【技术实现步骤摘要】
一种基于卷积神经网络的激光散斑干涉条纹图滤波算法
(一)
[0001]本专利技术涉及的是一种基于卷积神经网络的激光散斑干涉条纹图滤波算法,可用于激光剪切散斑干涉条纹图中获取更加真实的信息,属于图像处理
。
(二)
技术介绍
[0002]剪切散斑干涉技术是运用光学
、
计算机
、
数字图像处理等现代技术发展起来的全场无损检测技术,通过测量物体变形前后的相位信息来获取物体的变形
、
应变和缺陷信息
。
无论采用时间相移法还是空间相移法,得到的相位条纹图被包裹在
[
‑
π
,
π
]区间内,要想获取反映真实变形信息的相位图,需要对相位条纹图进行相位解包裹运算
。
任何测量结果中都存在误差,剪切散斑干涉相位条纹图中往往存在大量的散斑颗粒噪声,这些噪声直接影响相位解包裹过程,甚至导致解包裹失败,进而影响物体变形量的测量精度
。
[0003]因此滤波成为散斑条纹图处理的重要部分
。
近年来,国内外许多学者做了大量的研究工作,提出了中值滤波
、
均值滤波
、
傅里叶变换滤波等各种算法
。
传统的滤波方法,在滤掉散斑噪声的同时,也会滤掉
、
模糊许多有用的信息
。H.A.Aebischer
等人提出了正余弦滤波方法,保留了图像中的“尖峰”信息;秦玉文等人提出一种基于回归算法的条纹滤波 ...
【技术保护点】
【技术特征摘要】
1.
一种基于卷积神经网络的激光散斑干涉条纹图滤波算法,其特征在于,包括以下步骤:
S1、
先通过模拟和实验相结合方式制作了多对由含有噪声的散斑条纹图作为神经网络输入
。S2、
设计搭建了改进型
U
‑
Net
卷积神经网络,并与多尺度解码器相结合有助于模型更好地捕获图像中的噪声特征和结构信息同时有助于保留图像的细节信息,从而提高去噪性能,避免出现过度平滑,提高模型的鲁棒性
。S3、
将数据进入神经网络中进行训练,将输入图像进行卷积操作,得到特征图
F1:
F1=
conv(X)
其中,
F1大小取决于卷积操作的参数设置
。
之后进行池化操作得到特征图
F2:
F2=
pool(F1)
再次应用卷积操作,将特征图
F2进行卷积,得到更多高级特征的特征图
F3F3=
conv(F2)
重复应用卷积和池化操作获得更多的特征图
。
编码器的输出通常是编码后的高级特征图,编码器的目标是逐步提取图像特征,捕获图像的抽象信息,以便传递给解码器进行进一步处理
。
所提出的多尺度解码器将编码器获取到的特征作为输入
。S4、
将改进网络中的编码器和多尺度解码器构成生成器,多尺度解码器在去噪是为了处理不同尺度的噪声和保留图像的细节信息
。
多尺度解码器的基本原理是在解码阶段引入多个分支或多个层来处理不同尺度的特征
。
在去噪任务中,这些尺度可能代表了图像中不同频率或尺度上的噪声
。
通过处理这些不同尺度的特征,网络可以更好地消除多尺度的噪声
。
假设有多个分支或多...
【专利技术属性】
技术研发人员:曾启林,陈辰,熊显名,张文涛,杜浩,赵嘉浩,
申请(专利权)人:桂林电子科技大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。