[发明专利]基于深度学习的电子散斑条纹批量全自动滤波方法

权利要求书

1.一种基于深度学习的电子散斑条纹批量全自动滤波方法，其特征是，包括以下步骤：

步骤1：构建训练数据集；

步骤2：构建电子散斑条纹去噪网络模型；

步骤3：将训练数据集输入网络，利用训练数据集对网络模型进行训练；

步骤4：将模拟条纹图和实验所得条纹图作为测试集输入到训练好的网络中，并用所述测试集图像减去网络的输出图像，得到清晰的去噪图像。

2.如权利要求1所述的基于深度学习的电子散斑条纹批量全自动滤波方法，其特征是，步骤1：构建训练数据集，具体步骤如下：

步骤1-1：使用传统的模拟电子散斑条纹图方法，生成条纹形状不同的无噪声的条纹图；

步骤1-2：将每幅条纹图分割，生成细分无噪声的条纹图；

步骤1-3：从中选取部分细分无噪声的条纹图，且满足每幅条纹图的形状各不相同，由选出的无噪声的条纹图构成训练数据集。

3.如权利要求1所述的基于深度学习的电子散斑条纹批量全自动滤波方法，其特征是，步骤2：构建电子散斑条纹去噪网络模型，具体步骤如下：

电子散斑条纹去噪网络模型采用了残差学习的方式，在网络的隐层隐式地移除无噪声的图像x，即输入为带噪声的条纹图像y，输出为移除了干净图像的噪声图像v，用残差学习刻画恒等映射或近似的恒等映射R(y)＝v，该网络期望学习R(y)≈v，得到去噪后的条纹图

步骤2-1：设置网络深度为20层，第一层由Conv+ReLU构成，即对输入条纹图像卷积，然后使用校正线性单元ReLU进行激活处理；第二层及以最后层之前各层，使用Conv+BN+ReLU的组合，也就是在卷积层和ReLU之间加了一层批量归一化Batch Normalization，最后一层仅使用卷积层Conv来重建输出层；

步骤2-2：设置卷积核的大小，网络的代价函数是残差图像(v)与网络学习出的噪声图像R(y)之间的均方差：

式(1)中θ表示网络学习的参数；R(y；θ)表示网络预测的噪声图像；N表示训练数据的数量。

4.如权利要求3所述的基于深度学习的电子散斑条纹批量全自动滤波方法，其特征是，步骤3：将训练数据集输入网络，利用训练数据集对网络模型进行训练，具体步骤如下：

步骤3-1：按照下面公式为训练集中的条纹图像加上噪声，以模拟电子散斑条纹图：

y＝x×n₁(α,β)+n₂(σ) (2)

式(2)中n₁(α,β)表示符合伽马分布的噪声，它的大小由参数α和β决定，其中α代表形状参数，β代表反尺度参数；n₂(σ)表示均值为0，方差为σ的符合正态分布的噪声；

步骤3-2：设置参数：在训练当中采用Adam优化方式，网络的初始学习率设为0.001，batch size设为100，设置α，β，σ的值，一共训练50个epoch；

步骤3-3：将上述模拟电子散斑条纹图与对应的无噪的条纹图组成训练数据对输入网络开始训练。

5.如权利要求3所述的基于深度学习的电子散斑条纹批量全自动滤波方法，其特征是，步骤4：将模拟条纹图和实验所得条纹图作为测试集输入到训练好的网络中，并用所述测试集图像减去网络的输出图像，得到清晰的去噪图像，具体步骤如下：

步骤4-1：用模拟条纹图进行测试：用计算机模拟若干幅无噪声的条纹图，此处模拟的无噪声条纹图与训练图像条纹形状不同，采用步骤3中加噪声方式为模拟出的无噪声条纹图加上模拟噪声，以此来模拟电子散斑条纹图，将其输入步骤3中训练好的网络中，然后用输入图像减去网络输出图像即网络学习到的噪声图像得到去噪后的图像；

步骤4-2：用实验条纹图进行测试：将若干幅由实验获得的电子散斑条纹图输入步骤3中训练好的网络中，得到去噪后的图像。