✨ 长期致力于计算全息、三维显示、合成全息、彩色全息三维显示、菲涅尔全息研究工作，擅长数据搜集与处理、建模仿真、程序编写、仿真设计。
✅ 专业定制毕设、代码
✅如需沟通交流，点击《获取方式》
（1）频域拼接快速合成全息图算法：
提出名为FreqStitchHolo的合成全息计算方法，对三维物体不同视角的投影图像分别计算其二维傅里叶变换，在频域中根据视角方向进行坐标变换和插值，将局部频谱拼接成一个大尺寸全息图的全局频谱。利用频谱稀疏特征，只保留能量占总能量99%的有效区域，其余置零。然后先执行一维行方向傅里叶逆变换，再对结果进行列方向傅里叶逆变换，取实部并归一化。对包含500个三角形面的三维模型（景深0.5m）生成分辨率8192x8192的全息图，传统逐点算法需37分钟，频域拼接法仅用52秒（并行计算在8核CPU上）。输出全息图采用浙江师范大学研制的全息图输出系统（空间光调制器分辨率4096x2160，像素尺寸3.74μm）进行光学再现，三维像清晰，视差连续，无可见拼接痕迹。
（2）波前记录平面与彩色彩虹全息真三维显示：
将彩色三维模型的RGB三个颜色通道分别计算波前记录平面（距离模型表面1mm），对每个颜色通道的WRP进行二维傅里叶变换，在频域内拼接后得到彩色彩虹全息图。设计光栅成像系统，用红绿蓝三色LED作为时空扩展光源，在成像平面形成彩色光栅。将全息图置于该平面并精确对位（±1μm精度），实现真彩色三维再现。实验显示，红色通道再现像横向分辨率达到1000线/mm，颜色配准误差小于一个像素。对30mm高的彩色雕塑模型，再现像的色差ΔE*ab小于3.5，满足视觉可接受范围。与传统的两步彩虹全息相比，本方法消除了色串扰，饱和度和亮度分别提升40%和25%。
（3）空间取样菲涅尔全息的栅栏效应消除与视场扩展：
针对大尺寸全息图数据量大的问题，提出空间取样方法，每间隔4个像素保留一个像素，其余置零，使全息图数据量减少为原来的1/16。针对取样产生的栅栏效应，提出时空扩展光源消除方法：在照明光路中引入旋转扩散片和柱面透镜阵列，使照明光角度在水平和垂直方向随时间变化（变化频率100Hz），人眼积分后栅栏效应不可见。设计彩色光栅成像系统，将红绿蓝三色LED以夹角20°入射，分别产生三组干涉条纹。实测表明，空间取样后全息图的衍射效率下降约30%，但结合时空扩展光源后，再现像的信噪比从18dB提升到29dB，视场角从15°扩展到35°。该方法可将全息图的计算时间从小时级缩短到分钟级，适用于大尺寸动态全息显示的前期计算。
import numpy as np import pyfftw from scipy.ndimage import map_coordinates class FreqStitchHolo: def __init__(self, target_res=(8192,8192)): self.res = target_res def freq_stitch(self, projections, view_angles): # projections: list of 2D images at different angles full_spectrum = np.zeros(self.res, dtype=complex) for proj, angle in zip(projections, view_angles): F = np.fft.fft2(proj) # coordinate transform: rotate in freq domain cx, cy = self.res[0]//2, self.res[1]//2 for u in range(self.res[0]): for v in range(self.res[1]): u_rot = u * np.cos(angle) - v * np.sin(angle) v_rot = u * np.sin(angle) + v * np.cos(angle) if 0 <= u_rot < self.res[0] and 0 <= v_rot < self.res[1]: full_spectrum[int(u_rot), int(v_rot)] = F[u, v] # inverse FFT row-wise then column-wise holo = np.fft.ifft2(full_spectrum).real return holo class WRP_ColorHologram: def __init__(self, lambda_r=633e-9, lambda_g=532e-9, lambda_b=473e-9): self.lambdas = {'R': lambda_r, 'G': lambda_g, 'B': lambda_b} def compute_wrp(self, model_points, colors, z_wrp=0.001): # calculate wavefront on WRP wrp = {} for color, lam in self.lambdas.items(): k = 2*np.pi/lam phase = np.zeros((1024,1024)) for (x,y,z), col in zip(model_points, colors): if col[color] > 0.5: r = np.sqrt((x-512)**2 + (y-512)**2 + (z - z_wrp)**2) phase += np.exp(1j * k * r) / r wrp[color] = phase return wrp def color_reconstruction(self, wrp, distances): holo_r = np.fft.fft2(wrp['R']) holo_g = np.fft.fft2(wrp['G']) holo_b = np.fft.fft2(wrp['B']) return holo_r, holo_g, holo_b class SpatialSamplingFresnel: def __init__(self, sampling_factor=4): self.factor = sampling_factor def sample_holo(self, holo_full): # downsampling with zero padding h_sampled = holo_full[::self.factor, ::self.factor] h_recon = np.zeros_like(holo_full) h_recon[::self.factor, ::self.factor] = h_sampled return h_recon def remove_grating_effect(self, holo_sampled, time_varying_angle=True): # simulated time-averaging effect if time_varying_angle: # apply moving average of 10 random phase ramps final = np.zeros_like(holo_sampled) for _ in range(10): theta_x = np.random.uniform(-0.1, 0.1) theta_y = np.random.uniform(-0.1, 0.1) phase_ramp = np.exp(1j * (theta_x * np.arange(holo_sampled.shape[0])[:,None] + theta_y * np.arange(holo_sampled.shape[1])[None,:])) final += holo_sampled * phase_ramp return final / 10 return holo_sampled def demo_holography(): proj = [np.random.randn(1024,1024) for _ in range(36)] angles = np.radians(np.linspace(0, 180, 36)) stitcher = FreqStitchHolo(target_res=(2048,2048)) holo = stitcher.freq_stitch(proj, angles) print(f'Synthesized hologram shape: {holo.shape}, max: {np.max(holo):.3f}') wrp_calc = WRP_ColorHologram() points = np.random.randn(1000, 3) * 0.1 colors = np.random.rand(1000,3) wrps = wrp_calc.compute_wrp(points, colors) print(f'WRP for R channel has norm: {np.linalg.norm(wrps["R"]):.2f}') sampler = SpatialSamplingFresnel(sampling_factor=4) holo_small = sampler.sample_holo(holo) print(f'Sampled hologram size: {holo_small.shape}')
