xiàn)圖；圖8a為BP神經(jīng)網(wǎng)絡(luò)壓縮算法的PSNR曲線示意圖；圖8b為BP神經(jīng)網(wǎng)絡(luò)壓縮算法的MSE曲線示意圖；圖9為DCT，DWT，BP神經(jīng)網(wǎng)絡(luò)三種壓縮算法的PSNR曲線對比示意圖；圖10為DCT，DWT，BP神經(jīng)網(wǎng)絡(luò)三種壓縮算法的MSE曲線對比示意圖；圖lla為基于人工合成神經(jīng)網(wǎng)絡(luò)的數(shù)字全息圖像處理系統(tǒng)實施例的結(jié)構(gòu)示意圖；圖lib為從發(fā)送端和接收端的角度提取的基于人工合成神經(jīng)網(wǎng)絡(luò)的數(shù)字全息圖像處理系統(tǒng)實施例的結(jié)構(gòu)示意圖。具體實施例方式為使本發(fā)明的上述目的、特征和優(yōu)點能夠更加明顯易懂，下面結(jié)合附圖和具體實施方式對本發(fā)明作進一步詳細的說明。針對數(shù)字全息圖信息分布的非線性特性，以及信息分布類似隨機噪聲和有較大動態(tài)范圍的特點，結(jié)合BP神經(jīng)網(wǎng)絡(luò)在處理非線性問題方面有自適應(yīng)性和智能性的優(yōu)點，本發(fā)明那個提出了一種基于BP神經(jīng)網(wǎng)絡(luò)和菲涅爾轉(zhuǎn)換再現(xiàn)的計算機合成全息圖的信息壓縮處理方法用計算機將一幅數(shù)字圖像制作成計算機合成全息圖，然后根據(jù)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)把全息圖分解轉(zhuǎn)換成訓(xùn)練樣本，通過樣本訓(xùn)練神經(jīng)網(wǎng)絡(luò)達到收斂后，用這個收斂的神經(jīng)網(wǎng)絡(luò)對全息圖進行壓縮編碼和解碼，最后采用菲涅爾轉(zhuǎn)換來再現(xiàn)解碼后的全息圖。參照圖1，圖1為根據(jù)本發(fā)明基于人工合成神經(jīng)網(wǎng)絡(luò)的數(shù)字全息圖像處理方法實施例的步驟流程圖，包括計算機全息圖制作步驟110，將獲取的數(shù)字圖像采用計算機合成全息圖；神經(jīng)網(wǎng)絡(luò)圖像壓縮步驟120，利用神經(jīng)網(wǎng)絡(luò)中輸入層和隱藏層中神經(jīng)元點數(shù)之比，對所述全息圖進行壓縮，獲取壓縮編碼的合成全息圖；神經(jīng)網(wǎng)絡(luò)圖像解碼步驟130，利用神經(jīng)網(wǎng)絡(luò)中隱藏層和輸出層中神經(jīng)元點數(shù)之比，對所述壓縮編碼的合成全息圖進行解碼，獲取解碼后的全息圖；菲涅爾再現(xiàn)步驟140，采用菲涅爾轉(zhuǎn)換計算成像面上的場分布，再所述解碼后的全息圖。其中，參照圖2，計算機全息圖制作步驟110進一步包括如下三個步驟物波的數(shù)學(xué)表達式選擇步驟210，選擇需要描述的物波的數(shù)學(xué)表達式；菲涅爾衍射場分布計算步驟220，計算物波在全息面上的菲涅爾衍射場分布；全息圖合成步驟230，將光場分布編碼成全息圖的透過率函數(shù)，完成全息圖的合成。上述步驟即結(jié)合計算全息原理來制作數(shù)字圖像的計算機合成全息圖。根據(jù)全息原理，物波可以表示為00，力=」"力'expL/^"力],平行參考光可表示為Re鄧[j2Ji(ax+Py)]，那么在全息記錄面上所得到的光場強度分布即全息圖的透過率函數(shù)h(x，y)可以表示為/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)在計算機合成全息圖制作中，先對物波函數(shù)和參考波函數(shù)進行離散化抽樣和量化，按照(1)式進行計算就可以得到物體的計算機合成全息圖。因為這樣的全息圖函數(shù)是一個實的非負函數(shù)，可以很方便地用計算機進行編碼處理。參照圖3a，其中，3al為點光源，3a2為物體，3a3為全息平面。圖2中的步驟獲取的全息圖后，經(jīng)過神經(jīng)網(wǎng)絡(luò)的壓縮、解壓縮后，依據(jù)菲涅爾變換進行全息圖像的再現(xiàn)，即執(zhí)行步驟140時，依據(jù)如下原理實現(xiàn)菲涅爾全息圖再現(xiàn)時，用與參考光相同的再現(xiàn)光照射全息圖，那么全息面上的透射場振幅為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，第一項和第二項是噪聲項，第三項表示一個正比于原始物波的場分量，將在全息圖的再現(xiàn)光源一側(cè)形成物體的一個虛像，第四項是一個正比于原始物波共軛的場分量，將在全息圖的觀測者一側(cè)形成物體的一個實像，如圖3b所示。其中，3bl代表再現(xiàn)光源，3b2代表虛像，3b3代表全息圖，3b4代表實像。下面對神經(jīng)網(wǎng)絡(luò)圖像壓縮步驟120、神經(jīng)網(wǎng)絡(luò)圖像解碼步驟130進行詳細的說明。首先，對神經(jīng)網(wǎng)絡(luò)進行介紹。神經(jīng)網(wǎng)絡(luò)是一種由簡單處理單元構(gòu)成的大規(guī)模并行分布式處理器。神經(jīng)網(wǎng)絡(luò)具有學(xué)習(xí)能力，對不同的訓(xùn)練樣本數(shù)據(jù)集都可以產(chǎn)生合理的輸出。這種信息處理能力使得神經(jīng)網(wǎng)絡(luò)可以解決一些當(dāng)前技術(shù)還不能處理的復(fù)雜問題。神經(jīng)網(wǎng)絡(luò)中的計算過程就是神經(jīng)網(wǎng)絡(luò)中的信息傳輸處理過程。從另一方面來看，包含物體3D信息的全息圖可以看作是一系列光學(xué)像素的集合，這些像素同時包含著振幅信息和相位信息。這些光學(xué)像素在空間傳播時遵循相同的光學(xué)傳播定律，所以全息圖的像素之間有著很高的自相似性。這種特性和神經(jīng)網(wǎng)絡(luò)中的神經(jīng)元的聯(lián)系很相似，所以神經(jīng)網(wǎng)絡(luò)可以用來處理全息圖的非線性信息分布問題。神經(jīng)網(wǎng)絡(luò)是一種智能化和適應(yīng)度較高的算法，一個由非線性神經(jīng)元互聯(lián)而成的神經(jīng)網(wǎng)絡(luò)自身是非線性的，這種特性對于處理非線性的圖像信息比較有效。同時神經(jīng)網(wǎng)絡(luò)所表達的關(guān)系是一種輸入到輸出的映射關(guān)系，從一個訓(xùn)練集中隨機選取一個樣本給網(wǎng)絡(luò)，網(wǎng)絡(luò)就調(diào)整它的連接權(quán)值，使由輸入信號通過網(wǎng)絡(luò)計算產(chǎn)生的實際響應(yīng)以最小均方差準則逼近期望響應(yīng)以達到網(wǎng)絡(luò)收斂。當(dāng)用神經(jīng)網(wǎng)絡(luò)方法處理全息圖信息時，由于全息圖的各像素之間的自相似性，正好對應(yīng)于神經(jīng)網(wǎng)絡(luò)中各神經(jīng)元之間的連接關(guān)系，因此神經(jīng)網(wǎng)絡(luò)方法被用來處理非線性的全息信息分布比較適合。在實際應(yīng)用中，神經(jīng)網(wǎng)絡(luò)所包含的神經(jīng)元個數(shù)以及神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本和訓(xùn)練時間受到一定的限制，因此神經(jīng)網(wǎng)絡(luò)在壓縮處理圖像時是一種有損算法，這樣計算機合成全息圖包含的物體3D信息在神經(jīng)網(wǎng)絡(luò)壓縮處理過程中會產(chǎn)生丟失。隨著壓縮率的減小，信息的丟失會隨著增大，這對全息圖的再現(xiàn)圖像質(zhì)量會產(chǎn)生一定的影響。由于全息圖本身的信息冗余，使用不同的壓縮方法，在壓縮率下降時全息圖的信息量的丟失程度是不一樣的。神經(jīng)網(wǎng)絡(luò)本身具有適應(yīng)性和容錯性的特點，它可以調(diào)整自身的權(quán)值以適應(yīng)訓(xùn)練樣本集的變化，當(dāng)某一個或者幾個神經(jīng)元的異常行為不至于嚴重影響到整個網(wǎng)絡(luò)的收斂能力。所以神經(jīng)網(wǎng)絡(luò)在處理全息圖信息時有一定的魯棒性。參照圖4a、圖4b。其中，在圖4a中，X代表輸入層，H代表隱藏層，Y輸出層。一個典型的三層BP(BackPropagation后向傳遞)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參照圖4a、圖4b。在圖4a中，X代表輸入層，H代表隱藏層，Y輸出層。其中包括作為數(shù)據(jù)輸入接口的輸入層，隱藏層和作為數(shù)據(jù)輸出的輸出層。神經(jīng)網(wǎng)絡(luò)中的基本信息處理單元是神經(jīng)元，一個神經(jīng)元的輸入與輸出的關(guān)系可表示為<formula>formulaseeoriginaldocumentpage10</formula>神經(jīng)元接受一系列輸入Xi和權(quán)值Wi的加權(quán)和，e為偏置，f為神經(jīng)元的激活函數(shù)，y是神經(jīng)元的響應(yīng)輸出。因此在神經(jīng)網(wǎng)絡(luò)中，隱藏層和輸出層的各神經(jīng)元的輸出可以表示為<formula>formulaseeoriginaldocumentpage10</formula>在式(4)中，f(x)是每一層的激活函數(shù)，Wji是從輸入層到隱藏層的KXN維連接權(quán)值矩陣，Wij'是從隱藏層到輸出層的NXK維連接權(quán)值矩陣，bj和bi'分別是各神經(jīng)元的偏置。實際中，所述神經(jīng)網(wǎng)絡(luò)圖像壓縮步驟120與所述神經(jīng)網(wǎng)絡(luò)圖像解碼130中，所述神經(jīng)網(wǎng)絡(luò)為收斂的BP神經(jīng)網(wǎng)絡(luò)，通過如下訓(xùn)練和學(xué)習(xí)步驟獲取步驟1、對BP神經(jīng)網(wǎng)絡(luò)的參數(shù)進行初始化，將各神經(jīng)元的連接權(quán)值和偏置值設(shè)置為小的隨機數(shù)。這樣可以避免BP神經(jīng)網(wǎng)絡(luò)陷入局部最小值，有利于網(wǎng)絡(luò)的收斂。步驟2、將訓(xùn)練樣本集S中的一個樣本(Xi，Yi)輸入到BP神經(jīng)網(wǎng)絡(luò)，Xi作為輸入向量送入輸入層，1作為教師向量送入到輸出層。步驟3、訓(xùn)練樣本經(jīng)過BP神經(jīng)網(wǎng)絡(luò)前向傳播，即利用公式^=/(i>,,x,+~)計算隱藏層的每個神經(jīng)元j的輸出hj。步驟4、利用公式X=/(|;《~+")計算輸出層的每個神經(jīng)元i的輸出yj。':=1步驟5、計算輸出層的誤差值，這個誤差通過計算實際輸出向量與教師向量之差得到E=IIY-yII=E(Y「y》2。步驟6、計算隱藏層的誤差值^1-'=t)Z《《'。這個誤差從輸出層的反傳誤差算得，直到將隱藏層內(nèi)每個節(jié)點的誤差算出為止。步驟7、利用輸出層和隱藏層的連接權(quán)值修正計算公式修正各層的連接權(quán)值。步驟8，返回步驟2，為下一個輸入學(xué)習(xí)樣本重復(fù)步驟2到7。上述過程可以結(jié)合圖5來理解。圖像傳輸?shù)紹P神經(jīng)網(wǎng)絡(luò)進行編解碼之前需要對圖像做預(yù)處理。根據(jù)BP神經(jīng)網(wǎng)絡(luò)的輸入神經(jīng)元個數(shù)，把圖像分割成小的子塊作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本集。對于大小為NXN像素的圖像，先分割成大小為mXm的方形數(shù)據(jù)塊。然后每一個mXm方形數(shù)據(jù)塊轉(zhuǎn)換成一個n^X1維的向量，m2對應(yīng)于BP網(wǎng)絡(luò)的輸入結(jié)點個數(shù)，這樣圖像就被分割成(N/m)2個訓(xùn)練向量作為網(wǎng)絡(luò)的學(xué)習(xí)樣本集合，如圖6所示。在一個典型的用于圖像壓縮的三層BP神經(jīng)網(wǎng)絡(luò)中，一般輸入層和輸出層的結(jié)構(gòu)是對稱的，有相同的神經(jīng)元結(jié)點個數(shù)，圖像分割預(yù)處理后得到的訓(xùn)練樣本集中的向量饋送到BP網(wǎng)絡(luò)的輸入層作為輸入信號，同時也饋送到輸出層作為教師信號。在通過BP算法網(wǎng)絡(luò)訓(xùn)練達到收斂后，保存此時的所有權(quán)值和其他網(wǎng)絡(luò)參數(shù)作為壓縮全息圖信息的編解碼器。BP網(wǎng)絡(luò)實現(xiàn)數(shù)據(jù)壓縮的原理是通過調(diào)整隱藏層和輸入層的神經(jīng)元結(jié)點個數(shù)來實現(xiàn)的。如果網(wǎng)絡(luò)中隱藏層的結(jié)點數(shù)少于輸入層的結(jié)點數(shù)，那么圖像數(shù)據(jù)傳輸?shù)诫[藏層時將會減少，如果隱藏層保存的圖像數(shù)據(jù)加上神經(jīng)網(wǎng)絡(luò)權(quán)值和其它網(wǎng)絡(luò)參數(shù)的數(shù)據(jù)總量少于從輸入層輸入的圖像數(shù)據(jù)量就實現(xiàn)了數(shù)據(jù)壓縮。在接收端可以根據(jù)接收到的神經(jīng)網(wǎng)絡(luò)權(quán)值和網(wǎng)絡(luò)參數(shù)重構(gòu)原始的BP神經(jīng)網(wǎng)絡(luò)，圖像數(shù)據(jù)從這個重構(gòu)的神經(jīng)網(wǎng)絡(luò)的隱藏層傳輸?shù)捷敵鰧訉崿F(xiàn)圖像數(shù)據(jù)的恢復(fù)。在BP神經(jīng)網(wǎng)絡(luò)合成全息圖壓縮處理系統(tǒng)中，合成全息圖首先經(jīng)過圖像預(yù)處理得到一個訓(xùn)練樣本集，分割全息圖時，子塊大小參數(shù)m的取值應(yīng)根據(jù)實際應(yīng)用，選取不同的值，m值取的過大或者過小都不合適，如果m值過大，則樣本數(shù)量較少，神經(jīng)網(wǎng)絡(luò)的輸入結(jié)點數(shù)目增加，網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜，如果m值過小，則樣本數(shù)量較多，使網(wǎng)絡(luò)訓(xùn)練時間加長，收斂性能變差，通過實驗，發(fā)現(xiàn)m取值為8比較合適，整個系統(tǒng)具有較低的復(fù)雜度，和較短的訓(xùn)練收斂時間。BP神經(jīng)網(wǎng)絡(luò)收斂達到穩(wěn)定后，待壓縮的全息圖數(shù)據(jù)先通過圖像預(yù)處理，然后從輸入層到隱藏層的傳輸完成全息圖信息的壓縮編碼。通過調(diào)整隱藏層和輸入層的神經(jīng)元結(jié)點數(shù)之比，可以得到不同的數(shù)據(jù)壓縮率。隱藏層結(jié)點數(shù)越少，壓縮率越低，反之，隱藏層結(jié)點數(shù)越多，壓縮率越高。從隱藏層到輸出層的傳輸完成全息圖信息的解碼，解碼后的圖像經(jīng)過圖像后處理，即圖像預(yù)處理的逆過程，還原得到完整的全息圖。由于全息圖包含物體的3D信息，這與一般圖像所包含的信息有較大差別。對于全息像處理的質(zhì)量評價上，并沒有統(tǒng)一的標準。我們可以通過人眼視覺觀察比較原始全息圖和處理后的全息圖，但這樣的主觀評價并不能客觀地表征被處理后的全息像質(zhì)量。因此，本文采用傳統(tǒng)的圖像處理質(zhì)量評價標準，即用壓縮率(R)，均方誤差(MSE)，和峰值信噪比(PSNR)來評價壓縮效率與扭曲測量。R，MSE，PSNR的定義為<formula>formulaseeoriginaldocumentpage12</formula><formula>formulaseeoriginaldocumentpage12</formula>在式(5)中，S。是壓縮后的計算機合成全息圖數(shù)據(jù)大小，S。是原始的計算機合成全息圖數(shù)據(jù)大小。Q是隱藏層的神經(jīng)元個數(shù)，P是輸入層的神經(jīng)元個數(shù)。在式(6)中，MXN是圖像的像素大小(如MXN=256X256)，f(x，y)是原始全息圖的再現(xiàn)圖像函數(shù)，/(x,力是經(jīng)過壓縮處理后的全息圖的再現(xiàn)圖像函數(shù)。在式(7)中，Xp是圖像數(shù)據(jù)的峰峰值。在計算機合成全息圖的各種壓縮處理方法實驗中，本發(fā)明采用以上三個評價函數(shù)來評價處理后的全息圖再現(xiàn)圖像質(zhì)量。圖7(a)為Lena源圖像(256X256像素大小，8b卯/256，65kb)，圖7(b)為根據(jù)計算全息原理得到的菲涅爾計算機合成全息圖。圖7(c)-圖7(j)分別是在64:32(1=50%)，64:16(R=25%)，64:4(6.25%)，64:1(R=1.5625%)的情況下，得到的經(jīng)過神經(jīng)網(wǎng)絡(luò)壓縮后的解壓縮的全息圖和解壓縮的全息圖的再現(xiàn)圖。實驗結(jié)果和在各種壓縮率下的再現(xiàn)圖像的MSE和PSNR實驗數(shù)據(jù)分別如表1和圖8a、圖8b所示。表1BP神經(jīng)網(wǎng)絡(luò)壓縮算法的R，PSNR和MSE實驗數(shù)據(jù)<table>tableseeoriginaldocumentpage12</column></row><table>從表1分析，可以發(fā)現(xiàn)再現(xiàn)圖像的PSNR與壓縮率成比例。因為BP神經(jīng)網(wǎng)絡(luò)不是一個精確度很高的模型，在神經(jīng)網(wǎng)絡(luò)的壓縮編碼中，隱藏層的神經(jīng)元個數(shù)越少，得到的壓縮率越低，而網(wǎng)絡(luò)的表達能力就越差，那么信息在從輸入層到隱藏層的傳遞過程中損失的就越多。信息損失的程度直接影響著再現(xiàn)圖像質(zhì)量和PSNR值。圖8a，8b為BP神經(jīng)網(wǎng)絡(luò)壓縮算法的PSNR曲線和MSE曲線。橫坐標為壓縮率。圖像函數(shù)是很復(fù)雜的，而且難以用數(shù)學(xué)式精確地描述，神經(jīng)網(wǎng)絡(luò)可以近似地逼近任何數(shù)學(xué)函數(shù)，而神經(jīng)網(wǎng)絡(luò)的逼近能力直接相關(guān)于它的網(wǎng)絡(luò)結(jié)構(gòu)和所包含的神經(jīng)元的個數(shù)。一般來說，較大數(shù)量的訓(xùn)練樣本集和多層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)能比有限數(shù)量的訓(xùn)練樣本集和簡單三層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)更好地表征圖像函數(shù)。在本文的實驗中，用來做壓縮的BP神經(jīng)網(wǎng)絡(luò)是一個簡單的三層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，包含64個輸入神經(jīng)元和64個輸出神經(jīng)元，訓(xùn)練樣本集為一幅計算機合成全息圖像。這些都限制了神經(jīng)網(wǎng)絡(luò)的能力，所以神經(jīng)網(wǎng)絡(luò)在較高壓縮比下對非線性的全息信息分布的表達不夠精確。但從圖7(i)，圖7(j)來看，在壓縮率達到1:64(R=1.5625%)的情況下，盡管解壓縮后的全息圖方塊效應(yīng)很明顯，但是仍然能夠得到可辨認的再現(xiàn)圖像。下面，對本發(fā)明的優(yōu)點做進一步的詳細說明。為了更好地比較離散余弦(DCT)壓縮，離散小波(DWT)壓縮和BP神經(jīng)網(wǎng)絡(luò)壓縮，可以將三種壓縮方法的PSNR—R曲線和MSE—R曲線畫在同一個坐標系中，如圖9，圖10所示。從圖9，圖10分析可以發(fā)現(xiàn)，在三種壓縮方法的PSNR曲線和MSE曲線中，神經(jīng)網(wǎng)絡(luò)壓縮的PSNR曲線比其他兩種方法更平穩(wěn)。隨著壓縮率R的下降，DCT壓縮和DWT壓縮的PSNR值下降很快，而BP神經(jīng)網(wǎng)絡(luò)壓縮的PSNR則相對下降緩慢。這說明DCT壓縮和DWT壓縮對信息損失和再現(xiàn)圖像質(zhì)量的影響程度比BP神經(jīng)網(wǎng)絡(luò)壓縮高。這也就是說，相對于DCT壓縮和DWT壓縮，神經(jīng)網(wǎng)絡(luò)在處理非線性的全息信息分布問題上具有智能性和自適應(yīng)性，對不同的壓縮率具有魯棒性。另夕卜，在很低的壓縮率下，神經(jīng)網(wǎng)絡(luò)壓縮比DCT壓縮和DWT壓縮有更好的再現(xiàn)圖像質(zhì)量和更小的再現(xiàn)誤差。在壓縮比達到4:64(R=6.25%)時，神經(jīng)網(wǎng)絡(luò)壓縮得到的再現(xiàn)圖像的PSNR值和DCT壓縮得到的PSNR值接近，當(dāng)壓縮率進一步下降，神經(jīng)網(wǎng)絡(luò)壓縮比DCT壓縮更有效。在壓縮率達到l:64(R=1.5625%)時，神經(jīng)網(wǎng)絡(luò)壓縮也比DWT壓縮有效?？梢姡谝蠛艿蛪嚎s率的情況下，用神經(jīng)網(wǎng)絡(luò)去處理全息圖是一種更有效的方法。另一方面，本發(fā)明還提供了一種基于人工合成神經(jīng)網(wǎng)絡(luò)的數(shù)字全息圖像處理系統(tǒng)，參照圖lla，該系統(tǒng)包括計算機全息圖制作模塊llOl，用于將獲取的數(shù)字圖像采用計算機合成全息圖；神經(jīng)網(wǎng)絡(luò)圖像壓縮模塊1102，用于利用神經(jīng)網(wǎng)絡(luò)中輸入層和隱藏層中神經(jīng)元點數(shù)之比，對所述全息圖進行壓縮，獲取壓縮編碼的合成全息圖；神經(jīng)網(wǎng)絡(luò)圖像解碼模塊1103，用于利用神經(jīng)網(wǎng)絡(luò)中隱藏層和輸出層中神經(jīng)元點數(shù)之比，對所述壓縮編碼的合成全息圖進行解碼，獲取解碼后的全息圖；菲涅爾再現(xiàn)模塊1104，用于采用菲涅爾轉(zhuǎn)換計算成像面上的場分布，再所述解碼后的全息圖。上述各個模塊的工作原理與方法實施例中相同，在此不再贅述，相關(guān)之處互相參照即可。參照圖llb，圖lib為從發(fā)送端(圖像壓縮系統(tǒng))和接收端(圖像解碼系統(tǒng))的角度提取的基于人工合成神經(jīng)網(wǎng)絡(luò)的數(shù)字全息圖像處理系統(tǒng)實施例的結(jié)構(gòu)示意圖。其中，11a代表發(fā)送端，llb代表接收端。即發(fā)送端lla包括計算機全息圖制作模塊1101、神經(jīng)網(wǎng)絡(luò)圖像壓縮模塊1102;接收端lib包括神經(jīng)網(wǎng)絡(luò)圖像解碼模塊1103、菲涅爾再現(xiàn)模塊1104。發(fā)送端11a中的神經(jīng)網(wǎng)絡(luò)圖像壓縮模塊1102利用神經(jīng)網(wǎng)絡(luò)中輸入層和隱藏層中神經(jīng)元點數(shù)之比，對所述全息圖進行壓縮，獲取壓縮編碼的合成全息圖后，將合成的全息圖發(fā)送至接收端lib;同時，還需要將神經(jīng)網(wǎng)絡(luò)中隱藏層、輸出層的相關(guān)參數(shù)也發(fā)送至接收端11b，這樣，神經(jīng)網(wǎng)絡(luò)圖像解碼模塊1103才能通過接收到的參數(shù)信息對壓縮編碼后的全息圖進行解碼。上述各個模塊的工作原理與方法實施例中相同，在此不再贅述，相關(guān)之處互相參照即可。綜上所述，本發(fā)明是為了構(gòu)造一種通用的全息信息壓縮系統(tǒng)，在處理非線性的全息信息分布問題上具有智能性和自適應(yīng)性，即壓縮率變化時，壓縮得到的再現(xiàn)圖像質(zhì)量有較好的魯棒性。主要的優(yōu)點在于第一、利用神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力，通過全息圖的樣本訓(xùn)練集，使神經(jīng)網(wǎng)絡(luò)具有表達全息圖非線性分布的能力。第二、利用神經(jīng)網(wǎng)絡(luò)的智能性和自適應(yīng)特點，去處理復(fù)雜的全息圖信息分布問題，如動態(tài)范圍大，非線性程度高。第三、利用全息圖像素之間的關(guān)聯(lián)性和神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中的神經(jīng)元的關(guān)聯(lián)性很類似來處理非線性的全息信息分布。以上對本發(fā)明所提供的一種數(shù)字全息圖像壓縮、解碼方法及系統(tǒng)、傳輸方法及系統(tǒng)詳細介紹，本文中應(yīng)用了具體實施例對本發(fā)明的原理及實施方式進行了闡述，以上實施例的說明只是用于幫助理解本發(fā)明的方法及其核心思想；同時，對于本領(lǐng)域的一般技術(shù)人員，依據(jù)本發(fā)明的思想，在具體實施方式及應(yīng)用范圍上均會有改變之處。綜上所述，本說明書內(nèi)容不應(yīng)理解為對本發(fā)明的限制。權(quán)利要求一種數(shù)字全息圖像壓縮方法，其特征在于，包括如下步驟計算機全息圖制作步驟，將獲取的數(shù)字圖像采用計算機合成全息圖；神經(jīng)網(wǎng)絡(luò)圖像壓縮步驟，利用神經(jīng)網(wǎng)絡(luò)中輸入層和隱藏層中神經(jīng)元點數(shù)之比，對所述全息圖進行壓縮，獲取壓縮編碼的合成全息圖。2.根據(jù)權(quán)利要求1所述的數(shù)字全息圖像壓縮方法，其特征在于，所述計算機全息圖制作步驟包括物波的數(shù)學(xué)表達式選擇步驟，選擇需要描述的物波的數(shù)學(xué)表達式；菲涅爾衍射場分布計算步驟，計算物波在全息面上的菲涅爾衍射場分布；全息圖合成步驟，將光場分布編碼成全息圖的透過率函數(shù)，完成全息圖的合成。3.根據(jù)權(quán)利要求1所述的數(shù)字全息圖像壓縮方法，其特征在于，所述計算機全息圖制作步驟與所述神經(jīng)網(wǎng)絡(luò)圖像壓縮步驟之間，還包括神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練步驟，所述神經(jīng)網(wǎng)絡(luò)訓(xùn)練步驟包括神經(jīng)網(wǎng)絡(luò)參數(shù)初始化步驟，對所述神經(jīng)網(wǎng)絡(luò)的參數(shù)進行初始化，將各神經(jīng)元的連接權(quán)值和偏置值設(shè)置為隨機數(shù)以避免BP神經(jīng)網(wǎng)絡(luò)陷入局部最小值；輸入步驟，將訓(xùn)練樣本集S中的一個訓(xùn)練樣本(Xi，Y》輸入到所述BP神經(jīng)網(wǎng)絡(luò)，&作為輸入向量送入輸入層，1作為教師向量送入到輸出層；隱藏層輸出計算步驟，利用公式^=/(i;,,x,+~)計算隱藏層的每個神經(jīng)元j的輸出hj，實現(xiàn)所述訓(xùn)練樣本經(jīng)過所述BP神經(jīng)網(wǎng)絡(luò)前向傳播；其中，Xi為輸入層的輸入，hj為隱藏層的輸出，Wji為輸入層到隱藏層的連接權(quán)值，bj為偏置；輸出層輸出計算步驟，利用公式乂=/(i《~+")計算輸出層的每個神經(jīng)元1的輸出yj;其中，yi為輸出層的輸出，Wij'為隱藏層到輸出層的連接權(quán)值，bi'為偏置；輸出層誤差值計算步驟，計算輸出層的誤差值E，所述誤差E通過計算實際輸出向量與教師向量之差得到E二E(Yiii)2;誤差反向傳播計算單元，用于計算輸出層和隱藏層的連接權(quán)值調(diào)整，權(quán)值調(diào)整的計算公式為八^=aSjOi，其中，a為網(wǎng)絡(luò)的學(xué)習(xí)率，0j=f(Sj)是根據(jù)第j個神經(jīng)元的輸入值Sj計算得到的輸出值，Sj是輸出層的誤差E對第j個神經(jīng)元輸入的偏導(dǎo)數(shù)，網(wǎng)絡(luò)前一層的S值可以根據(jù)后一層的S值計算，公式為《—1')Z《《，其中S/-工為第m-l層第j個神經(jīng)元的S值，s/1—工為第m-l層第j個神經(jīng)元的輸入值，f'為神經(jīng)元激活函數(shù)的一階導(dǎo)數(shù)，所述隱藏層的權(quán)值調(diào)整參值從輸出層的反傳誤差算得，直到將所述隱藏層內(nèi)每個節(jié)點的連接權(quán)值調(diào)整算出為止；修正步驟，利用輸出層和隱藏層的連接權(quán)值修正計算公式，修正隱藏層到輸出層的連接權(quán)值Wi/、輸入層到隱藏層的連接權(quán)值Wji。4.根據(jù)權(quán)利要求3所述的數(shù)字全息圖像壓縮方法，其特征在于，所述輸入步驟中，所述訓(xùn)練樣本集通過如下步驟獲取分割步驟，將NXN像素的全息圖，先分割成大小為mXm的方形數(shù)據(jù)塊；訓(xùn)練樣本獲取子單元，將每一個所述mXm的方形數(shù)據(jù)塊轉(zhuǎn)換成一個n^Xl維的向量，m2對應(yīng)于所述BP神經(jīng)網(wǎng)絡(luò)中輸入結(jié)點個數(shù)，則所述NXN像素的圖像被分割成(N/m)2個訓(xùn)練向量作為所述BP神經(jīng)網(wǎng)絡(luò)的所述訓(xùn)練樣本，N為待壓縮圖像的像素大小，m為對像素進行分塊的像素大小，要求N能夠被m整除。5.根據(jù)權(quán)利要求4所述的數(shù)字全息圖像壓縮系統(tǒng)，其特征在于，所述分割單元中，m的取值為8。6.—種數(shù)字全息圖像解碼方法，其特征在于，包括如下步驟神經(jīng)網(wǎng)絡(luò)圖像解碼步驟，利用所述神經(jīng)網(wǎng)絡(luò)中隱藏層和輸出層中神經(jīng)元點數(shù)之比，對所述壓縮編碼的合成全息圖進行解碼，獲取解碼后的全息圖；菲涅爾再現(xiàn)步驟，采用菲涅爾轉(zhuǎn)換計算成像面上的場分布，再所述解碼后的全息圖。7.—種數(shù)字全息圖像傳輸方法，其特征在于，包括如權(quán)利要求1至5中任一項所述的基于人工合成神經(jīng)網(wǎng)絡(luò)的數(shù)字全息圖像壓縮方法外，還包括神經(jīng)網(wǎng)絡(luò)圖像解碼步驟，利用所述神經(jīng)網(wǎng)絡(luò)中隱藏層和輸出層中神經(jīng)元點數(shù)之比，對所述壓縮編碼的合成全息圖進行解碼，獲取解碼后的全息圖；菲涅爾再現(xiàn)步驟，采用菲涅爾轉(zhuǎn)換計算成像面上的場分布，再所述解碼后的全息圖。8.—種數(shù)字全息圖像壓縮系統(tǒng)，其特征在于，包括計算機全息圖制作模塊，用于將獲取的數(shù)字圖像采用計算機合成全息圖；神經(jīng)網(wǎng)絡(luò)圖像壓縮模塊，用于利用神經(jīng)網(wǎng)絡(luò)中輸入層和隱藏層中神經(jīng)元點數(shù)之比，對所述全息圖進行壓縮，獲取壓縮編碼的合成全息圖。9.根據(jù)權(quán)利要求8所述的數(shù)字全息圖像壓縮系統(tǒng)，其特征在于，所述計算機全息圖制作模塊包括物波的數(shù)學(xué)表達式選擇單元，用于選擇需要描述的物波的數(shù)學(xué)表達式；菲涅爾衍射場分布計算單元，用于計算物波在全息面上的菲涅爾衍射場分布；全息圖合成單元，用于將光場分布編碼成全息圖的透過率函數(shù)，完成全息圖的合成。10.根據(jù)權(quán)利要求8所述的數(shù)字全息圖像壓縮系統(tǒng)，其特征在于，所述計算機全息圖制作模塊與所述神經(jīng)網(wǎng)絡(luò)圖像壓縮模塊之間，還連接有神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練模塊，具體包括神經(jīng)網(wǎng)絡(luò)參數(shù)初始化單元，用于對所述神經(jīng)網(wǎng)絡(luò)的參數(shù)進行初始化，將各神經(jīng)元的連接權(quán)值和偏置值設(shè)置為隨機數(shù)以避免BP神經(jīng)網(wǎng)絡(luò)陷入局部最小值；輸入單元，用于將訓(xùn)練樣本集S中的一個訓(xùn)練樣本(Xi，Yi)輸入到所述BP神經(jīng)網(wǎng)絡(luò)，Xi作為輸入向量送入輸入層，1作為教師向量送入到輸出層；隱藏層輸出計算單元，用于利用公式^=/(i;^vx,+~)計算隱藏層的每個神經(jīng)元j,=1的輸出hj，實現(xiàn)所述訓(xùn)練樣本經(jīng)過所述BP神經(jīng)網(wǎng)絡(luò)前向傳播；其中，Xi為輸入層的輸入，hj為隱藏層的輸出，Wji為輸入層到隱藏層的連接權(quán)值，bj為偏置；輸出層輸出計算單元，用于利用公式乂+")計算輸出層的每個神經(jīng)元1的輸出yj;其中，yi為輸出層的輸出，Wij'為隱藏層到輸出層的連接權(quán)值，bi'為偏置；輸出層誤差值計算單元，用于計算輸出層的誤差值E，所述誤差E通過計算實際輸出向量與教師向量之差得到E=E(Yi-yi)2;誤差反向傳播計算單元，用于計算輸出層和隱藏層的連接權(quán)值調(diào)整，權(quán)值調(diào)整的計算公式為AWij二aSjOi，其中，a為網(wǎng)絡(luò)的學(xué)習(xí)率，0j=f(Sj)是根據(jù)第j個神經(jīng)元的輸入值Sj計算得到的輸出值，Sj是輸出層的誤差E對第j個神經(jīng)元輸入的偏導(dǎo)數(shù)，網(wǎng)絡(luò)前一層的s值可以根據(jù)后一層的s值計算，公式為^廠1-/'(^""Z^^;",其中S/-工為第m-l層第j個神經(jīng)元的S值，s/1—工為第m-l層第j個神經(jīng)元的輸入值，f'為神經(jīng)元激活函數(shù)的一階導(dǎo)數(shù)，所述隱藏層的權(quán)值調(diào)整參值從輸出層的反傳誤差算得，直到將所述隱藏層內(nèi)每個節(jié)點的連接權(quán)值調(diào)整算出為止；修正單元，用于利用輸出層和隱藏層的連接權(quán)值修正計算公式，修正隱藏層到輸出層的連接權(quán)值Wi/、輸入層到隱藏層的連接權(quán)值Wij。11.根據(jù)權(quán)利要求IO所述的數(shù)字全息圖像壓縮系統(tǒng)，其特征在于，所述輸入單元包括分割子單元，將NXN像素的圖像，先分割成大小為mXm的方形數(shù)據(jù)塊；訓(xùn)練樣本獲取子單元，將每一個所述mXm的方形數(shù)據(jù)塊轉(zhuǎn)換成一個n^Xl維的向量，m2對應(yīng)于所述BP神經(jīng)網(wǎng)絡(luò)中輸入結(jié)點個數(shù)，則所述NXN像素的圖像被分割成(N/m)2個訓(xùn)練向量作為所述BP神經(jīng)網(wǎng)絡(luò)的所述訓(xùn)練樣本，N為待壓縮圖像的像素大小，m為對像素進行分塊的像素大小，要求N能夠被m整除。12.根據(jù)權(quán)利要求11所述的數(shù)字全息圖像壓縮系統(tǒng)，其特征在于，所述分割單元中，m的取值為8。13.—種數(shù)字全息圖像解碼系統(tǒng)，其特征在于，包括神經(jīng)網(wǎng)絡(luò)圖像解碼模塊，利用所述神經(jīng)網(wǎng)絡(luò)中隱藏層和輸出層中神經(jīng)元點數(shù)之比，對所述壓縮編碼的合成全息圖進行解碼，獲取解碼后的全息圖；菲涅爾再現(xiàn)模塊，采用菲涅爾轉(zhuǎn)換計算成像面上的場分布，再所述解碼后的全息圖。14.一種數(shù)字全息圖像傳輸系統(tǒng)，其特征在于，包括如權(quán)利要求8至11中任一項所述的數(shù)字全息圖像壓縮系統(tǒng)，還包括神經(jīng)網(wǎng)絡(luò)圖像解碼模塊，用于利用神經(jīng)網(wǎng)絡(luò)中隱藏層和輸出層中神經(jīng)元點數(shù)之比，對所述壓縮編碼的合成全息圖進行解碼，獲取解碼后的全息圖；菲涅爾再現(xiàn)模塊，用于采用菲涅爾轉(zhuǎn)換計算成像面上的場分布，再所述解碼后的全息圖。全文摘要本發(fā)明公開了一種數(shù)字全息圖像壓縮、解碼方法及系統(tǒng)、傳輸方法及系統(tǒng)。其中，傳輸方法包括將獲取的數(shù)字圖像采用計算機合成全息圖；利用神經(jīng)網(wǎng)絡(luò)中輸入層和隱藏層中神經(jīng)元點數(shù)之比，對全息圖進行壓縮，獲取壓縮編碼的合成全息圖；利用神經(jīng)網(wǎng)絡(luò)中隱藏層和輸出層中神經(jīng)元點數(shù)之比，對壓縮編碼的合成全息圖進行解碼，獲取解碼后的全息圖；采用菲涅爾轉(zhuǎn)換計算成像面上的場分布，再所述解碼后的全息圖。本發(fā)明采用BP神經(jīng)網(wǎng)絡(luò)對數(shù)字全息圖像進行壓縮，有效克服了數(shù)字全息圖信息分布的非線性、信息分布類似隨機噪聲、有較大動態(tài)范圍所帶來的壓縮弊端，有效的提高了數(shù)字全息圖像的壓縮效率。文檔編號H04N1/41GK101795344SQ201010116678公開日2010年8月4日申請日期2010年3月2日優(yōu)先權(quán)日2010年3月2日發(fā)明者楊光臨申請人:北京大學(xué)