[发明专利]一种基于PhaseUnet++网络的高精度相位解调方法

权利要求书

1.一种基于PhaseUnet++网络的高精度相位解调方法，其特征在于：包括以下步骤

步骤一：首先使用泽尼克(Zernike)多项式产生无包裹相位分布φ，然后生成对应的训练数据对，最后生成对应的训练数据，测试数据以及验证数据；

步骤二：卷积神经网络的构建和训练:

(2.1)设计PhaseUnet++神经网络，包括：残差连接块ResBlock、卷积层Conv2D、归一化层BatchNorm2d、激活层ReLU、池化层MaxPool2d、反卷积层ConvTranspose2d、连接层Concat、Dropout层和clamp层；

(2.2)使用数据集(I_cos、I_sac和II_sin)对PhaseUnet++神经网络进行训练，直到损失函数不再下降并保持稳定后训练完成，得到网络各层的权重值；

步骤三：把实际测量得到的余弦干涉图归一化得到I_cos，把I_cos和辅助图I_sac输入训练好的神经网络PhaseUnet++，输出归一化的正弦干涉图I_sin；

步骤四：通过反正切公式计算得到包裹相位分布随后，利用传统的解包裹技术进行相位解包裹，最终得到无包裹相位分布φ(x,y)。

2.根据权利要求1所述的一种基于PhaseUnet++网络的高精度相位解调方法，其特征在于：所述步骤(2.1)中，每一个ResBlock卷积块X_i.j(i,j＝0,1,2,…)都是将输入进行卷积，然后通过归一化层BatchNorm2d和激活层ReLU，再经过卷积，通过归一化层BatchNorm2d，和输入通过Concat层相加，最终通过激活层ReLU后输出。

3.根据权利要求1或2所述的一种基于PhaseUnet++网络的高精度相位解调方法，其特征在于：所述步骤(2.1)中，输入的I_cos和I_sac图分别通过一个ResBlock块得到X_cos和X_sac，然后通过concat层得到X_0.0，将X_0.0作为网络的输入；X_0.0通过MaxPool2d层得到X_1.0，X_1.0通过ConvTranspose2d层上采样后和X_0.0通过concat层按通道(channel)维度进行拼接得到X_0.1，其他层的结构依次类推。

4.根据权利要求3所述的一种基于PhaseUnet++网络的高精度相位解调方法，其特征在于：所述网络中，每一层的ResBlock卷积块的输入都由相同层中的所有前置ResBlock卷积块的输出和左下角ResBlock卷积块的输出通过concat层按通道(channel)维度进行拼接得到。