一种基于深度语义分割网络的相位解包裹方法技术

本发明专利技术公开了一种基于深度语义分割网络的相位解包裹方法，包括：(1)构建仿真数据集；(2)将数据集分为训练集、验证集和测试集；选择语义分割的卷积神经网络进行训练；(3)对包裹相位进行预处理，得到结果(4)将预处理后的包裹相位图输入训练好的卷积神经网络，得到语义分割结果k

【技术实现步骤摘要】
一种基于深度语义分割网络的相位解包裹方法


[0001]本专利技术属于光学精密测量
，尤其是涉及一种抗噪的基于深度语义分割网络的相位解包裹方法。

技术介绍

[0002]干涉检测在物体表面检测、波前诊断等领域有重要应用。干涉检测常用的算法如移相法、傅里叶分析法，给出的是值域在的存在跳变的包裹相位。
[0003]消除包裹相位中的跳变恢复真实相位的过程称为解包裹。常见的解包裹算法主要分为路径无关算法和路径跟踪算法。
[0004]路径无关算法一般基于最小二乘法的框架，定义并最小化一个函数，如使解包后相位的局部导数和包裹相位的梯度尽可能接近。这类算法鲁棒性强，但计算量大，有时候输出结果过于光滑。
[0005]路径跟踪算法有(1)路径相关算法，(2)残差点补偿算法，(3)品质图路径跟踪算法等类型。路径相关算法按照提前规划的路径扫描跳变并予以补偿。这种算法速度快，但容易受到噪声和残差点的影响，鲁棒性不好。
[0006]公开号为CN111461224A的中国专利文献公开了一种基于残差自编码神经网络的相位数据解包裹方法，读取生成的实验数据，将相位数据解包裹任务视为一种多分类问题，建立残差自编码神经网络；采用Zernike多项式生成模拟初始相位数据集，对模拟初始相位数据集进行包裹处理，对残差自编码神经网络进行训练；对训练后的网络模型进行评估，如果满足预设精度要求，则通过残差自编码神经网络对包裹相位进行预测分类，得到与之对应的包裹倍数分布图，利用二维中值滤波器对结果进行处理得到去噪的包裹倍数分布图；将相位包裹倍数分布图与包裹的相位数据和待测数据Xtrest进行求和运算得到最终的解包裹相位结果，表征待测对象的表面轮廓的起伏信息。
[0007]残差点补偿算法检测包裹相位中的残差点并在正负残差点间产生连接线，选择积分路径时绕过这些区域。这类算法计算效率高，在噪声较小、残差点较少时精度很高，但残差点较多、分布密集时无法选择正确积分路径。
[0008]品质图路径跟踪算法以一定的标准如直方图评价像素点的质量，选择质量较高的路径进行积分。这类算法有较强的鲁棒性，但对品质图要求很高，如果品质图不准确会导致误差累积。
[0009]因此，本领域亟需要一种可以实现自动提取特征、容错性强的方法来解决上述这些问题。

技术实现思路

[0010]为解决现有技术存在的不足，本专利技术提供了一种基于深度语义分割网络的相位解包裹方法，实现了对包裹相位图快速高精度连续化处理。
[0011]一种基于深度语义分割网络的相位解包裹方法，包括：
[0012](1)构建仿真数据集；
[0013](2)将数据集分为训练集、验证集和测试集；选择语义分割的卷积神经网络，使用训练集训练卷积神经网络，使用验证集验证网络学习效果，使用测试集评价经训练和验证后的网络的准确性；
[0014](3)对包裹相位进行预处理，得到结果
[0015](4)将预处理后的包裹相位图输入训练好的卷积神经网络，得到语义分割结果k
t
(x，y)；
[0016](5)对语义分割结果k
t
(x，y)进行第一次校正，得到校正结果k(x，y)；
[0017](6)将语义分割校正后的结果k(x，y)乘以2π后与原包裹相位相加，得到初步解包裹结果φ
t
(x，y)；
[0018](7)对初步解包裹结果φ
t
(x，y)进行第二次校正，得到最终解包裹的结果φ
f
(x，y)。
[0019]本专利技术的方法，将解包裹问题转化为可用神经网络处理的语义分割问题，从而实现了对包裹相位图快速高精度连续化处理。
[0020]步骤(1)的具体步骤为：
[0021](1
‑
1)使用Zernike多项式生成原相位的轮廓φ
l
(x，y)，
[0022][0023]其中Z
i
(x，y)是Zernike多项式第i项，c
i
是其系数，服从一定的概率分布；
[0024](1
‑
2)采集实际系统中的干涉图，用传统算法计算解包裹相位φ
u
(x，y)，用Zernike多项式拟合φ
u
(x，y)，拟合结果为φ
z
(x，y)；计算拟合残差φ
h
(x，y)，即φ
h
(x，y)＝φ
u
(x，y)
‑
φ
z
(x，y)，对其频谱作微小扰动后傅里叶反变换，结果作为高频信息与φ
l
(x，y)相加，生成原相位
[0025]φ(x，y)＝φ
l
(x，y)+φ
h
(x，y)。
ꢀꢀꢀ
(2)
[0026](1
‑
3)根据原相位和包裹相位的关系，
[0027][0028]生成包裹相位其中i是虚数单位，angle表示求复数的幅角；
[0029](1
‑
4)根据包裹相位和原相位生成标签k(x，y)，
[0030][0031]其中，round表示取整运算；生成标签后，对包裹相位添加标准差为0～0.9rad的高斯噪声和椒盐噪声。
[0032]步骤(2)中，训练集、验证集、测试集比例为3∶1∶1。
[0033]步骤(3)中，预处理的具体过程如下：
[0034]对包裹相位使用引导滤波降噪，结果为然后将降噪后的结果与原图相减，若所有像素相减后的绝对值的平均值Δ大于设定的阈值threshold，则处理结果为
降噪后的图像，否则保持不变。
[0035][0036][0037]步骤(4)中，卷积神经网络的输入为预处理后的包裹相位，输出为每个像素点上需加上的2π倍数。
[0038]步骤(5)中，第一次校正的具体过程为：
[0039]将卷积神经网络的输出结果看成一张无向图，每个像素为图中一个顶点，定义若两个像素点分类标签相同且相邻，则两个顶点连通，从而整张图可以划分为一些连通子图；设置阈值T，将元素个数少于T的连通分量提取出来，将此分量中的像素赋值为其外边界所有像素值的平均值的取整运算结果，公式为：
[0040][0041]其中，D表示需要被校正的区域(元素个数少于T的连通分量)内点的集合，round表示取整运算，mean表示取均值运算，表示D的外边界，校正完成后的结果记为k(x，y)。
[0042]步骤(6)中，具体的公式为
[0043]步骤(7)中，第二次校正的具体过程为：
[0044]对初步解包裹相位使用中值滤波平滑，再将相位图的边界提取为一维数据，使用局部二阶回归平滑；平滑结果记作φ
s
(x，y)，将平滑前后的结果做差，然后在平滑前的相位上补偿相应的值，公式为
[0045][0046]其中，δ＝φ
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度语义分割网络的相位解包裹方法，其特征在于，包括：(1)构建仿真数据集；(2)将数据集分为训练集、验证集和测试集；选择语义分割的卷积神经网络，使用训练集训练卷积神经网络，使用验证集验证网络学习效果，使用测试集评价经训练和验证后的网络的准确性；(3)对包裹相位进行预处理，得到结果(4)将预处理后的包裹相位图输入训练好的卷积神经网络，得到语义分割结果k
t
(x，y)；(5)对语义分割结果k
t
(x，y)进行第一次校正，得到校正结果k(x，y)；(6)将语义分割校正后的结果k(x，y)乘以2π后与原包裹相位相加，得到初步解包裹结果φ
t
(x，y)；(7)对初步解包裹结果φ
t
(x，y)进行第二次校正，得到最终解包裹的结果φ
f
(x，y)。2.根据权利要求1所述的基于深度语义分割网络的相位解包裹方法，其特征在于，步骤(1)的具体步骤为：(1
‑
1)使用Zernike多项式生成原相位的轮廓φ
l
(x，y)，其中Z
i
(x，y)是Zemike多项式第i项，c
i
是其系数，服从一定的概率分布；(1
‑
2)采集实际系统中的干涉图，用传统算法计算解包裹相位φ
u
(x，y)，用Zernike多项式拟合φ
u
(x，y)，拟合结果为φ
z
(x，y)；计算拟合残差φ
h
(x，y)，即φ
h
(x，y)＝φ
u
(x，y)
‑
φ
z
(x，y)，对其频谱作微小扰动后傅里叶反变换，结果作为高频信息与φ
l
(x，y)相加，生成原相位φ(x，y)＝φ
l
(x，y)+φ
h
(x，y)。(1
‑
3)根据原相位和包裹相位的关系生成包裹相位其中i是虚...

【专利技术属性】
技术研发人员：徐兆锐，骆维舟，朱声泰，刘东，
申请(专利权)人：浙江大学嘉兴研究院，
类型：发明
国别省市：