[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

说明书

本发明属于光学检测和图像处理技术领域，为实现批量ESPI条纹图中散斑噪声的移除，本发明构建一个端到端的ESPI条纹图去噪的网络，实现为多幅ESPI条纹图批量全自动滤波。基于深度学习的电子散斑条纹批量全自动滤波方法，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。本发明主要应用于光学检测和图像处理场合。

技术领域

本发明属于光学检测和图像处理技术领域，涉及一种基于深度学习的电子散斑干涉条纹批量全自动滤波方法。

背景技术

电子散斑干涉(Electronic Speckle Pattern Interferometry,简称ESPI)测量技术，是一种对光学粗糙表面进行全场无损测量的技术，由于它具有实时性、结构简单、高灵敏度、全场非接触测量等优点，因此，被广泛地应用于微小形变、位移、表面形貌和医学诊断等各方面的测量中。电子散斑干涉技术通过记录变形前后被测试件的散斑场光强信息，并利用减模式或加模式对两幅带有散斑光场信息的图像进行处理，从而得到表示物体位移、变形的散斑干涉条纹图，或在变形前后引入相移法获得表征物体变形信息的相位图。[1-4]

然而，我们获取的条纹图中总是伴有很强的颗粒性噪声，而且条纹的对比度低、可见性差，这便降低了图像的质量，导致无法直接利用这些条纹图获取正确的相位信息。因此对电子散斑干涉条纹图的去噪处理便成为了电子散斑干涉测量技术中的关键步骤之一。同时当ESPI技术用于动态和实时测量时，需要记录大量的条纹图。通过使用传统的方法，必须逐帧处理条纹图，这是不方便且耗时的。因此，我们希望找到一种能够实时批量自动去除条纹散斑噪声的智能方法。[5-7]

深度学习是机器学习的一个重要分支，深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字、图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。深度学习本质上是构建含有多隐层的机器学习架构模型，通过大规模数据进行训练，得到大量更具代表性的特征信息，从而对样本进行分类和预测，提高分类和预测的精度。近年来，由于深度学习特别是卷积神经网络(CNN)在图像识别、语音、自然语言等领域取得了显著地进展，而深层的非线性神经网络结构也适用于图像去噪，因此基于深度学习的图像去噪方法也被提出并得到了发展。通过训练各种去噪网络实现从含噪声图像到去噪图像的端到端的非线性映射。[8-9]

参考文献

[1]佟景伟，李鸿琦，光力学原理及测试技术，北京：科学出版社，2009。

[2]王任达，全息和散斑检测，北京：机械工业出版社，2005:100～119。

[3]W.H.Peters,W.F.Ranson,Digital imaging techniques in experimentalstress analysis.Opt.Eng.1982,21:427～431.

[4]Bavigadda V,Jallapuram R,Mihaylova E.Electronic speckle-patterninterferometer using holographic optical elements for vibrationmeasurements.Optics Letters,2010,35(19):3273-3275.

[5]Federico A,Kaufmann G H.Comparative study of wavelet thresholdingtechniques for denoising electronic speckle pattern interferometryfringes.Optical Engineering,2001,40(11):2598-2604.