一种基于卷积神经网络的激光散斑干涉条纹图滤波算法制造技术

本发明专利技术公开了一种基于卷积神经网络的激光散斑干涉条纹图滤波算法

【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；于起峰等人提出的一种带门限的旋滤波方法；王开福等人提出的一种基于同态滤波原理的条纹滤波方法，对相位图去噪的同时可以增强图像的对比度；顾国庆采用了同态滤波方法对条纹图进行滤波，该方法是一种将灰度变换和频域滤波相结合的图像处理方法，通过利用同态滤波原理设计的滤波器将有用信息拓展，将无用信息滤除，既滤除了噪声，也提高条纹对比度
。
王永红等人采用了将正余弦分解和频域低通滤波相结合的滤波方法，该方法将相位图先进行正余弦变换得到两幅图，分别对着两幅图进行频域低通滤波，再将这两幅图进行合成
。
该方法在有效保留了跳变信息的基础上，也保证了良好的滤波效果
。
[0004]机器学习技术已经被广泛应用于图像去噪领域
。
基于神经网络的图像去噪算法通过学习图像的统计特性，借助外部信息来为去噪过程服务，十分适合于高噪声环境下的去噪任务
。
本专利技术公开了一种基于卷积神经网络的激光散斑干涉条纹图滤波算法
。
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，后设计搭建了改进型
U
‑
Net
卷积神经网络，将数据进入神经网络中进行训练，使用多尺度解码器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
。
同时采用对抗训练，通过生成器和鉴别器进行对抗训练，让鉴别器鉴别是否是正确的，循环训练模型以不断提升其辨别能力
。
最后使用训练好的神经网络模型对带有噪声的激光散斑干涉条纹图进行降噪处理
。
本专利技术能够准确便捷的消除散斑条纹图中的噪声，更接近被测物真实信息的能力
。
(三)
技术实现思路

[0005]本专利技术的目的是在于提供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，避免大量的散斑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
。。
[0006]本专利技术的目的是这样实现的：
[0007]一种基于卷积神经网络的激光散斑干涉条纹图滤波算法，此方法的技术方案如下：
[0008]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
。
[0009]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
。
[0010]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：
[0011]F1＝
conv(X)
[0012]其中，
F1的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：
[0013]F2＝
pool(F1)
[0014]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
F3[0015]F3＝
conv(F2)
[0016]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
。
[0017]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
。
[0018]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
。
[0019]生成器的设计和训练是生成模型的核心
。
生成器的目标是生成逼真的数据样本，使其尽可能与真实数据相似，以欺骗鉴别器
。
[0020]假设
z
是在潜在空间的向量，生成器
G
将
z
射到生成数据空间，表示为
G(z)。
[0021]映射过程为：
[0022]G:z
→
G(z)
[0023]这个过程就是将低维的随机向量转换成高维的数据表示
。
映射后的向量通过反卷积层
、
上采样层或激活函数等其他操作将
z
映射为生成数据：
[0024]G(z)
＝
Output of the Generator
[0025]将改进网络中的编码器和多尺度解码器组合成生成器
。
通过生成器和鉴别器进行对抗训练
。
循环训练模型以不断提升其辨别能力，以使鉴别器无法将生成器生成的假数据与真实数据区分开
。
[0026]利用模型对数据进行测试处理
。
(四)附图说明
[0027]图1是基于卷积神经网络的激光散本文档来自技高网...

【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：