[发明专利]基于复合神经网络的相位解包裹方法和装置

说明书

本发明公开了一种基于复合神经网络的相位解包裹方法和装置，其中，方法包括：使用仿真软件生成数据集；将数据集随机划分成训练集和测试集；对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；通过复合神经网络模型和处理后的训练集进行模型训练，以确定并保存复合神经网络模型的网络模型参数；将测试集中的包裹相位数据作为复合神经网络模型的输入，以对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，并根据实际展开相位数据和目标展开相位数据确定所述复合神经网络模型的准确性。

技术领域

本发明涉及图像处理技术领域，更具体地，涉及一种基于复合神经网络的相位解包裹方法和装置。

背景技术

相位展开是从包裹(缠绕)相位中恢复出真实的相位信息，它在光学干涉计量技术(全息干涉、散斑干涉)、合成孔径雷达干涉技术、医学成像技术等领域有广泛的应用。因为这些技术求得的相位一般要使用反正切函数，因此相位被包裹在(-π,π)这个范围之内，从而显现出不连续分布。这并不是真实的相位值，为了得到实际的相位就需要对包裹相位进行相位展开。

目前的相位展开算法主要分成两类。一类是全局展开算法，通过引入目标函数并附以一定的约束条件将相位展开问题转化成求解最优化的问题；另一类是路径依赖算法，通过选择一个合适的积分路径来进行相位展开。这些算法可以恢复包裹相位图，但对于噪声严重的、相位梯度陡峭的包裹相位图仍然无法有效的求解。

发明内容

鉴于上述问题，本发明提出了一种基于复合神经网络的相位解包裹方法和相应的装置，其可以有效求解噪声严重、相位梯度陡峭的包裹相位图。

根据本发明实施例的第一方面，提供一种基于复合神经网络的相位解包裹方法，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；

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；

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。

在一个实施例中，优选地，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。

在一个实施例中，优选地，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；