[发明专利]基于深度学习的伽马非线性误差矫正方法

权利要求书

1.一种基于深度学习的伽马非线性误差矫正方法，其特征在于，步骤如下：

步骤一．建立一个基于卷积神经网络的模型，其输入为三张高频三步相移条纹图像，输出为用于计算相位的分子分母项；

三张图像在模型中的处理过程为：分四路同时进行，在第一路依次经过卷积层一、池化层一、残差块一和卷积层二；在第二路依次经过卷积层三、池化层二、残差块二、上采样层一和卷积层四；在第三路依次经过卷积层五、池化层三、残差块三、上采样层二、上采样层三和卷积层六；在第四路依次经过卷积层七、池化层四、残差块四、上采样层四、上采样层五、上采样层六和卷积层八；最后四路结果通过连接层一汇集，一起经过卷积层九得到输出通道数为2的结果；其中第一通道是分子项，第二通道是分母项；每一路处理采用多规模降采样，第一路1倍降采样，第二路1/2降采样，第三路1/4降采样，第四路1/8降采样；

步骤二．采用N步相移法获取训练数据，N步相移中的每一幅条纹图作为模型的输入图像，N步相移法计算得到的相位的分子分母作为模型训练的标准值；利用均方误差作为损失函数，计算标准值与模型输出之间差异，结合反向传播算法，反复迭代优化模型的内部参数，直到损失函数收敛，模型训练，得到两个输出，即所需的计算相位的分子分母项；

步骤三．将分子分母项带入反正切函数计算得到物体的相位。

2.根据权利要求1所述的基于深度学习的伽马非线性误差矫正方法，其特征在于，模型中使用的卷积层六不设置任何激活函数，其余卷积层采用线性整流函数作为激活函数。

3.根据权利要求1所述的基于深度学习的伽马非线性误差矫正方法，其特征在于：步骤三中，反正切函数为，

其中φ为相位，(x,y)为图像坐标。