[发明专利]基于卷积神经网络的包裹相位去噪方法、系统和存储介质

权利要求书

1.一种基于卷积神经网络的包裹相位去噪方法，其特征在于，包括：

根据相移步数采集若干条纹图像；

根据所述条纹图像和所述相移步数，计算包裹相位的相位函数中反正切函数的分母和分子；

将所述分母输入卷积神经网络中，获取分母噪声；

将所述分母减去分母噪声获取除噪分母；

将所述分子输入卷积神经网络中，获取分子噪声；

将所述分子减去分子噪声获取除噪分子；

根据所述除噪分母和所述除噪分子计算包裹相位。

2.根据权利要求1所述的基于卷积神经网络的包裹相位去噪方法，其特征在于，所述卷积神经网络为残差网络。

3.根据权利要求1所述的基于卷积神经网络的包裹相位去噪方法，其特征在于，所述卷积神经网络的激活函数为线性整流函数。

4.根据权利要求1所述的基于卷积神经网络的包裹相位去噪方法，其特征在于，所述卷积神经网络的卷积层中设置有批归一化层。

5.根据权利要求1所述的基于卷积神经网络的包裹相位去噪方法，其特征在于，所述卷积神经网络采用自适应矩估计算法最小化损失函数。

6.根据权利要求1所述的基于卷积神经网络的包裹相位去噪方法，其特征在于，所述卷积神经网络的训练数据为A(x，y)和B(x，y)，A(x，y)和B(x，y)的计算公式如下：

其中，b为幅度，H(x,y)为实际的波前，λ为波长，n₁(x，y)和n₂(x，y)为高斯加性噪声，所述高斯加性噪声的均值为0。

7.根据权利要求6所述的基于卷积神经网络的包裹相位去噪方法，其特征在于，所述H(x,y)的计算公式如下：

其中，N是Zernike多项式的项数，η_n(x_k,y_k)为Zernike多项式，l_n为Zernike多项式的系数。

8.一种基于卷积神经网络的包裹相位去噪系统，其特征在于，包括：

图像采集模块，用于根据相移步数采集若干条纹图像；

相位提取模块，用于根据所述条纹图像和所述相移步数，计算包裹相位的相位函数中反正切函数的分母和分子；

分母计算模块，用于将所述分母输入卷积神经网络中，获取分母噪声，将所述分母减去分母噪声获取除噪分母；

分子计算模块，用于将所述分子输入卷积神经网络中，获取分子噪声，将所述分子减去分子噪声获取除噪分子；

相位计算模块，用于根据所述除噪分母和所述除噪分子计算包裹相位。

9.一种基于卷积神经网络的包裹相位去噪系统，其特征在于，包括：

至少一个处理器；

至少一个存储器，用于存储至少一个程序；

当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如权利要求1-7任一项所述的基于卷积神经网络的包裹相位去噪方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7任一项所述的基于卷积神经网络的包裹相位去噪方法。