[发明专利]一种用于单帧随机相移干涉图的深度学习相位提取方法

权利要求书

1.一种用于单帧随机相移干涉图的深度学习相位提取方法，其特征是：包括以下步骤：

步骤1：基于典型马赫-曾德尔干涉光路，搭建同轴相移干涉系统，利用移相器随机改变参考光的相移，形成随机相移的干涉图；

步骤2：根据随机相移的干涉图，获取样品随机相移干涉图；

步骤3：根据样品随机相移干涉图，解调相位，获取样品真实相位解调图，将样品真实相位解调图作为监督训练标签数据；

步骤4：对样品随机相移干涉图和样品真实相位解调图进行裁剪，构建由样品随机相移干涉图和真实相位解调图组成的样品数据集；

步骤5：基于U-Net网络，构建基于深度学习的卷积神经网络相位提取框架；

步骤6：根据由样品随机相移干涉图和真实相位解调图组成的样品数据集，对基于深度学习的卷积神经网络相位提取框架进行训练，直至满足预设迭代训练次数或者预设误差精度，结束训练；

步骤7：将单帧随机相移干涉图输入到训练好的基于深度学习的卷积神经网络相位提取框架中，输出样品免解包相位。

2.根据权利要求1所述的一种用于单帧随机相移干涉图的深度学习相位提取方法，其特征是：所述步骤2中根据随机相移的干涉图，获取样品随机相移干涉图，通过下式表示第k帧样品随机相移干涉图I_k(x,y)：

I_k(x,y)＝a(x,y)+b(x,y)cos[φ(x,y)+δ_k]+η(x,y)，k＝0,1,2,…,K

其中，x和y分别为空间坐标，a(x,y)为背景强度项，b(x,y)为调制幅值，φ(x,y)表示待测样品相位，δ_k为随机相移，η(x,y)为噪声，K为同轴相移干涉图总数。

3.根据权利要求1所述的一种用于单帧随机相移干涉图的深度学习相位提取方法，其特征是：采用四步标准相移方法、最小二乘迭代法或主成分分析法对步骤3中的样品随机相移干涉图解调相位，获取样品真实相位解调图。

4.根据权利要求1所述的一种用于单帧随机相移干涉图的深度学习相位提取方法，其特征是：对样品随机相移干涉图和样品真实相位解调图进行裁剪为512×512大小的像素尺寸的图像。

5.根据权利要求1所述的一种用于单帧随机相移干涉图的深度学习相位提取方法，其特征是：所述步骤5具体为：包括以下步骤：

步骤5.1：基于U-Net网络，构建基于深度学习的卷积神经网络相位提取框架，所述框架由输入层、压缩路径、扩展路径和输出层组成；设置所述输入层的图像的特征通道数为1，大小为512×512像素尺寸；

设置所述压缩路径共6层，每层由2个连续相同卷积操作组成，所述卷积操作由3×3的卷积核、批量归一化BN和线性整流函数ReLU组成，后接1个2×2的最大池化操作输入下一层；

设置所述扩展路径共6层，每层由来自下层的1个2×2的反向卷积操作和来自同层压缩路径的复制特征图像跳跃连接而成，以及2个连续相同卷积操作组成；

设置所述输出层图像的特征通道数为1，大小为512×512像素尺寸；

步骤5.2：根据基于深度学习的卷积神经网络相位提取框架，选取均方误差作为损失函数，通过下式表示所示损失函数MSE：

其中，M和N分别为相位图像大小，φ′_k为第k帧随机相移干涉图恢复相位，φ_k为第k帧随机相移干涉图对应真实相位，W₁为批处理大小；

步骤5.3：在基于深度学习的卷积神经网络相位提取框架中，设置静态和动态网络训练初始参数，给定学习率，预设迭代训练次数和误差精度。

6.根据权利要求5所述的一种用于单帧随机相移干涉图的深度学习相位提取方法，其特征是：在所述压缩路径中，每层卷积块的特征通道数分别为16、32、64、128、256和512，图像大小分别为512×512、256×256、128×128、64×64、32×32和16×16。