图像分析在当代技术中无处不在：从医疗诊断到自动驾驶车辆，再到面部识别。使用处理图像的算法的深学习对流神经网络服务器的计算机使计算机愿景发生了革命性的变化。

但是，振荡神经网络（convolutional neural Network ，简称CNN）通过学习以往受过培训的数据，对图像进行分类，往往会记住或形成陈规定型观念。他们还容易受到敌对攻击，这种攻击的形式是对形象的小的、几乎无法察觉的扭曲，导致错误的决定。这些缺陷限制了国家核方案的效用。此外，人们日益认识到与CNN等深度学习算法相关的过高碳足迹。

提高图像处理算法的能源效率和可靠性的一个方法是将传统的计算机视觉与光学预处理结合起来。这种混合系统以最低限度的电子硬件运作。由于光在预处理阶段在不消耗能量的情况下完成数学功能，混合计算机视觉系统可以节省大量时间和精力。这种新出现的方法可以克服深度学习的缺陷，并利用光学和电子产品的优势。

UC河滨机械工程学教授Luat Vuong和博士生Baurzhan Muminov在最近发表在《 Optica 》上的一篇论文中，展示了混合计算机视觉系统的可行性，方法是应用光学波浪，以黑暗的中心位置旋转光波。可以把通知比作在光线环绕边缘和角角时产生的流体动力涡流池。

可以扩大对波浪模式的了解，以了解任意波浪模式。光学图像数据在印上图标时，其传递方式应突出和混合光学图像的不同部分。Muminov和Vuong显示，用浅薄的“小大脑”神经网络进行的涡旋图像预处理可能会取代CNN ，这些网络只有几层算法可以运行。

“光学旋涡的独特优势在于其数学、边缘增强功能， ”武翁说。“在本文中，我们发现光伏传感器生成物体强度数据的方式是，一个小型大脑神经网络可以从其光学预处理模式中快速重建原始图像。 ”

光学预处理降低了图像计算的能耗，而电子器件中的数字信号则可识别相关性，提供优化，并快速计算可靠的决策阈值。有了混合计算机构想，光学提供了速度和低功率计算的优势，并将CNN的时间成本降低了两个数量级。通过图像压缩，可以大大减少电子后端硬件的存储和计算复杂性。

Vuong表示： “我们用Vortex编码进行的演示表明，光学预处理可能会消除对CNN的需求，比CNN更强大，并有能力推广与CNN不同的反向问题解决方案。 ”“例如，我们表明，当混合神经网络学习手写数字的形状时，它随后可以重建它以前从未见过的阿拉伯文或日文字体。 ”

Vuong和Muminov的论文还表明，将图像缩减到较少、强度较高的像素，可以进行极低的图像处理。该研究为光onics在建立可普及的小大脑混合神经网络和开发大数据分析实时硬件方面的作用提供了新的见解。