锐光凯奇（镇江）光电科技有限公司专注于发展高端科研仪器集成化，可以提供整个科研仪器系统集成化的供应商，为客户提供优质、高效的服务。本期公众号非常荣幸地邀请到清华大学苏萍副研究员和她的研究生郝治涛同学为大家系统地介绍全息3D成像。苏老师本科清华毕业后，师从金国藩院士继续在清华攻读博士学位，毕业后一直在清华从事教学和科研工作。
作者简介：
苏萍，女，清华大学深圳国际研究生院，副研究员，深圳市后备级领军人才。中国光学工程学会计算成像专委会副秘书长，中国光学学会全息专委会委员。2005和2010年分别在清华大学精密仪器系分别获得学士和博士学位。2018-2019年赴新加坡南洋理工大学访学一年。长期从事全息、衍射光学技术及其应用系统的研究与教学工作，在二元光学、全息显示、全息成像等方面有突出的成果。主讲工程硕士生学位课程“现代信息光学”、“成像光学”、“精密计量与测试”、“LED技术及其应用”等。苏萍博士是中国光学学会、美国光学学会会员，发表文章被SCI收录30余篇， EI收录30余篇。获得国家发明专利30余项。是教育部学位中心硕士论文评议人，国家自然科学基金委评议人，多家SCI、EI收录期刊审稿人，曾多次担任国际会议的技术委员会委员，曾获得光学学报最佳论文奖、IWH2018最佳报告奖、指导学生多次获得最佳学生论文和最佳口头报告等。
人们从外界接收的各种信息中80%以上是通过视觉获得的，而人的眼睛能够看到一个物体，是由于物体所发出的光波（自发光或者漫反射光）随着物体所包含的信息，传播到眼睛里，在视网膜上成像所致。光波的波长、振幅、位相决定了所看见物体的特征（颜色、亮暗和形状）。然而普通照相只能做强度记录，不能记录物体光波的位相，因而在照相过程中丢失了物体纵深方向的信息。我们生活在丰富多彩的三维世界中，但通过普通照片、电影所看到的多是一些二维的图景，这自然不能令人满意，而全息术很好地解决了这一问题。
“全息”来自希腊字“holos”，意即全部的信息——不仅包括光的振幅信息，还包括位相信息。通过使用干涉原理，将物光波前以干涉条纹的形式存储在记录介质中，故称为“全息图”。使用光波照明全息图，由于衍射效应能重建出原始物光波，该光波将产生包含物体全部信息的三维像。这个波前记录与重建的过程被称为全息术。1947年匈牙利出生的英国物理学家D.Gabor首先提出了全息术的设想：使用胶片记录经物体散射的未聚焦的电子波，得到全息图；并以相干的可见光照明全息图，衍射波将产生原物体放大的光学像。1960年，激光的出现为全息术的迅速发展开辟了道路。激光是一种单色性很强的光，是制作全息图最理想的相干光源。随着CCD、CMOS等光敏电子成像器件性能的不断提高，以及高性能计算机的普及，数字全息技术研究不断取得重要进展，于1994年记录了三维骰子的全息图并进行了数字波前再现，自此数字全息术得到了广泛的应用。
全面和精确地获取真实世界的信息是光学成像的一大挑战。全息术作为一种能够记录物体全部信息的技术，并能够重现原物体的三维信息，因此全息术在光学3D成像应用中拥有非常大的潜力。
1 全息图的记录
全息术于1947年被Gabor发明，通过引入一束相干参考光，利用光干涉和衍射现象拍摄的一张全息图即可同时记录物体振幅和相位信息并再现物体的三维图像，使用CCD代替传统全息干板记录全息图，即为数字全息术。其原理如图 1.1所示。
全息成像系统无需额外引入诸如扫描探针、结构性照明光源等元件，光路相对简单。 常见的全息成像系统有同轴全息成像系统以及离轴全息成像系统，如图 1.2所示。同轴全息装置简单，但是实像和虚像相互重叠，无法直接再现得到清晰的物像；离轴全息采用倾斜入射的参考光，使得实虚像分离，并在算法中将虚像暗化不再直接显示，却也因此使得实验装置较为复杂。因此在不同的使用环境下，需要选取不同的成像系统。
（c）团队研究生搭建集成化的笼式全息成像系统
2 全息图的重建
激光、CCD和高性能计算机的发明为数字全息术的发展提供了有力的支持，全息图的重建不再需要搭建再现光路，在计算机中就可以完成。相应的重建算法如逆衍射重建算法（如角谱与菲涅尔衍射算法）、迭代优化方法（如压缩感知和反卷积重建算法）等算法相继用于全息图的重建。近年来，深度学习被广泛应用于计算成像，由于深度学习中的卷积神经网络在图像特征提取、复杂函数拟合等方面的卓越表现，基于深度学习的数字全息重建算法被广泛关注，并取得了良好的重建效果。
2.1 重建算法
2.1.1 逆衍射传播（ Back-Propagation, BP）
物光波前的再现过程是在计算机上模拟共轭参考光照明数字全息图，并在一定重建距离处计算全息图的逆衍射信号，恢复出原始物体的复振幅。逆衍射传播过程可以采用不同的近似方法，主要有菲涅耳近似法和角谱法。角谱法重建公式没有任何近似，对重建距离没有要求，因此比较通用。角谱法数字重建具体过程为：全息图I(x, y)首先乘以参考光R(x, y)，得到物光的复振幅分布以及对应的共轭函数；利用傅立叶变换得到物光O(x, y)在全息平面上的频谱函数，再乘以衍射的传递函数
得到实像的频谱函数；逆向傅立叶变换即为物体的复振幅分布。图 2.1所示为使用角谱法对一幅全息图重建的结果。
图2.1真值（左）与BP算法重建结果（右）
2.1.2 压缩感知重建算法
压缩感知（CompressiveSensing, CS）是利用先验信息来求解欠定、逆问题，获得可靠解的方法。压缩感知理论指出：当信号本身稀疏或者在一些变换域下稀疏，根据信号的特征设计合适的测量矩阵，采集少量的测量信号，利用压缩感知重建算法能够高概率恢复原始高维信号。如图 2.2所示，可以看到稀疏信号𝜂的信息通过系统的感知矩阵𝛱线性投影给了测量值𝑦，测量值𝑦的信号长度远远小于稀疏信号𝜂的长度。
数字全息再现时，逆向衍射重建是对全息图逆衍射计算，在一定重建距离上再现出物光波。但是当重建深度扩展到多个维度，由于轴向的采样数目不足，从二维的全息图像中用传统BP重建恢复高维层析图像是不完善的，在不同深度的重建像会受离焦噪声的干扰。因此应用CS算法，建立压缩全息模型，以实现具有较好效果的数字全息层析成像。图 2.3分别为使用了TV和l1约束的重建结果对比，可以看到CS能够很好的消除孪生像的干扰同时对全息图进行重建，和BP算法相比重建效果较好。
图2.3纤维重建结果；（a）在层间距为Δz和Δz/4时，使用BP重建的图像；以及使用（b） l1和（c）TV稀疏约束函数进行CS重建的图像。
2.1.3 基于深度学习的重建算法
深度学习通过建立、模拟人脑进行分析学习的神经网络算法，模仿人脑的机制来解释数据，例如图像，声音和文本。1986 年，由 D.E. Rumelhart 教授的团队提出了反向传播算法，使深度学习算法开始在实践中得以应用。基于深度学习的数字全息成像重建算法基本流程分为神经网络输入、神经网络计算、神经网络输出、全息图恢复4个步骤。其中神经网络的输入是全息图或相关信息，神经网络的输出则是包含用于表征需要重建的物体信息，进行简单提取就可获得物体的信息。深度学习被应用在数字全息的很多方面，下面为一些具体的方向：
1）全息重建过程中提取物体的深度信息是非常具有挑战性的，传统的方法通过一系列的指标（强度分布，边缘锐度等）来判断是否聚焦，然而这些指标对于背景噪声水平非常敏感。基于深度学习（图 2.4）在克服背景噪声干扰、实现自动聚焦方面表现良好。
2）BP重建算法得到的重建图含有噪声，在同轴数字全息中孪生像和实像重叠，无法得到清晰的在焦图像。基于深度学习的方法（图 2.5）可以有效的提取在焦图像，并且在噪声严重影响下也表现良好。
3）相位可以用来对生物细胞或者组织的内部结构、折射率以及三维形貌等信息表征。然而相位的恢复非常具有挑战性，基于深度学习的方法（如图 2.6所示）可以直接从全息图提取相位信息。
深度学习算法是通过神经网络的线性或非线性拟合实现的，其中神经网络具备强大的拟合能力，其中卷积神经网络包含很多参数，可以得到非常高维的假设空间，从而使得深度学习具有强大的表征能力；深度学习算法重建速度快，相比于传统迭代优化求解算法计算时间明显缩短；同时深度学习依赖于数据驱动，不再依赖于模型驱动，可以解决无法建模或难以建模的问题，因此在数字全息重建中发挥了重要作用。深度学习的最新进展极大的促进了具有实时性能的数字全息成像的应用。
3 全息术的应用
全息术广泛应用于科学研究、工业生产、社会生活中，特别是在全息显示、全息3D成像、全息存储、全息干涉计量等方向呈现出独特的优势。下面我们以全息显微为例来简要说明全息术独特的优势。
对于传统显微技术来说，很难构建一个在时间和空间极限都能兼顾的显微系统，要想获得多的空间信息，就要损失一定的时间信息（如共聚焦显微技术）；要想得到快的时间信息，就要牺牲一定的空间信息，如（宽场显微术）。数字全息显微镜DHM则是一款在空间和时间极限都能兼顾的显微系统。配合相应的电脑处理软件，在处理中有非常好的应用。
DHM主要特点有：1.全视场、非扫描、非接触光学无损测量，可以超高速记录动态三维形貌（即四维形貌）；2.高吞吐量和对于环境噪声和振动的不敏感；3.通用性和可扩展性：可配备多种类型的物镜，如长工作距离物镜、浸入式物镜等，满足不同种类样品的需求，预留后期可升级端口。研究可形变样品三维动态响应表面大区域扫描分析高产量常规检测生产线在线三维形貌捕捉。
4 结论
全息术是可以记录物体全部信息并再现的技术。全息术有从一张全息图即可恢复三维信息，在3D成像方面显示出巨大的潜力；同时其具有非接触、无损检测、无标记性、测量装置简单等优势，被广泛应用于科学研究、工业生产、社会生活中。随着硬件的提升与算法的改进，实时快速的全息3D成像具有非常好的应用前景。
[1] D. Sun, Z. Luo, P. Su, J. Ma, and L. Cao, "Influence of sparse constraint functions on compressive holographic tomography," Applied Optics, vol. 60, pp. A111-A119, 2021/02/01 2021.
[2] Z. Ren, Z. Xu, and E. Y. Lam, "Learning-based nonparametric autofocusing for digital holography," Optica, vol. 5, pp. 337-344, 2018/04/20 2018.
[3] W.-N. Li, P. Su, J. Ma, and X. Wang, "Short U-net model with average pooling based on in-line digital holography for simultaneous restoration of multiple particles," Optics and Lasers in Engineering, vol. 139, p. 106449, 2021/04/01/ 2021.
[4] Y. Wu, Y. Rivenson, Y. Zhang, Z. Wei, H. Günaydin, X. Lin, et al., "Extended depth-of-field in holographic imaging using deep-learning-based autofocusing and phase recovery," Optica, vol. 5, pp. 704-710, 2018/06/20 2018.
[5] 吴羽峰, 吴佳琛, 郝然, 金尚忠, and 曹良才, "基于深度学习的粒子场数字全息成像研究进展," 应用光学, vol. 41, pp. 662-674, 2020.
PS. 一个真实的小故事：封面的图片（文中图3）是苏老师的一名研究生来到锐光实验室搭建的系统。下午三点多钟到达镇江后直接来到实验室就开始工作，晚上7点多完成了系统的基本搭建任务，而且得到了信号。也是破了锐光搭建系统速度最快的一次纪录。经过两天的工作，系统完全达到了要求。准备拆卸成为散件快递回去。可是这名研究生舍不得拆散，因为这是一个具有灵魂和血液，浸透了这名学生的心血，而且是完美的一个系统，大家也是舍不得拆卸成为零件。最后一致决定整体打包装箱邮寄回去，也是开启了整个系统装箱快递的先例（此后大概有十个系统整体打包装箱邮寄）。祝这名同学在科研和学习的道路上顺利，取得更大的成绩。
客服经理微信二维码
点击下方卡片
关注【锐光凯奇】
