[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

说明书

本申请公开了一种基于卷积神经网络的包裹相位去噪方法、系统和存储介质，所述方法包括：根据相移步数采集若干条纹图像；根据条纹图像和相移步数，计算包裹相位的相位函数中反正切函数的分母和分子；将分母输入卷积神经网络中，获取分母噪声；将分母减去分母噪声获取除噪分母；将分子输入卷积神经网络中，获取分子噪声；将分子减去分子噪声获取除噪分子；根据除噪分母和除噪分子计算包裹相位。本申请实施例通过卷积神经网络对含噪的包裹相位中反正切函数的含噪分子和含噪分母进行去噪，随后使用反正切函数获取去噪的包裹相位，本申请的包裹相位去噪方法的去噪效率更高。本申请可广泛应用于光学测量技术领域中。

技术领域

本申请涉及光学测量技术领域，尤其涉及一种基于卷积神经网络的包裹相位去噪方法、系统和存储介质。

背景技术

干涉测量法广泛用于形状、变形和反射率测量等，具有很高的测量精度。大多数干涉图分析方法会在–π和π之间产生包裹相位分布，因此需要相位解包裹来从包裹的相位重建真实相位。但是，包裹相位中的噪声是相位解包裹的障碍，尤其是对于简单的相位解包裹方法，因此有必要对包裹相位进行去噪。有效的包裹相位降噪方法包括正弦平均滤波器、余弦平均滤波器、模数2π滤波方法、开窗傅里叶脊算法、开窗傅里叶滤波算法和扩展的开窗傅里叶滤波算法。上述方法通常需要较高的计算成本，导致包裹相位去噪的效率较低。

发明内容

有鉴于此，本申请的目的是提供一种基于卷积神经网络的包裹相位去噪方法、系统和存储介质，以提高包裹相位去噪的效率。

本申请所采用的第一技术方案是：

一种基于卷积神经网络的包裹相位去噪方法，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。

进一步，所述卷积神经网络为残差网络。

进一步，所述卷积神经网络的激活函数为线性整流函数。

进一步，所述卷积神经网络的卷积层中设置有批归一化层。

进一步，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。

进一步，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。

进一步，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。

本申请所采用的第二技术方案是：

一种基于卷积神经网络的包裹相位去噪系统，包括：

图像采集模块，用于根据相移步数采集若干条纹图像；