[发明专利]基于复合神经网络的相位解包裹方法和装置

权利要求书

1.一种基于复合神经网络的相位解包裹方法，其特征在于，包括：

使用仿真软件生成数据集，其中，所述数据集中包括不同类型的包裹相位数据和对应的目标展开相位数据，所述包裹相位数据和所述目标展开相位数据分别作为输入信息和相应的标签信息；使用从1到9阶的泽尼克多项式生成展开相位数据，其数学表达式为：

其中，φ(x，y)为展开相位，z_i、a_i为泽尼克多项式和其对应的泽尼克多项式系数；

所述包裹相位数据的生成公式为：

其中，为包裹相位，angle()是值域为[-π,π]的函数，i表示1到9阶的阶数；

将所述数据集随机划分成训练集和测试集；

对所述训练集中的包裹相位数据进行预处理，以得到处理后的训练集；

将U形网络U-Net、图像分割网络SegNet和残差网络相融合构建包含卷积层、池化层的复合神经网络模型；所述复合神经网络模型包括编码阶段和解码阶段；

所述编码阶段包括6个编码层，每个编码层包括第一卷积层、第一残差层和第二卷积层，其中，所述第一卷积层和所述第二卷积层的卷积核大小为3×3，不同的编码层之间进行卷积核大小为2×2、步长为2的最大池化操作；

所述解码阶段包括5个解码层，每个解码层包括第三卷积层、第二残差层和第四卷积层；

通过所述复合神经网络模型和所述处理后的训练集进行模型训练，以确定并保存所述复合神经网络模型的网络模型参数；

将所述测试集中的包裹相位数据作为所述复合神经网络模型的输入，以对所述测试集中的包裹相位数据进行相位解包裹，得到对应的实际展开相位数据，并根据所述实际展开相位数据和所述目标展开相位数据确定所述复合神经网络模型的准确性。

2.根据权利要求1所述的方法，其特征在于，在每个卷积层设置批量标准化单元和修正线性单元，以对卷积操作后的数据进行批量标准化和线性修正。

3.根据权利要求1所述的方法，其特征在于，通过所述复合神经网络模型和所述处理后的训练集进行模型训练，包括正向传播过程和反向传播过程：

所述正向传播过程包括：将所述处理后的训练集分成多个批次，分别输入所述复合神经网络模型，通过逐层计算得到实际展开相位数据；

所述反向传播过程包括：根据所述实际展开相位数据和所述目标展开相位数据之间的误差对损失函数求各个权重的偏导数，以使误差沿着降速最快的方向调整。

4.根据权利要求3所述的方法，其特征在于，

所述正向传播过程使用正态随机分布函数将所述复合神经网络模型的权值初始化为服从正态分布的随机数，偏置b初始化为0，设定网络的学习率为0.0001，迭代epochs为80，每批次batch_size为64；

所述反向传播过程使用自适应矩估计的优化算法进行迭代反向传播，并使用MSE作为损失函数。

5.根据权利要求1所述的方法，其特征在于，所述对所述训练集中的包裹相位数据进行预处理，包括：

将所述训练集中的包裹相位数据加入高斯噪声。

6.根据权利要求5所述的方法，其特征在于，所述高斯噪声的均值为0，标准方差为0.01到0.4。

7.根据权利要求1所述的方法，其特征在于，所述训练集和所述测试集的数据比例为9：1。

8.一种基于复合神经网络的相位解包裹装置，其特征在于，包括：

存储器和处理器；

所述存储器用于保存所述处理器执行计算机程序时所使用的数据；

所述处理器用于执行计算机程序以实现如权利要求1至7中任意一项所述的方法。