基于生成对抗网络的白光干涉端面复原欠采样解决方法

技术领域

本发明涉及白光干涉图像与图像处理技术的高精度端面检测技术领域，尤其涉及一种MPO光纤连接器端面复原的欠采样情况图像处理技术。

背景技术

白光干涉：单色光只有单一波长，而白光是多种单色光的混合，其光谱成分从380纳米到780纳米，涵盖了整个可见光光谱范围，因此，白光发生干涉的情况可以看成是各个波长的单色光同时发生的干涉。白光干涉中，多个波长的光波都发生干涉并互相叠加，最终的干涉信号呈现一个由高斯函数包络的、固定周期的三角余弦函数，其条纹产生范围取决于光源的相干长度。

GAN：生成式对抗网络模型的基本架构由两个神经网络组成，分别称为生成器和判别器，它们在对抗的过程中同时训练.生成器的目的是生成一个新的合成样本，目的是让判别器将样本误判为真实样本，二者是相互对立的两个神经网络，生成器生成数据交给判别器之后，判别器在识别的过程中经过迭代更新，使神经网络的参数进行更新，识别能力更强，生成器的数据被判别器否认之后，经过神经网络的参数重新更新，生成数据的能力也将变得更强。在某一个时段，两个神经网络将达到纳什平衡(Nash equilibrium)，从而使得生成器和判别器各自的损失函数达到最小。

WGAN：wasserstein GAN。WGAN网络意为使用wasserstein距离去衡量生成数据分布和真实数据分布之间的距离。该网络将GAN中的KL散度或者JS散度替换成了wasserstein(EM)度量方式。wasserstein度量用来衡量两种分布之间的距离。WGAN在GAN的基础上做了一些改变，分别是WGAN的生成器和判别器的损失函数都不存在log、WGAN的判别器的输出层没有sigmoid函数、将梯度下降方法修改为RMSProp方法等。

发明内容

本发明的目的在于为白光干涉高精度检测领域，提供一种能够面对高精度元件进行图像处理时欠采样状况，并且能够消除部分噪声的思路方法。

为了实现上述目的，本发明采用如下技术方案：

一种基于干涉图像包络线欠采样的GAN网络数据填充方法，所述方法基于白光干涉欠采样图像进行WGAN网络数据填充实现，包括如下步骤：

S1、数据采集：使用CCD相机采集MPO光纤连接器在白光干涉的情况下所呈现的100幅干涉图像。将100张图片的同一位置的像素点提取出来，组成一个数组，称为干涉曲线。

S2、数据预处理：提取干涉曲线前20％的点，并判断、提取峰值，判断曲线是否存在异常状况，如果曲线存在异常状况，则标记干涉曲线为异常点。

S3、数据生成：利用已经训练好的生成式对抗网络，修复填充欠采样的两种干涉曲线，从而使得生成数据后的干涉曲线具备和正常点或噪声点的干涉曲线具有同种概率分布。

S4、性能测试：提取两种填充数据后的干涉曲线的峰值点，并使用高斯函数或者希尔伯特变换其他数学方法对峰值点进行处理，得到包络线，将包络线的最高点进行处理可得到该像素点的相对高度。

WGAN以GAN网络作为基础，使用wasserstein距离

替代KL散度和JS散度作为度量方式，加入1-lipstchitz条件

‖f(x

作为WGAN网络梯度函数的限制，从而保证网络能够保持正常的梯度优化。与原始GAN网络相比，WGAN网络经过推导后的代价函数并不存在log对数。对于判别器而言，去除了判别器最终的输出层的sigmoid激活函数，因为WGAN的目的是为了测量生成数据分布和真实数据分布之间的距离，判别器的本质变成了距离的评估者，而不是原始GAN网络中的二分类问题。并且在权重更新的时候，由于1-lipschitz条件的约束，所以加上权值裁剪，保证网络参数能保持在一定的范围内。将Adam等梯度下降方法更改成RMSProp方法，可有效避免不稳定问题的发生。

本方法提供一种基于干涉图像包络线欠采样的WGAN网络数据填充方法,利用WGAN网络对高精度元器件欠采样的情况进行数据插入处理，该方法面对白光干涉情况时提取峰值点时进行高斯拟合时，能够更好地将局部范围内拟合出的最高点平稳处理，并且在此过程中也会对噪声点进行处理，使得滤波过程中能够更好地辨认出噪声点，提高整体过程运算速度。

与高斯拟合等方法对干涉图像进行拟合，再进行滤波的往常方法相比，使用WGAN网络对欠采样的干涉曲线进行预处理的方式，既能保证高斯拟合的参数在一定范围内的稳定，使得复原出来的高度矩阵在应该局部平整的地方相对平滑，也能减少滤波过程中的重复性工作。

该方法并不能辨识出正常像素点和噪声像素点之间的差距，只能在面对少样本情况下的将数据填充更加的完善。

附图说明

图1为本发明的流程图。

图2为干涉数据形成的图像。

图3为极大值位置没有出现的异常图像。

具体实施方式

下面将结合本发明实施例中的附图，对发明实施例中的技术方案进行清楚完整的描述，所描述的实施例仅仅是本发明一部分实施例，而不是全部实施例。

本发明提供一种基于生成式对抗网络面对高精度元件进行图像处理时欠采样状况解决方法。如图1所示，其包括如下步骤。

S1、由机器对MPO光纤连接器进行白光干涉后，产生明暗相间的白光干涉条纹，PZT控制仪驱动工作平台以固定的步距从左到右的移动，搭载之上的CCD相机采集欠采样样本，一共125张图片，照片像素为564*1344，格式为bmp格式。由于发生了白光干涉，并且CCD相机是按照固定步距进行移动拍照，对应的光程差也在不断的进行变化，对这125张图片的同一个像素点，例如每张图片坐标为(1，1)的像素点按照拍摄时间进行提取、排列，得到灰度值即为干涉数据，图2为干涉数据形成的图像。

S2、提取干涉数据的前20％数据的极大值位置与正常方程计算出来的极大值位置进行差值计算，得到的差值为D

D

仿真白光干涉方程，设背景光强为I

一旦前20％的数据极大值位置没有出现，即判断为异常数据，并将欠采样的数据每隔一个数据就删减一个数据，删减后的数据位置不变。

S3、将删减后的数据输入已经训练好的WGAN网络进行插值处理，填补删除数据后的空隙，可生成数据量为300并且数据分布与正常数据相同的干涉数据。

S4、使用生成后的数据进行高斯拟合、相位法、希尔伯特变换、傅里叶变换等方法找到最高点，将最高点进行计算处理，可得到该像素点的相对高度。

S5、使用新生成的数据与对应位置的正常数据进行插值计算，可得到两种数据之间的距离，并且使用新生成数据计算得出的相对高度与正常数据计算得出的相对高度进行差值，以此两种计算得出的值来评价该算法的优劣。

需要说明的是：

S1步骤中的正常干涉数据图像曲线特征为两边对称，中间具有明显的凸起趋势且像素值波动性比较大，而有些正常的数据曲线，在该突起的极大值位置却没有凸起，图3为极大值位置没有出现的图像，可能是因为CCD相机的镜头问题等导致了曲线极大值位置没有出现。

图片一共有758016像素，欠采样后有125张图像，即为数据矩阵维度为758016*125，所以S2步骤只对前20％的图像进行计算从而判断处理，将矩阵维度降为758016*25，可在一定程度上减少计算时间。删减数据是为了平均的删减掉异常数据点，再将删减后数据点放入WGAN网络中得到新生成的数据不会对未删减的数据进行修改，但新生成的数据能更加的平滑。

该方法在数据拟合的时候能更好的贴近高斯分布，而没有经过数据处理的数据，在高斯拟合的时候，极大值点没有出现或出现异常会导致拟合出来的高斯函数方程参数出现扰动，从而影响最高点的计算，导致相对高度值的计算被影响，一旦被影响，那么MPO光纤连接器最终复原的端面图像在该平滑的情况下，出现高度值差异，即该像素点的高度值与附近范围的的高度值不连续。

S3步骤中WGAN网络的训练经过了大量删减过后的数据输入作为真实样本分布，输入到WGAN当中。首先当生成器的损失函数没有收敛的时候，开始对判别器开始进行参数更新迭代的循环过程，从真实数据分布{x

随后使用RMSProp方法进行梯度下降，

w←w+α·RMSProp(w，g

因为使用了1-lipschitz条件对生成器进行约束，保证梯度变化不会过大，从而使得网络能够保持正常的梯度优化，从而使用而权值裁剪(weight clipping)的方法，在更新权值的时候，是的网络中的函数满足1-lipschitz条件约束，(-c，c)表示权值裁剪的范围，

w←clip(w，-c，c)

进行完上述步骤后，结束判别器参数的迭代更新，接下来进行生成器的参数更新迭代。对于判别器会训练k次来更新参数，而生成器在每次迭代中仅更新一次，判别器的犬只更新完毕后，对生成器进行权值更新，从生成器前置的随机分布

θ←θ-α·RMSProp(θ，g

上述步骤结束后，结束生成器的参数迭代更新循环。S3步骤中，判别为异常的数据，并进行过删减，删减过后的干涉数据作为WGAN网络的输入，输出为数量为300的干涉数据。

S3步骤结束后，生成了新的干涉数据，再对干涉数据进行拟合等方法找到最大值，随后可得到相对高度值。

以上所述的具体实施方法对本发明的技术方案进行了大致说明，应理解的是以上所述仅为本发明的最优实施例，并不用于局限本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换等，均应包含在本发明的保护范围之内。