[发明专利]一种基于深度学习的相位条纹图像散斑噪声抑制方法

权利要求书

1.一种基于深度学习的相位条纹图像散斑噪声抑制方法，其特征在于，包括以下步骤：

步骤S1，收集相位条纹图像数据集作为数据集样本，并对获得的数据集样本按照8:1:1的比例划分为训练集、验证集和测试集；

步骤S2，对经过步骤S1划分得到训练集添加不同等级的随机散斑噪声；

步骤S3，对经过步骤S2处理的训练集进行预处理；

步骤S4，将经过步骤S3预处理后的训练集输入非对称融合非局部块结构，将噪声图像的信息与全局信息相结合；

步骤S5，将经过步骤S4处理得到的结果输入到FFDNet网络；

步骤S6，将经过步骤S5得到的去噪结果输入边缘提取模块，提取相位条纹图像的边缘细节特征，将边缘细节特征反向传播到FFDNet网络中，使得网络保留更多的边缘细节特征；

步骤S7，搭建相位条纹图像的散斑噪声抑制网络模型，利用不同噪声等级的相位条纹图像训练网络；

步骤S8，对经过步骤S1划分得到的测试集按照步骤S2所述方法添加不同噪声等级的散斑噪声，并按照步骤S3所述方法进行归一化处理；

步骤S9，将步骤S8得到的测试集送入步骤S7训练得到的网络模型中，获得散斑噪声抑制结果。

2.根据权利要求1所述的一种基于深度学习的相位条纹图像散斑噪声抑制方法，其特征在于，所述步骤S1具体包括：

步骤S101，收集相位条纹图像数据集，构成改进的FFDNet网络模型所需的无噪声图像数据，作为数据集样本，图像尺寸大小统一为1024×1024像素；

步骤S102，数据划分，将数据集样本按照8:1:1的比例划分为训练集、验证集和测试集三个部分；其中，训练集用于模型拟合数据样本，在训练过程中对训练误差进行梯度下降和权重参数的训练；验证集用于调整模型的超参数和初步评估模型能力；测试集用来评估最终模型的泛化能力。

3.根据权利要求1所述的一种基于深度学习的相位条纹图像散斑噪声抑制方法，其特征在于，所述步骤S2具体包括：

将训练集中的相位条纹图像添加服从瑞利分布的乘性分量与高斯分布的加性分量的散斑噪声，作为训练模型所需的噪声模型；噪声模型可表示为：

n＝R(x)+N(0,δ²) (1)

式(1)中，n为添加散斑噪声后的图像；x为无噪声图像；R(x)为带有尺寸参数的瑞利分布；N(0,δ²)为期望值为0、方差为δ²的高斯分布；不同的标准差δ决定不同等级的噪声，将噪声等级设置为[0,75]，最终形成与原始相位条纹图像对应的噪声等级为[0,75]的噪声图像。

4.根据权利要求1所述的一种基于深度学习的相位条纹图像散斑噪声抑制方法，其特征在于，所述步骤S3具体包括：

步骤S301，对每条数据进行线性函数归一化操作，公式为：

式(2)中，p'为归一化后的像素值；p为原始像素值；min(p)为样本数据中的最小像素值；max(p)为样本数据中的最大像素值；

步骤S302，将训练图像随机裁剪成尺寸大小为160×160像素的图像块，并将其通过旋转进行数据增强，可以扩充图像数据和增强模型稳定性，同时提升网络的计算效率；数据增强方法如下：

旋转90：将图像块逆时针旋转90°；

旋转180：将图像块逆时针旋转180°；

旋转270：将图像块逆时针旋转270°；

翻转：将图像块沿x轴上下翻转；

翻转：将图像块逆时针旋转90°，再上下翻转；

翻转：将图像块逆时针旋转180°，再上下翻转；

翻转：将图像块逆时针旋转270°，再上下翻转；

步骤S303，将经过步骤S302处理的无噪声相位条纹图像块与相应位置上含有散斑噪声的相位条纹图像块组成训练图像对。