[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

说明书

本发明公开了一种基于深度学习的相位条纹图像散斑噪声抑制方法，包括以下步骤：S1，收集相位条纹图像数据集；S2，对训练集数据样本添加噪声等级随机的散斑噪声；S3，对添加噪声的训练集数据进行预处理；S4，将预处理的样本送入非对称融合非局部块结构；S5，对经过S4处理得到的结果输入FFDNet网络进行噪声抑制；S6，将S5得到的去噪结果送入边缘提取模块；S7，搭建网络模型，训练网络；S8，对测试集数据样本按照S2添加不同噪声等级的散斑噪声；S9，将S8得到的测试集样本送入S7训练的网络模型。该深度学习方法在不改变网络参数情况下，能够抑制不同噪声等级的散斑噪声，同时保留了图像的边缘细节信息。

技术领域

本发明属于光学检测和图像处理技术领域，特别涉及一种基于深度学习的相位条纹图像散斑噪声抑制方法。

技术背景

近年来，随着计算机特别是高分辨率电荷耦合器件(CCD)的发展，数字全息技术及其应用受到越来越多的青睐，它已被广泛应用于三维成像领域、粒子测量领域等。但是由于激光器的强相干性，光路会受到光学元件缺陷(如灰尘、气泡、伤痕、凹凸缺陷等)或浑浊介质等影响，引起数字全息技术所获得的相位图像出现光强随机涨落的散斑颗粒，即散斑噪声，掩盖了物体的部分细节特征，进而影响了重构图像的测量精度。

传统的散斑噪声抑制算法包括全变差正则化、随机重采样掩模、三维块匹配算法(BM3D)、傅里叶滤波(WFF)算法、小波阈值等方法。这些基于滤波器的图像处理方法在抑制散斑噪声的同时，都会不同程度模糊图像细节，并难以对较大噪声等级的散斑噪声进行抑制。而目前使用的深度学习网络去噪算法，比如Gan、ResNet、DNCNN等网络，在抑制噪声时只能对单一噪声等级的散斑图像进行训练，无法适用于不同噪声等级散斑图像的处理，而且也存在图像过度平滑的现象，丢失了图像的细节信息。

随着深度学习和图像处理的深度结合，基于深度学习的散斑噪声抑制方法得到了广泛的应用。在实际散斑噪声抑制过程中，由于产生散斑噪声的原因与环境不同，使得散斑噪声模型复杂，噪声等级不一，因此，通过现有的深度学习散斑噪声抑制方法无法同时抑制不同噪声等级的散斑。

发明内容

本发明为了解决上述问题，提出了一种基于深度学习的相位条纹图像散斑噪声抑制方法。首先，该方法对数据集进行预处理，提高了模型的泛化能力；其次，为了获取散斑噪声图像更多特征信息，将空间金字塔池化与非局部注意力机制融合集成非对称融合非局部块，捕获图像上两个不同像素点间的联系，使得每个位置的输出都结合了整个图像上所有位置的特征，得到全局信息；然后，将获得的全局信息输入到FFDNet网络中对不同噪声等级的散斑噪声图像进行训练，并在FFDNet网络的输出端添加了边缘提取模块，提取不同尺度上的特征信息进行融合得到边缘图；最后，将得到的边缘图反向传播到FFDNet网络，引导网络的噪声抑制过程，利于图像恢复更多的细节特征。该方法有效提高了不同噪声等级的散斑噪声抑制能力，同时更多地保留了图像的边缘细节特征。

为实现上述目的，本发明采用的技术方案如下：一种基于深度学习的相位条纹图像散斑噪声抑制方法，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；