基于卷积神经网络的包裹相位去噪方法、系统和存储介质技术方案

本申请公开了一种基于卷积神经网络的包裹相位去噪方法、系统和存储介质，所述方法包括：根据相移步数采集若干条纹图像；根据条纹图像和相移步数，计算包裹相位的相位函数中反正切函数的分母和分子；将分母输入卷积神经网络中，获取分母噪声；将分母减去分母噪声获取除噪分母；将分子输入卷积神经网络中，获取分子噪声；将分子减去分子噪声获取除噪分子；根据除噪分母和除噪分子计算包裹相位。本申请实施例通过卷积神经网络对含噪的包裹相位中反正切函数的含噪分子和含噪分母进行去噪，随后使用反正切函数获取去噪的包裹相位，本申请的包裹相位去噪方法的去噪效率更高。本申请可广泛应用于光学测量技术领域中。

【技术实现步骤摘要】
基于卷积神经网络的包裹相位去噪方法、系统和存储介质
本申请涉及光学测量
，尤其涉及一种基于卷积神经网络的包裹相位去噪方法、系统和存储介质。
技术介绍
干涉测量法广泛用于形状、变形和反射率测量等，具有很高的测量精度。大多数干涉图分析方法会在–π和π之间产生包裹相位分布，因此需要相位解包裹来从包裹的相位重建真实相位。但是，包裹相位中的噪声是相位解包裹的障碍，尤其是对于简单的相位解包裹方法，因此有必要对包裹相位进行去噪。有效的包裹相位降噪方法包括正弦平均滤波器、余弦平均滤波器、模数2π滤波方法、开窗傅里叶脊算法、开窗傅里叶滤波算法和扩展的开窗傅里叶滤波算法。上述方法通常需要较高的计算成本，导致包裹相位去噪的效率较低。
技术实现思路
有鉴于此，本申请的目的是提供一种基于卷积神经网络的包裹相位去噪方法、系统和存储介质，以提高包裹相位去噪的效率。本申请所采用的第一技术方案是：一种基于卷积神经网络的包裹相位去噪方法，包括：根据相移步数采集若干条纹图像；根据所述条纹图像和所述相移步数，计算包裹相位的相位函数中反正切函数的分母和分子；将所述分母输入卷积神经网络中，获取分母噪声；将所述分母减去分母噪声获取除噪分母；将所述分子输入卷积神经网络中，获取分子噪声；将所述分子减去分子噪声获取除噪分子；根据所述除噪分母和所述除噪分子计算包裹相位。进一步，所述卷积神经网络为残差网络。进一步，所述卷积神经网络的激活函数为线性整流函数。r>进一步，所述卷积神经网络的卷积层中设置有批归一化层。进一步，所述卷积神经网络采用自适应矩估计算法最小化损失函数。进一步，所述卷积神经网络的训练数据为A(x，y)和B(x，y)，A(x，y)和B(x，y)的计算公式如下：其中，b为幅度，H(x，y)为实际的波前，λ为波长，n1(x，y)和n2(x，y)为高斯加性噪声，所述高斯加性噪声的均值为0。进一步，所述H(x，y)的计算公式如下：其中，N是Zernike多项式的项数，ηn(xk,yk)为Zernike多项式，ln为Zernike多项式的系数。本申请所采用的第二技术方案是：一种基于卷积神经网络的包裹相位去噪系统，包括：图像采集模块，用于根据相移步数采集若干条纹图像；相位提取模块，用于根据所述条纹图像和所述相移步数，计算包裹相位的相位函数中反正切函数的分母和分子；分母计算模块，用于将所述分母输入卷积神经网络中，获取分母噪声，将所述分母减去分母噪声获取除噪分母；分子计算模块，用于将所述分子输入卷积神经网络中，获取分子噪声，将所述分子减去分子噪声获取除噪分子；相位计算模块，用于根据所述除噪分母和所述除噪分子计算包裹相位。本申请所采用的第三技术方案是：一种基于卷积神经网络的包裹相位去噪系统，包括：至少一个处理器；至少一个存储器，用于存储至少一个程序；当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现所述的基于卷积神经网络的包裹相位去噪方法。本申请所采用的第四技术方案是：一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的基于卷积神经网络的包裹相位去噪方法。本申请实施例通过卷积神经网络对含噪的包裹相位中反正切函数的含噪分子和含噪分母进行去噪，随后使用反正切函数获取去噪的包裹相位。相较于现有的包裹相位去噪方法，本申请的包裹相位去噪方法的去噪效率更高。附图说明图1为本申请实施例基于卷积神经网络的包裹相位去噪方法的流程图。具体实施方式以下将结合实施例和附图对本申请的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本申请的目的、方案和效果。下面结合附图和具体实施例对本申请做进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。此外，对于以下实施例中所述的若干个，其表示为至少一个。三维扫描应用中，有多种结构光重建的方案。条纹法是其中应用比较广泛的一类方法，尤其在追求高精度的工业应用中比较常见。条纹法通过投射一组时序变化的条纹图案来辅助完成立体匹配和视差计算或者深度的直接计算。根据不同的条纹图案，衍生出了一系列方法，如格雷码等二值编码方案、正弦条纹的相移法、格雷码+相移法和彩色条纹法等等。相位法又叫相位测量轮廓术，其来自激光干涉计量领域。相位法通过采用正弦光栅投影和相移技术，利用多幅具有一定相位差的条纹图来计算相位，再对应计算出物体的高度。求解相位的过程叫解相，当将正弦条纹图像投射到三维漫反射表面时，从相机中观测到的条纹图像如式(1)所示：其中(x,y)是空间坐标，I0(x,y)是背景强度，r(x，y)是幅度，是所需的相位分布。在式(1)中有3个未知量，所以至少需要3张相移图像才能求解出标准的N步相移法是应用最广泛的相移算法，N即相移步数。而大多数条纹解调技术的包裹相位函数计算如式(2)所示，：其中A(x，y)和B(x,y)是记录强度的函数，但是由于反正切函数的作用，所获得的相位被包裹，即其与的关系如式(3)所示：在实际测量中，噪声是不可避免的，噪声会严重影响相位解包裹。通过行扫描相位解包裹进行解包裹，线扫描容易受到噪声的干扰，并且通常无法给出解包裹结果。然而，这种解包裹技术的简单性在理论上和实践上都是有吸引力的。因此，为了使简单的解包裹技术适用解包裹相位，对包裹相位进行去噪是必要的。如图1所示，本申请实施例提供了一种基于卷积神经网络的包裹相位去噪方法，包括：S110、根据相移步数采集若干条纹图像；S120、根据所述条纹图像和所述相移步数，计算包裹相位的相位函数中反正切函数的分母和分子；S130、将所述分母输入卷积神经网络中，获取分母噪声；S140、将所述分母减去分母噪声获取除噪分母；S150、将所述分子输入卷积神经网络中，获取分子噪声；S160、将所述分子减去分子噪声获取除噪分子；S170、根据所述除噪分母和所述除噪分子计算包裹相位。在进行包裹相位去噪之前，需要先训练对应的卷积神经网络，用于后续的包裹相位的去噪。卷积神经网络的降噪架构是基于残差网络架构设计的，网络体系结构由三部分组成，分别是输入部分、非线性映射部分和输出部分。输入部分是大小为40×40像素的噪点图像，输出部分是估计的噪声。非线性映射部分由16个大小为3×3的滤波器的卷积层，7个ResNets和1个大小为1×1的滤波器的卷积层组成。每个ResNet具有3×3内核的4个残差块。同时，线性整流函数和批归一化层分别用于非线性映射和加速训练，线性整流函数为f(x)＝m本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的包裹相位去噪方法，其特征在于，包括：/n根据相移步数采集若干条纹图像；/n根据所述条纹图像和所述相移步数，计算包裹相位的相位函数中反正切函数的分母和分子；/n将所述分母输入卷积神经网络中，获取分母噪声；/n将所述分母减去分母噪声获取除噪分母；/n将所述分子输入卷积神经网络中，获取分子噪声；/n将所述分子减去分子噪声获取除噪分子；/n根据所述除噪分母和所述除噪分子计算包裹相位。/n

【技术特征摘要】
1.一种基于卷积神经网络的包裹相位去噪方法，其特征在于，包括：
根据相移步数采集若干条纹图像；
根据所述条纹图像和所述相移步数，计算包裹相位的相位函数中反正切函数的分母和分子；
将所述分母输入卷积神经网络中，获取分母噪声；
将所述分母减去分母噪声获取除噪分母；
将所述分子输入卷积神经网络中，获取分子噪声；
将所述分子减去分子噪声获取除噪分子；
根据所述除噪分母和所述除噪分子计算包裹相位。


2.根据权利要求1所述的基于卷积神经网络的包裹相位去噪方法，其特征在于，所述卷积神经网络为残差网络。


3.根据权利要求1所述的基于卷积神经网络的包裹相位去噪方法，其特征在于，所述卷积神经网络的激活函数为线性整流函数。


4.根据权利要求1所述的基于卷积神经网络的包裹相位去噪方法，其特征在于，所述卷积神经网络的卷积层中设置有批归一化层。


5.根据权利要求1所述的基于卷积神经网络的包裹相位去噪方法，其特征在于，所述卷积神经网络采用自适应矩估计算法最小化损失函数。


6.根据权利要求1所述的基于卷积神经网络的包裹相位去噪方法，其特征在于，所述卷积神经网络的训练数据为A(x，y)和B(x，y)，A(x，y)和B(x，y)的计算公式如下：






其中，b为幅度，H(x,y)为实际的波前，λ为波长，n1(x，y)和n2(x，y)为高斯加...

【专利技术属性】
技术研发人员：蔡长青，
申请(专利权)人：广州大学，
类型：发明
国别省市：广东;44