一种基叶贝斯神经网络的结构光条纹图案分析方法

技术领域

本发明涉及图案分析的技术领域，特别涉及一种基叶贝斯神经网络的结构光条纹图案分析方法。

背景技术

在许多光学测量技术中，条纹图分析是从记录的条纹图中恢复基本相位分布的核心算法。如何从最少的条纹图案中以尽可能高的精度提取所需的相位信息。全息干涉、电子散斑干涉和条纹投影轮廓术等光学测量技术在许多科学和工程领域的非接触式测量中得到了广泛的应用，并被广泛应用于测量各种物理量，如位移、应变、表面轮廓、折射率等。在这些技术中，有关被测物理量的信息存储在二维条纹图的相位中。因此，通过这些光学技术进行的测量的精度从根本上取决于解调记录的条纹图案的基本相位分布的精度。

在过去的几十年里，人们付出了巨大的努力来开发各种条纹分析技术，它们可以大致分为两类：

(1)相移(PS)方法，它需要多个条纹图案来提取相位信息；(2)空间相位解调方法，它允许从单个条纹图案中恢复相位，如傅立叶变换(FT)、加窗傅立叶变换(WFT)和小波变换(WT)方法。

与空间相位解调方法相比，the multiple-shot phase-shifting技术具有更强的稳健性，能够以更高的分辨率和精度实现像素级的相位测量。此外，相移测量对非均匀背景强度和条纹调制非常不敏感。然而，由于它们的multi-shot性质，这些方法很难应用于动态测量，并且更容易受到外部干扰和振动的影响。对于许多应用来说，需要从单个条纹图案中提取相位，这属于空间条纹分析的范畴。与相移技术不同的是，在逐个像素的基础上解调相图，空间方法中的像素处的相位估计受其邻域甚至条纹图案中的所有像素的影响，这提供了更好的对噪声的容忍度，但代价是在相图中的不连续和孤立区域周围的性能较差。

发明内容

针对现有技术中存在的不足之处，本发明的目的是提供一种基叶贝斯神经网络的结构光条纹图案分析方法，大大提高了从单一条纹图案解调相位的精度，具有更高的精度和更好的边缘保持能力。为了实现根据本发明的上述目的和其他优点，提供了一种基叶贝斯神经网络的结构光条纹图案分析方法，包括：

S1、建构投影系统，通过相机捕捉被投影的条纹图案；

S2、通过计算机生成适当的正弦波条纹图案；

S3、通过投影系统投影系统将生成的条纹图案投影到目标物体上；

S4、使用相机捕捉被投影条纹图案的目标物体的图像，确保相机和投影系统之间的相对位置和角度准确；

S5、比较投影前后的条纹图案，计算每个像素点的相位差异；

S6、使用计算机算法根据相位信息来重建目标物体的三维形状；

S7、对重建的三维形状进行进一步的分析和应用。

优选的，在步骤S7中通过贝叶斯神经网络对重建结果的不确定性进行建模、用于三维测量的不确定性建模及用于对相位信息的不确定性进行建模，提供对测量结果的不确定性估计。

优选的，通过投射的N步相移图案的条纹分析，相移法是一种在光学和图像处理中用于测量物体表面形状或进行三维重建的技术。下面是投射的N步相移图案的条纹分析的一般步骤：

1.投射相移图案：首先，使用DLP投影仪，投射具有不同相位的相移图(通常是正弦或正余弦条纹)到目标表面。

2.获取图像：使用相机设备捕捉目标表面上的图像。确保相机和投影仪的位置、朝向和参数是已知的。

3.相位解缠：对于每个相移图案，通过比较图像中的像素强度值，计算出每个像素处的相位值。这可以使用相移解缠算法，如三步相移法或其他N步相移法。

4.相位差计算：计算不同相移步骤中的相位差。相位差与物体表面高度的变化有关。

5.相位去包裹：处理相位差，以消除由于相移值在2π范围内循环引起的包裹效应。这可能涉及到使用包裹解缠算法来还原真实的相位值。

6.计算高度信息：利用相位信息，可以计算出物体表面在被照射区域内的高度分布。这通常使用光学三角测量原理。

7.误差分析和校准：对于实际系统，误差分析和校准步骤是必要的。这包括消除系统误差、校准相机和投影仪参数等。

8.三维重建：最终，通过整合所有相位信息，可以重建出物体的三维形状。

这些步骤的具体实施可能因使用的具体相移法和设备而异。三步相移法是其中一种常见的相移法，但还有其他变种，如四步、五步相移法，它们的原理和步骤也有所不同。

其表达式为：

其中a：平均光强，b：调制赋值，/>

优选的，计算包裹相位

使得解得的相位是包裹着的，存在2π相位跳变，为了获得连续的绝对相位，对其进行相位展开。

优选的，相位展开的公式如下：

φ：展开相位，/>

通过相位展开确定光栅条纹的级数，得到级数，获得连续的绝对相位。

本发明与现有技术相比，其有益效果是：贝叶斯神经网络基于概率推断的神经网络模型，它允许对权重和模型参数进行概率建模和推断，提供了对预测的不确定性估计，为决策和可靠性评估提供更全面的信息。在条纹投影的形状重建中，贝叶斯神经网络可以用于对重建结果的不确定性进行建模。通过引入权重和模型参数的概率分布，贝叶斯神经网络能够提供对形状重建的不确定性估计。这对于处理噪声、不完整数据或形状边界不清晰的情况下非常有用。通过考虑不确定性，可以获得更全面的形状信息，并进行更可靠的决策和分析。此外，贝叶斯神经网络还可以用于三维测量的不确定性建模。在条纹投影中，通过对投影前后的条纹图案进行比较，可以获得相位信息，并进而重建物体的三维形状。贝叶斯神经网络可以用于对相位信息的不确定性进行建模，提供对测量结果的不确定性估计。这有助于量化测量误差、评估测量可靠性，并为后续的形状分析和应用提供更可靠的基础。贝叶斯神经网络在条纹投影中的应用需要注意的是，贝叶斯推断的计算复杂性较高，通常需要使用近似方法进行有效的推断和训练。此外，合适的模型选择、先验分布的设定以及模型参数的优化等方面也需要仔细考虑。在实际应用中，根据具体情况进行合适的模型设计和推断方法选择，可以更好地利用贝叶斯神经网络的优势，提高条纹投影的测量精度和可靠性。

附图说明

图1为根据本发明的基叶贝斯神经网络的结构光条纹图案分析方法的条纹投影结构示意图；

图2为根据本发明的基叶贝斯神经网络的结构光条纹图案分析方法的图；

图3为根据本发明的基叶贝斯神经网络的结构光条纹图案分析方法的图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

参照图1-3，一种基于叶贝斯神经网络的结构光条纹图案分析方法，包括：S1、建构投影系统，通过相机捕捉被投影的条纹图案；

S2、通过计算机生成适当的正弦波条纹图案；

S3、通过投影系统投影系统将生成的条纹图案投影到目标物体上；

S4、使用相机捕捉被投影条纹图案的目标物体的图像，确保相机和投影系统之间的相对位置和角度准确；

S5、根据投影的图像，使用卷积神经网络获取得到包裹相位后使用贝叶斯神经网络对得到的包裹相位训练后，得到反三角函数的分子分母，后计算绝对相位

S6、根据绝对相位信息和标定信息来重建目标物体的三维形状；

S7、对重建的三维形状进行进一步的分析和应用。

在使用贝叶斯神经网络进行训练时，对于包裹相位的处理可能涉及到一些复杂的步骤。这可能是由于包裹相位在某些情况下会引起不连续性(相位跳变)，而神经网络通常更容易处理连续的输入和输出。

贝叶斯神经网络允许对权重和模型参数进行概率建模和推断，提供了对预测的不确定性估计，为决策和可靠性评估提供更全面的信息，包裹相位引入了不确定性和非线性。在这种情况下，为了更好地拟合和预测绝对相位，可能会选择在神经网络的输出中使用三角函数的分子和分母，而不是直接计算包裹相位。

总的来说，选择使用三角函数的分子和分母可能是为了更好地处理相位信息的复杂性和非线性特性，以提高贝叶斯神经网络在这类问题上的表现。

进一步的，通过投射的N步相移图案的条纹分析，其表达式为：

其中a：平均光强，b：调制赋值，/>

进一步的，计算包裹相位

使得解得的相位是包裹着的，存在2π相位跳变，为了获得连续的绝对相位，对其进行相位展开。

进一步的，相位展开的公式如下：

φ：展开相位，/>

通过相位展开确定光栅条纹的级数，得到级数，获得连续的绝对相位。根据求取光栅级数的原理不同，可以分为两种：空域相位展开原理：利用相邻像素的相位值锁提供的约束来计算绝对相位值，缺点：该方法依赖物体表面连续假设，如果被测场景中包含多个孤立物体，或者被测物存在不连续表面边界的相邻像素的相位差值超过2π，则容易出现条纹级次歧义现象时域相位展开，优点：任意复杂形状表面的包裹相位值，缺点：至少需要额外的一幅参考相位图，该方法用标准12步相移算法作为标签，通过对大量样本的学习，它即可利用单幅条纹图像输出对应的高精度相位分布。

这里说明的设备数量和处理规模是用来简化本发明的说明的，对本发明的应用、修改和变化对本领域的技术人员来说是显而易见的。

尽管本发明的实施方案已公开如上，但其并不仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。