一种基于深度学习的ESPI图像降噪方法及系统技术方案

本公开提出一种基于深度学习的ESPI图像降噪方法，包括：构建训练数据集；构建基于BM3D‑自适应TV算法的卷积神经网络模型；利用训练数据集对所述卷积神经网络模型进行训练；将待去噪的散斑干涉条纹图输入到训练好的模型中，对散斑干涉条纹图进行去噪；本公开所述方法可以有效地对ESPI图像进行降噪处理，既可以保证实现较少噪声残留，又可以对有效条纹边缘信息进行保护，同时可以对ESPI图像具有良好的适应性，方便大批量处理图像，为后续相位提取等工作做好了铺垫。

【技术实现步骤摘要】
一种基于深度学习的ESPI图像降噪方法及系统
本公开涉及电子散斑干涉测量
，特别涉及一种基于深度学习的ESPI图像降噪方法及系统。
技术介绍
本部分的陈述仅仅是提供了与本公开相关的
技术介绍
信息，不必然构成在先技术。电子散斑干涉技术可以通过非接触达到高精度的全场检测，同时具有高频率范围、受环境影响小、广泛的场景适用性、操作简单方便等优势，随着人们对电子散斑干涉技术研究的不断深入，这一技术在物体表面的损坏、缺陷和物体形变位移的检测中发挥着重要作用，在车辆、交通、电子、考古工作、艺术研究、桥梁、医学、材料学、空间科学等诸多领域的检测都展现着它独特的优势，可以实现震动的检测、物体轮廓的检测、位移勘测、物理机械和设备的形变检查、物体表面粗糙程度和强度的评估等，关于ESPI图像的研究也开始成为热点，这一技术为光学测量问题带来了变革性的进步。ESPI图像可以精确有效地表达物体形变情况，其生成有不同操作方式，包括相加、相减和相乘模式，其中相减模式不会被背景的光强所影响，因此最终形成的图像对比度有一定优势，产生的噪声也相对较少，但是仍然无法避免噪声的产生。无论何种方式得到的散斑干涉条纹图都存在图像模糊、分辨率低、固有噪声程度高等问题，对后续研究造成不利影响，因此对于降噪方法的探究具有深远的意义。图像降噪是指对于图像中所存在的不利于目标信息采集利用的噪声的滤除，在此过程中有效信息的保护度、噪声的残留程度以及图像清晰度等都是评价降噪效果的指标，也是检测降噪方法优劣的标准。近年来，随着国内外对ESPI图像降噪算法研究的不断深入，目前常用的方法有空域滤波和变换域滤波，包括均值滤波、中值滤波、维纳滤波、傅立叶变换以及小波变换等。这些方法在滤除噪声的同时会使图像的对比度有所下降从而导致图像的模糊化，而且图像中的条纹结构也会受到一定程度的破坏，从而对后续相位的提取以及测算产生影响。随着技术进步，对于散斑干涉条纹图去噪的要求越来越高，专利技术人发现目前的去噪方法无法达到人们期望的效果，ESPI图像中噪声程度较高且条纹具有较高的多样性，现有方法无法在去除噪声的同时保证条纹图像的对比度以及边缘细节信息，而噪声去除和边缘信息保护是ESPI图像去噪方法研究过程中需要平衡协调的两方面；当前深度学习技术日益成熟，神经网络也开始应用于有关图像的相关研究中，包括图像识别，图像分类等，有关图像去噪的神经网络结构也在不断的发展创新，但是用于散斑干涉条纹图去噪的卷积神经网络结构依旧比较单一，且由于训练数据的限制，去噪网络模型对ESPI图像的处理也存在着一定的局限性；由于噪声的残留和信息丢失的影响，导致相应的相位信息提取、残差预测、边缘检测、物体形变测量等操作无法取得理想的结果。
技术实现思路
本公开为了解决上述问题，提出了一种基于深度学习的ESPI图像降噪方法及系统，首先对新提出的基于BM3D-自适应TV的卷积神经网络模型进行训练，利用训练好的模型对真实散斑干涉条纹图去噪，在保护条纹信息的同时保证去噪效果，上述方案对ESPI图像表现出良好的普适性。根据本公开实施例的第一个方面，提供了一种基于深度学习的ESPI图像降噪方法，包括：构建训练数据集；构建基于BM3D-自适应TV算法的卷积神经网络模型；利用训练数据集对所述卷积神经网络模型进行训练；将待去噪的散斑干涉条纹图输入到训练好的模型中，对散斑干涉条纹图进行去噪。进一步的，所述训练数据集包括无噪声的条纹图、加噪声的模拟散斑干涉条纹图以及通过ESPI技术采集的真实散斑干涉条纹图；所述加噪声的模拟散斑干涉条纹图，通过在条纹图中加入加性噪声及乘性噪声来获得。进一步的，为了保证所述训练数据集中的真实散斑干涉条纹图数目，通过对采集的真实散斑干涉条纹图进行裁剪、旋转的方式进行数据增强，实现真实图像的数目扩展。进一步的，所述BM3D-自适应TV算法用于对真实散斑干涉条纹图进行去噪，去噪后的真实散斑干涉条纹图作为所述卷积神经网络训练过程的输出。进一步的，所述BM3D-自适应TV算法的目标函数具体表示如下：其中，I表示待处理的含噪声的条纹信息图，p(x,y)代表自适应参数，IBM3D代表通过BM3D滤波器降噪操作后的结果图，Ω代表图像的区域，λ代表Lagrange乘子。进一步的，所述卷积神经网络包括多层，采用ReLU激活函数，除所述卷积神经网络的第一层和最后一层外，其余中间层进行卷积操作后会进行批量归一化处理。进一步的，所述基于BM3D-自适应TV算法的卷积神经网络模型，利用真实ESPI图像(作为输入，模型对输入做处理后的信号作为输出)以及模拟无噪条纹图(输出)和加噪后模拟ESPI图像(输入)分别作为网络模型中两通道的训练样本，利用BM3D-自适应TV算法去噪后的真实ESPI图像作为模型的输出，实现对所述模型的训练；所述两通道为真实图像训练通道和模拟图像训练通道，所述真实图像训练通道的输入为真实ESPI图像，输出为网络模型内部经过处理(BM3D-自适应TV滤波和数据增强后)后的真实ESPI图像；所述模拟图像训练通道的输入为：模拟ESPI图像，输出为加噪前模拟无噪声ESPI图像。根据本公开实施例的第二个方面，提供了一种基于深度学习的ESPI图像降噪系统，包括：训练数据获取模块，获取的训练数据集包括无噪声的条纹图、加噪声的模拟散斑干涉条纹图以及通过ESPI技术采集的真实散斑干涉条纹图；模型构建模块，构建基于BM3D-自适应TV算法的卷积神经网络模型，并利用所述训练数据集对所述卷积神经网络模型进行训练；真实ESPI图像获取模块，利用电子散斑干涉技术获取物体的ESPI条纹图；降噪处理模块，将待去噪的真实ESPI条纹图输入到训练好的模型中，输出去噪后的ESPI条纹图。根据本公开实施例的第三个方面，提供了一种电子设备，包括存储器、处理器及存储在存储器上运行的计算机程序，所述处理器执行所述程序时实现所述的基于深度学习的ESPI图像降噪方法。根据本公开实施例的第四个方面，提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述的基于深度学习的ESPI图像降噪方法。与现有技术相比，本公开的有益效果是：本公开提出一种基于BM3D-自适应TV算法的卷积神经网络模型，利用真实ESPI图像以及模拟无噪条纹图和加噪后模拟ESPI图像分别作为网络模型中两通道的训练样本，利用BM3D-自适应TV算法去噪后的真实ESPI图像作为模型的输出，实现对所述模型的训练；通过训练好的模型对真实散斑干涉条纹图进行去噪处理，本公开所述方法可以有效地对ESPI图像进行降噪处理，既可以保证实现较少噪声残留，又可以对有效条纹边缘信息进行保护，同时可以对ESPI图像具有良好的适应性，方便大批量处理图像，为后续相位提取等工作做好了铺垫。附图说明构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不本文档来自技高网...

【技术保护点】
1.一种基于深度学习的ESPI图像降噪方法，其特征在于，包括：/n构建训练数据集；/n构建基于BM3D-自适应TV算法的卷积神经网络模型；/n利用训练数据集对所述卷积神经网络模型进行训练；/n将待去噪的散斑干涉条纹图输入到训练好的模型中，对散斑干涉条纹图进行去噪。/n

【技术特征摘要】
1.一种基于深度学习的ESPI图像降噪方法，其特征在于，包括：
构建训练数据集；
构建基于BM3D-自适应TV算法的卷积神经网络模型；
利用训练数据集对所述卷积神经网络模型进行训练；
将待去噪的散斑干涉条纹图输入到训练好的模型中，对散斑干涉条纹图进行去噪。


2.如权利要求1所述的一种基于深度学习的ESPI图像降噪方法，其特征在于，所述训练数据集包括无噪声的条纹图、加噪声的模拟散斑干涉条纹图以及通过ESPI技术采集的真实散斑干涉条纹图；所述加噪声的模拟散斑干涉条纹图，通过在条纹图中加入加性噪声及乘性噪声来获得。


3.如权利要求2所述的一种基于深度学习的ESPI图像降噪方法，其特征在于，为了保证所述训练数据集中的真实散斑干涉条纹图数目，通过对采集的真实散斑干涉条纹图进行裁剪、旋转的方式进行数据增强，实现真实图像的数目扩展。


4.如权利要求1所述的一种基于深度学习的ESPI图像降噪方法，其特征在于，所述BM3D-自适应TV算法用于对真实散斑干涉条纹图进行去噪，去噪后的真实散斑干涉条纹图作为所述卷积神经网络训练过程的输出。


5.如权利要求1所述的一种基于深度学习的ESPI图像降噪方法，其特征在于，所述BM3D-自适应TV算法的目标函数具体表示如下：



其中，I表示待处理的含噪声的条纹信息图，p(x,y)代表自适应参数，IBM3D代表通过BM3D滤波器降噪操作后的结果图，Ω代表图像的区域，λ代表Lagrange乘子。


6.如权利要求1所述的一种基于深度学习的ESPI图像降噪方法，其...

【专利技术属性】
技术研发人员：辛化梅，邢颖，
申请(专利权)人：山东师范大学，
类型：发明
国别省市：山东;37