[发明专利]基于深度学习的闭合条纹兼容单幅干涉图解相方法及装置

权利要求书

1.基于深度学习的闭合条纹兼容单幅干涉图解相方法，其包括以下步骤：

(1)干涉图预处理，对输入的干涉图进行灰度范围归一化，得到归一化干涉图；

(2)建立神经网络，通过神经网络获取归一化干涉图的包裹相位；

(3)对包裹相位进行相位解包裹，获取干涉图的绝对相位；

其中步骤(2)包括以下分步骤：

(2.1)建立如下所述结构的神经网络：归一化干涉图是神经网络的输入，神经网络包括：二维卷积层Conv2D、密集区块DenseBlock、平均池化层AvgPool、上采样层UpSample、连接层Concat、固定层Clamp；

(2.2)使用数据集对神经网络进行训练，或加载训练好的网络参数，令神经网络达到可用状态；

(2.3)将归一化干涉图输入神经网络，神经网络输出包裹相位；所述步骤(1)中，根据公式(1)得到归一化干涉图

其中I为输入的干涉图，max(I)为干涉图像素灰度的最大值，min(I)为干涉图像素灰度的最小值，I_norm为归一化干涉图；

其特征在于：所述步骤(2.1)中，D1L1为归一化干涉图，是神经网络的输入，D1L1通过一个二维卷积层Conv2D得到D1L2，D1L2通过一个密集区块DenseBlock得到D1L3，D1L3通过一个平均池化层AvgPool得到D2L1，D2L1通过一个密集区块DenseBlock得到D2L2，D2L2通过一个平均池化层AvgPool得到D3L1，D3L1通过一个密集区块DenseBlock得到D3L2，D3L2通过一个平均池化层AvgPool得到D4L1，D4L1通过一个密集区块DenseBlock得到D4R1；D4R1通过一个上采样层UpSample后，与D3L2通过一个连接层Concat合并得到D3R1；D3R1通过一个二维卷积层Conv2D得到D3R2，D3R2通过一个密集区块DenseBlock得到D3R3；D3R3通过一个上采样层UpSample后，与D2L2通过一个连接层Concat合并得到D2R1；D2R1通过一个二维卷积层Conv2D得到D2R2，D2R2通过一个密集区块DenseBlock得到D2R3；D2R3通过一个上采样层UpSample后，与D1L3通过一个连接层Concat合并得到D1R1；D1R1通过一个二维卷积层Conv2D得到D1R2，D1R2通过一个密集区块DenseBlock得到D1R3，D1R3通过一个二维卷积层Conv2D得到D1R4，D1R4通过一个密集区块DenseBlock得到D1R5，D1R5通过一个二维卷积层Conv2D得到D1R6，D1R6通过一个固定层Clamp得到D1R7，D1R7为神经网络输出的包裹相位。

2.根据权利要求1所述的基于深度学习的闭合条纹兼容单幅干涉图解相方法，其特征在于：所述步骤(3)中，使用Miguel ArevalliloHerraez提出的快速二维相位解包裹方法对神经网络输出的包裹相位进行解包裹操作，得到干涉图的绝对相位。

3.根据权利要求1所述的方法的基于深度学习的闭合条纹兼容单幅干涉图解相装置，其特征在于：其包括：

预处理模块，其配置来对输入的干涉图进行灰度范围归一化，得到归一化干涉图；

神经网络构建模块，其配置来建立神经网络，通过神经网络获取归一化干涉图的包裹相位；

解包裹模块，其配置来对包裹相位进行相位解包裹，获取干涉图的绝对相位；

其中神经网络构建模块执行以下步骤：

(2.1)建立如下所述结构的神经网络：归一化干涉图是神经网络的输入，神经网络包括：二维卷积层Conv2D、密集区块DenseBlock、平均池化层AvgPool、上采样层UpSample、连接层Concat、固定层Clamp；

(2.2)使用数据集对神经网络进行训练，或加载训练好的网络参数，令神经网络达到可用状态；

(2.3)将归一化干涉图输入神经网络，神经网络输出包裹相位。