[发明专利]基于深度学习的伽马非线性误差矫正方法

说明书

本发明公开为一种基于深度学习的伽马非线性误差矫正方法，其大致流程为：建立了一个基于卷积神经网络的模型；经训练后，得到计算相位的分子分母项；将这两项带入反正切函数计算得到物体的相位。本发明与与多步相移法相比，大量减少采图数量，减少采图耗时，减小计算量；与傅里叶变换等数学变换方式相比，没有大量且复杂的运算，计算成本低，速度快；与标定伽马值的方法比，无需标定等复杂操作。

技术领域

本发明涉及光学测量技术领域，具体涉及一种基于深度学习的伽马非线性误差矫正方法。

背景技术

条纹轮廓术作为一主要的非接触式光学测量方法被广泛应用于3D建模，工程实践，科教文卫等领域，条纹轮廓术中获取相位最主要的方法就是相移法，其中最主要就是N步相移法（文献“Automated phase-measuring profilometry of 3D diffuse objects”，作者Srinivasan V等）。基于相移法的条纹轮廓术对于物体相位测量的误差有主要来源有：相移误差、投影仪的伽马非线性误差、光源稳定性、震动误差和量化误差。因为条纹是由软件产生的，随着数字光栅显示技术的发展，商用数字光栅投影仪（DLP）可以做到消除相移误差；光源稳定性和震动误差也可以通过加固测量系统来解决；此时影响测量精度的主要因素就是投影仪的伽马非线性误差。

在过去几十年中，大量学者对矫正投影仪的伽马非线性误差做了大量工作，提出了众多不同的方法，主要分为通过数学变换和对伽马值进行标定两个方向。由于伽马非线性误差表现为一种高阶谐波，所以通过数学变换的手段，主要有利用傅里叶变换（文献“Afast and accurate gamma correction based on Fourier spectrum analysis fordigital fringe projection profilometry”，作者Ma S等），希尔伯特变换，小波变换等，但是存在数学计算复杂，计算量大的问题。对伽马值进行标定（文献“Phase errorcompensation for a 3-d shape measurement system based on the phase-shiftingmethod”，作者S.Zhang等）的方法计算量不大，但有时对于伽马值的标定操作较为复杂。除此之外，还有利用高步数相移法如8步，12步甚至20步相移法，这种方法需要大量采图，时间长，计算量大。因此，目前尚缺乏一种计算量小，速度快，操作简便的矫正伽马的方法。

发明内容

本发明的目的在于提供一种计算量小，速度快，操作简便的矫正伽马的方法，具体的是一种基于深度学习的伽马非线性误差矫正方法。

本发明的技术方案如下：一种基于深度学习的伽马非线性误差矫正方法，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；

步骤二．生成训练数据，训练模型，训练结束得到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。

优选的，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。

优选的，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。

优选的，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。