[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

说明书

本发明是一种用于单帧随机相移干涉图的深度学习相位提取方法。本发明涉及数字全息术或干涉术技术领域，搭建同轴相移干涉系统；采集一系列样品随机相移干涉图；解调相位，获取样品真实相位解调图；裁剪后，构建由随机相移干涉图和真实相位解调图组成的样品数据集；设计基于深度学习的卷积神经网络相位提取框架；训练好的基于深度学习的卷积神经网络相位提取框架模型；恢复样品免解包相位信息。该方法优势在于，只需要输入单帧随机相移干涉图，可快速精确地输出对应的样品免解包相位。本发明相位提取速度快、精度高且无需相位解包裹，提高了相位成像效率，具有广泛的实用价值与应用前景。

技术领域

本发明涉及数字全息术或干涉术技术领域，是一种用于单帧随机相移干涉图的深度学习相位提取方法。

背景技术

数字全息术或干涉术在血细胞相位恢复、细胞体折射率分布测量、微纳器件3D形貌成像和微球表面缺陷检测等领域得到了广泛的应用研究。

在同轴相移干涉术或数字全息术中,由于其能充分利用CCD的分辨率和空间带宽，显著提高了相位成像的精确性。但是，如何高效快速地恢复相位一直是同轴相移干涉术或数字全息术领域研究的热点和关键问题。当前，有许多经典的相位恢复方法，例如二步相移方法、三步相移方法、四步标准相移方法、多步相移方法、最小二乘迭代法和主成分分析法等。上述相位恢复方法主要分为两类：一、相移是等间距且已知的；二、相移是未知的、任意的和随机的，具有广义特性。第一类相位恢复方法，如果相移出现误差，将会导致相位提取精度低且抗噪性差，可能会得不到满意的结果；第二类相位恢复方法，虽然对相移要求不高且可以是未知的，但是需要迭代运算且涉及处理的干涉图数量较多，导致相位提取速度慢。无论上述第一类还是第二类相位恢复方法，都需要采用相位解包裹技术，才能获得真实相位。当包裹相位存在奇点或含噪较大时，相位解包裹技术可能会比较耗时，甚至可能会失效，无法获得真实连续相位。在对现有相位恢复方法的总结中发现，现有方法存在受相移值精度影响较大、相位提取时间长、运算负担重、抗噪性低、相位恢复精度不高等问题，尤其是都需要涉及相位解包裹运算。

综上所述，针对现有相位恢复方法存在的缺点和问题作深入研究，以使相位恢复方法能够从较少数量干涉图中快速复原相位，实现高效相位成像。

发明内容

本发明为实现无需相位解缠，计算速度快，精确度高，只需单帧随机相移干涉图就可以直接提取样品免解包相位信息，节约处理时间，提高了相位显微成像效率，本发明提供了一种用于单帧随机相移干涉图的深度学习相位提取方法，本发明提供了以下技术方案：

一种用于单帧随机相移干涉图的深度学习相位提取方法，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。

优选地，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)：