基于卷积神经网络的相移干涉图相移值估计方法及系统

技术领域

本发明涉及干涉相移技术领域，尤其涉及基于卷积神经网络的相移干涉图相移值估计方法及系统。

背景技术

在光学干涉测量技术中，相位信息的精确提取至关重要，相移法是干涉测量中一种常用且有效的相位提取方法，其通过记录的多帧干涉图来实现高精度相位恢复；基于相移法的相位提取方法有已知步长相移法、未知步长但有规律相移法、随机步长相移法等。在已知步长相移法中，准确移相至关重要。最小二乘法为已知步长相移算法，其需要准确的相移值才能有效提取相位；然而，由于环境扰动等因素，容易产生相移误差；此外，多数两步随机相移算法在提取相位时，需要预先知道相移值才能恢复相位；因此，如何准确、高效地估计相移值至关重要。

目前，两步随机相移法通常需提取相移值过程，相移值提取方法有Kreis算法、极值干涉(EVI)法、Gram-Schmidt(GS)正交归一化法、相位步长校准算法(PSC)等；Kreis算法可用于干涉图中相移值提取，其基于干涉图的频谱分析；Kreis算法能够提取较小的相移值，但是抗噪声能力较差；EVI通过干涉图中的干涉极值与另一干涉图中相应位置的强度比来确定相移值；相位步长校准算法(PSC)是一种用于校准两幅干涉图的相位步数算法，主要是基于计算两幅图的相关系数；GS正交归一化方法通过从两帧干涉图中确定正交归一化干涉图基；由于受噪声干扰等因素，多数方法需在干涉图去噪后才能实现高精度地相移值提取；此外，先进迭代算法(AIA)能够从三帧干涉图中提取相移值和相位，但需迭代计算而导致计算速度过慢。

发明内容

针对现有方法的不足，本发明将卷积神经网络方法应用于两帧干涉图相值的提取；相比传统方法，卷积神经网络的方法无需复杂的计算流程和具有较好的泛化能力，对高噪声具有鲁棒性、复杂干涉图情况下准确预测相移值。

本发明所采用的技术方案是：基于卷积神经网络的相移干涉图相移值估计方法及系统包括以下步骤：

步骤一、利用Zernike多项式表示相位分布，依据干涉理论模型生成初始干涉图；

步骤二、将干涉图添加随机相移值来模拟相移干涉图，从而生成两帧相移干涉图；

进一步的，生成的干涉图数学模型为：

式中，k为干涉图帧数；a(x,y)为背景光强；b(x,y)为对比度；

进一步的，初始干涉图的相移值为0，相移干涉图的相移值为0到π。

步骤三、构建基于卷积神经网络的相移值估计框架；

进一步的，将初始干涉图和相移干涉图作为卷积神经网络的输入，相移值为输出。

进一步的，卷积神经网络包括：相同结构的第一分支网络和第二分支网络，第一分支网络包括：3层3×3卷积，在每个卷积层后使用激活函数对图像进行特征提取，并通过1层1×1卷积层输出特征图，两个分支网络的单通道特征图拼接为二通道特征图；二通道特征图经过1×1卷积层信息提取，再经展平层后的特征向量传递给全连接层进行映射。

步骤四、训练神经网络模型，预测干涉图相移值。

进一步的，将两帧干涉图输入到神经网络框架中，通过计算，输出预估节点。

进一步的，采用MAE损失函数来衡量预估相移值与真实相移值之间的差异，利用Adam优化器找到使损失函数最小下的权重和偏执。

进一步的，MAE损失函数的公式为：

式中，d

进一步的，设置迭代次数，执行前向传播、损失计算、反向传播和参数更新过程；每次迭代会对整个训练数据进行一次训练；最后，得到被训练的模型。

进一步的，基于卷积神经网络的相移干涉图相移值估计系统，包括：存储器，用于存储可由处理器执行的指令；处理器，用于执行指令以实现基于卷积神经网络的相移干涉图相移值估计方法。

本发明的有益效果：

1、对相移值的估计准确性高；抗噪声能力强；计算速度快；为端到端的处理；利用神经网络模型进行干涉图特征提取，有效地捕捉干涉图中的复杂特征，提高了相移值的估计准确性。

附图说明

图1是本发明的基于卷积神经网络的相移干涉图相移值估计方法及系统流程图；

图2是本发明的神经网络模型结构图；

图3是本发明的神经网络模型的训练阶段示意图；

图4是本发明的神经网络模型的测试阶段示意图；

图5(a)、图5(b)分别为第一组测试初始干涉图和相移干涉图；

图6(a)、图5(b)分别为第二组测试初始干涉图和相移干涉图；

图7(a)、图5(b)分别为第三组测试初始干涉图和相移干涉图；

图8(a)、图5(b)分别为第四组测试初始干涉图和相移干涉图；

图9(a)、图5(b)分别为第五组测试初始干涉图和相移干涉图。

具体实施方式

下面结合附图和实施例对本发明作进一步说明，此图为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。

如图1所示，一种基于卷积神经网络的相移干涉图相移值估计方法，包括以下步骤：

通过Zernike多项式进行相位分布生成，其采用仿真方式实现；基于干涉理论模型生成干涉图，并引入随机相移值(取值范围为0-π)，模拟不同分布的相移干涉图，使其更符合实际测量数据；将生成的两帧相移干涉图以及对应的相移值作为训练数据集，通过建立基于卷积神经网络的相移值估计模型，设置损失函数、学习率和优化器等，以便对网络进行训练；在网络训练过程中，通过计算损失函数来衡量预测相移值与真实相移值之间的误差，优化器被用于寻找使得损失函数最小下的权重和偏重，找到最佳的模型；经过训练后，该模型能够对输入的两帧噪声相移干涉图直接预测出相移值。

步骤一、基于Zernike多项式以及干涉理论模型的干涉图生成；

具体地，初始干涉图数学模型表达如下：

式中，a(x,y)为初始干涉图的背景光强，令a(x,y)＝0.5；b(x,y)为对比度，令b(x,y)＝0.3；

步骤二、初始干涉图加以随机相移值(范围为0-π)，从而生成相移干涉图。

具体地，第二帧相移干涉图数学模型表达如下：

式中，a(x,y)为相移干涉图的背景光强，令a(x,y)＝0.5；b(x,y)为对比度，令b(x,y)＝0.3；

上述初始干涉图和相移干涉图中，涉及的Zernike多项式可以表示光学像差、理论波面以及拟合波面；生成仿真干涉图的过程涉及到使用Zernike多项式来模拟不同像差效应，将其叠加在一起以生成相位分布，进而形成两帧干涉图。

基于Zernike多项式的相位表示数学模型如下：

式中，

步骤三、准备数据集；

具体内容如下：

将模拟的两帧相移干涉图分为训练集和测试集，相移干涉图的相移值作为标签，并且与两帧相移干涉图一一对应。

在生成训练数据时，利用Zernike多项式的前十项生成相位，满足训练数据的多样性；添加不同信噪比(15-60dB)的随机噪声，尽可能接近真实采集的干涉图。

需注意的是，本发明方法适用于相移值变化范围为0至π的两帧干涉图的处理。

步骤四、构建基于卷积神经网络的相移值估计框架。

神经网络的输入数据是两帧在一定范围内的随机值干涉图；这两组干涉图分别输入到两个多层卷积层的支路中。

第一个支路的网络结构包括3层卷积层(3×3)，每个卷积层后使用激活函数，用于对干涉图进行特征提取；接着，通过设置1层卷积层(1×1)输出特征图。

同样地，第二个支路的结构包括3层卷积层(3×3)，每个卷积层后使用激活函数，用于对干涉图进行特征提取。接着，通过设置1层卷积层(1×1)输出特征图。

两个支路分别输出单通道的128×128像素的特征图；然后，采用拼接方法将这两个特征图拼接在一起，生成两通道特征图；最后经过卷积层(1×1)进行信息提取后，传递给全连接层进行映射，最终输出预估结果。

神经网络通过多层卷积层和拼接方法，将两个干涉图提取特征并结合，得到一个更丰富的特征信息图，最后是采用全连接层进行映射，得出最终预估结果。

步骤五、训练基于卷积神经网络的相移值估计模型。

具体内容如下：

首先，将训练集输入神经网络框架中，数据通过卷积层和激活函数逐层计算，生成预测输出，这些预测输出与标签进行比较，使用MAE损失函数来度量预测值与真实值之间的差异。

设置学习率为0.0001，使用Adam优化算法找到使得损失函数最小下的权重和偏执。

设定迭代次数为70次，在每次迭代中，执行以下步骤：首先进行前向传播，将训练数据输入模型，计算预测输出；然后，计算损失函数，衡量预测值与真实值之间的差异；接下来，进行反向传播，计算损失函数对模型参数的梯度；最后，使用Adam优化算法根据梯度信息更新卷积神经网络模型的权重和偏置。

重复执行直到达到预定的迭代次数，每次迭代都会对整个训练数据集进行一次训练，以逐渐优化模型的性能；最终，经过70次迭代训练，得到相移值估计模型，其能够对输入数据进行预测。

具体流程如下：

数据读取：将准备的数据(干涉图和相移值)加载。

模型定义：定义网络架构，定义权重初始化函数。

损失和优化器：脚本为训练模型定义损失函数(MAE)和优化器(Adam)。通过设置损失函数，计算绝对值的平均值来衡量预估相移值与真实相移值(标签)之间的差异，数学模型表达如下：

式中，d

采用Adam优化器调整神经网络的参数至最优状态，在指定的轮次上调整学习率，优化器使用新的学习率进行更新，以最小化损失函数；MAE损失函数和Adam优化器在神经网络的训练过程中是关键的组成部分，通过反向传播和梯度下降法来更新模型参数，使得预估值与标准值之间的损失最小化，从而提高网络性能。

训练循环：在一定数量的轮次内迭代数据集。在每个轮次内，遍历数据批次，进行训练循环。

保存模型：每个轮次结束后，将训练后的模型文件保存到指定的文件夹中。

测试模型；

用模拟的新数据为测试集，将测试数据集输入神经网络模型，输出预估相移值；对比预估相移值与真实相移值，从而进一步评估模型。

具体流程如下：

加载预训练模型，使用训练的第70个模型加载到测试中。

将训练好的神经网络模型中输入测试数据集即可获取相移值，将最终的测试结果(预估相移值)与实际值(真实相移值)进行对比与评估；理论上，真实相移值与预估相移值近似，且具有极小的差值。通过计算两者差值，评估网络模型的性能；最后，在测试结果中选取了5组数据，信噪比分别为15dB、15dB、20dB、20dB和30dB；如图5-9为测试干涉图，测试结果比对如表1所示。

表1测试结果

根据上述测试结果，真实相移值和预估相移值的差值极小，即神经网络模型的拟合效果好，本发明测试结果在理想预期之内。

以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。