基于卷积神经网络的包裹相位去噪方法、系统和存储介质

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，n

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

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；

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。

本申请所采用的第三技术方案是：

一种基于卷积神经网络的包裹相位去噪系统，包括：

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所述的基于卷积神经网络的包裹相位去噪方法。

本申请所采用的第四技术方案是：

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的基于卷积神经网络的包裹相位去噪方法。

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。相较于现有的包裹相位去噪方法，本申请的包裹相位去噪方法的去噪效率更高。

附图说明

图1为本申请实施例基于卷积神经网络的包裹相位去噪方法的流程图。

具体实施方式

以下将结合实施例和附图对本申请的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本申请的目的、方案和效果。

下面结合附图和具体实施例对本申请做进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。此外，对于以下实施例中所述的若干个，其表示为至少一个。

三维扫描应用中，有多种结构光重建的方案。条纹法是其中应用比较广泛的一类方法，尤其在追求高精度的工业应用中比较常见。条纹法通过投射一组时序变化的条纹图案来辅助完成立体匹配和视差计算或者深度的直接计算。根据不同的条纹图案，衍生出了一系列方法，如格雷码等二值编码方案、正弦条纹的相移法、格雷码+相移法和彩色条纹法等等。

相位法又叫相位测量轮廓术，其来自激光干涉计量领域。相位法通过采用正弦光栅投影和相移技术，利用多幅具有一定相位差的条纹图来计算相位，再对应计算出物体的高度。

求解相位的过程叫解相，当将正弦条纹图像投射到三维漫反射表面时，从相机中观测到的条纹图像如式(1)所示：

其中(x,y)是空间坐标，I

而大多数条纹解调技术的包裹相位函数计算如式(2)所示，：

其中A(x，y)和B(x,y)是记录强度的函数，但是由于反正切函数的作用，所获得的相位被包裹，即

在实际测量中，噪声是不可避免的，噪声会严重影响相位解包裹。通过行扫描相位解包裹进行解包裹，线扫描容易受到噪声的干扰，并且通常无法给出解包裹结果。然而，这种解包裹技术的简单性在理论上和实践上都是有吸引力的。因此，为了使简单的解包裹技术适用解包裹相位，对包裹相位进行去噪是必要的。

如图1所示，本申请实施例提供了一种基于卷积神经网络的包裹相位去噪方法，包括：

S110、根据相移步数采集若干条纹图像；

S120、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；

S130、将所述分母输入卷积神经网络中，获取分母噪声；

S140、将所述分母减去分母噪声获取除噪分母；

S150、将所述分子输入卷积神经网络中，获取分子噪声；

S160、将所述分子减去分子噪声获取除噪分子；

S170、根据所述除噪分母和所述除噪分子计算包裹相位。

在进行包裹相位去噪之前，需要先训练对应的卷积神经网络，用于后续的包裹相位的去噪。卷积神经网络的降噪架构是基于残差网络架构设计的，网络体系结构由三部分组成，分别是输入部分、非线性映射部分和输出部分。输入部分是大小为40×40像素的噪点图像，输出部分是估计的噪声。非线性映射部分由16个大小为3×3的滤波器的卷积层，7个ResNets和1个大小为1×1的滤波器的卷积层组成。每个ResNet具有3×3内核的4个残差块。同时，线性整流函数和批归一化层分别用于非线性映射和加速训练，线性整流函数为f(x)＝max(0，x)，通过加入线性整流函数可以实现非线性映射；批归一化是对每一批数据进行归一化，批归一化的数据是可以输入也可以是网络中间的某一层输出。在批归一化出现之前，归一化操作一般都在数据输入层，对输入的数据进行求均值以及求方差做归一化，但是批归一化的出现打破了这一个规定，使得可以在网络中任意一层进行归一化处理。预测噪声由1×1卷积层提取，首先增加内核数以提取更多特征，然后减少内核数以获取输出结果的单个通道。

用于训练网络的损失函数如式(4)所示：

其中，

可以采用自适应矩估计算法优化参数并最小化损失函数，自适应矩估计本质上是带有动量项的RMSprop，它利用梯度的一阶矩估计和二阶矩估计动态调整每个参数的学习率。自适应矩估计的优点主要在于经过偏置校正后，每一次迭代学习率都有个确定范围，使得参数比较平稳。例如：初始学习率设置为0.001，并且每5个周期自动乘以0.7倍，经过50个周期后训练完成，在装有

卷积神经网络需要训练数据集来训练网络，根据式(2)，分子可以指定为式(5)所示，分母可以指定为式(6)所示：

其中，b为幅度，幅度可以在50-120范围内选择，H(x，y)为实际的波前，λ为波长，波长可以选择632.8nm，n

波前是指波在介质中传播时，某时刻刚刚开始位移的质点构成的面。它代表某时刻波能量到达的空间位置，它是运动的。波前与射线成正交，因此，使用射线或波前来研究波是等效的。根据波前的形状一般可以把波分为球面波、平面波，柱面波等。

此外，波前H(x,y)由Zernike多项式表示，该多项式通常用于描述光学测试中的像差，H(x,y)的计算如式(7)所示：

其中，N是Zernike多项式的项数，η

卷积神经网络训练完成后，可以将等式(2)的分子A(x，y)和分母B(x，y)作为输入，一次输入一个，并输出相应的分母噪声nA(x，y)和分子噪声nB(x，y)。然后，可以通过从输入的有噪包裹相位中减去预测噪声来获得滤波后的除噪分子A(x，y)和除噪分母B(x，y)。最后，可以通过反正切函数获得滤波后的包裹相位。噪声导致许多错误的相位跳变，可以在成功消除包裹相位噪声后将其成功消除。

基于卷积神经网络的包裹相位去噪方法可以消除包裹相位中的严重噪声，在实验所用的网络中，可以成功消除高达-4dB的信噪比的噪声水平。训练完成的网络无需调整任何参数即可提供去噪结果。虽然已有方法也使用神经网络从噪声包裹相位估计干净包裹相位。但是，采样数据中的严重噪声会导致许多错误的相位跳变。如果在去噪过程中未处理这些错误的相位跳变，则去噪的结果无法正确的解包裹。与前述方法不同，本申请的方法对反正切函数的含噪分子和分母去噪，以获得去噪的分子和分母，随后使用反正切函数获得去噪的包裹相位。本申请的方法可以有效消除误跳的影响。

本申请实施例还提供了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；

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。

上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。

本申请实施例还提供了一种基于卷积神经网络的包裹相位去噪系统，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所述的基于卷积神经网络的包裹相位去噪方法。

上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。

此外，本申请实施例还提供了一种存储介质，其中存储有处理器可执行的指令，所述处理器可执行的指令在由处理器执行时用于执行上述方法实施例中任一个技术方案所述的一种交互信息处理方法步骤。对于所述存储介质，其可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。可见，上述方法实施例中的内容均适用于本存储介质实施例中，本存储介质实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。

应当认识到，本申请的实施例系统中所包含的层、模块、单元和/或平台等可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。

此外，本申请实施例系统中所包含的层、模块、单元和/或平台所对应执行的数据处理流程，其可按任何合适的顺序来执行，除非本文另外指示或以其他方式明显地与上下文矛盾。本申请实施例系统中所包含的层、模块、单元和/或平台所对应执行的数据处理流程可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。

进一步，所述系统可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本申请系统中所包含的层、模块、单元和/或平台所对应执行的数据处理流程可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、RAM、ROM等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本申请所述的方法和技术编程时，本申请还包括计算机本身。

以上所述，只是本申请的较佳实施例而已，本申请并不局限于上述实施方式，只要其以相同的手段达到本申请的技术效果，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请保护的范围之内。在本申请的保护范围内其技术方案和/或实施方式可以有各种不同的修改和变化。