[发明专利]一种基于深度学习的条纹投影时间相位展开方法

权利要求书

1.一种基于深度学习的条纹投影时间相位展开方法，其特征在于如下步骤：

步骤一：向被测对象投影四组三步相移光栅图像，四组光栅图案的频率分别为1、8、32和64，通过相机同步拍摄投影的光栅图像，采集四组三步相移光栅图像的光强图；

步骤二：利用步骤一采集的三步相移光栅图像的光强图，基于三步相移法，计算得到不同频率的包裹相位图；

步骤三：使用基于时间相位展开的多频算法对得到的四组包裹相位图依次进行相位展开，最终得到频率为64的相位的周期级次图和绝对相位图；

步骤四：搭建残差卷积神经网络用于实现相位展开，重复执行步骤一至三获取多组数据，将数据分为训练集、验证集和测试集，使用训练集数据训练残差卷积神经网络，使用验证集验证网络的学习效果；

步骤五：使用经过训练和验证后的残差卷积神经网络检验测试集数据用于评价网络的准确性，输出频率为64的相位的周期级次图。

2.根据权利要求1所述的基于深度学习的条纹投影时间相位展开方法，其特征在于步骤一的向被测对象投影四组三步相移光栅图像，每组包含三张频率相同初始相位不同的光栅图像，投影仪投影的任一组三步相移光栅图像可以被表示为：

其中为投影仪投影的三步相移光栅图像，(x^p，y^p)为投影仪平面的像素坐标，W是投影仪的水平分辨率，f是三步相移光栅图像的频率，使用DLP投影仪向被测对象投影四组三步相移光栅图像，四组三步相移光栅图像的频率分别为1、8、32和64，每组三张的光栅图像频率相同，通过相机同步拍摄投影的光栅图像，采集的三步相移光栅图像的光强图被表示为：

I₁(x，y)＝A(x，y)+B(x，y)cos[Φ(x，y)]

I₂(x，y)＝A(x，y)+B(x，y)cos[Φ(x，y)+2π/3]

I₃(x，y)＝A(x，y)+B(x，y)cos[Φ(x，y)+4π/3]

其中I₁(x，y)，I₂(x，y)，I₃(x，y)为对应的三步相移光栅图像光强图，(x，y)为相机平面的像素坐标，A(x，y)为背景光强，B(x，y)为条纹的调制度，Φ(x，y)为待求相位。

3.根据权利要求1所述的基于深度学习的条纹投影时间相位展开方法，其特征在于步骤二中，包裹相位图由下式计算而得：

其中I₁(x，y)，I₂(x，y)，1₃(x，y)为对应的三步相移光栅图像光强图，由于arctan函数的截断效应，求得的相位图为包裹相位，其值域为[0，2π]，其与Φ(x，y)的关系如下：

其中k(x，y)为相位的周期级次，其值域为[0，N-1]范围内的整数，N为条纹的总周期数，f是三步相移光栅图像的频率，N＝f。

4.根据权利要求1所述的基于深度学习的条纹投影时间相位展开方法，其特征在于步骤三中，频率为1的绝对相位图的范围是[0，2π]，所以频率为1的包裹相位图是绝对相位图，利用不同频率的包裹相位图，通过基于时间相位展开的多频算法得到绝对相位图，即可以用频率为1的绝对相位图辅助展开频率为8的包裹相位图为绝对相位，用频率为8的绝对相位图辅助展开频率为32的包裹相位图为绝对相位，依次类推，得到频率为64的绝对相位，具体如下式：

其中f_h是高频光栅图的频率，f_l是低频光栅图的频率，是高频光栅图的包裹相位，k_h(x，y)是高频光栅图的相位的周期级次，Φ_h(x，y)和Φ_l(x，y)分别是高频和低频光栅图的绝对相位，Round是四舍五入函数。