[發明專利]一種基于深度學習的ESPI圖像降噪方法及系統

在審

• 申請號: 202010517755.4
• 申請日: 2020-06-09
• 公開（公告）號: CN111768349A
• 公開（公告）日: 2020-10-13
• 發明（設計）人: 辛化梅;邢穎
• 申請（專利權）人: 山東師范大學
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06T5/20;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 濟南圣達知識產權代理有限公司 37221
• 代理人: 李圣梅

1.一種基于深度學習的ESPI圖像降噪方法，其特征在于，包括：

構建訓練數據集；

構建基于BM3D-自適應TV算法的卷積神經網絡模型；

利用訓練數據集對所述卷積神經網絡模型進行訓練；

將待去噪的散斑干涉條紋圖輸入到訓練好的模型中，對散斑干涉條紋圖進行去噪。

2.如權利要求1所述的一種基于深度學習的ESPI圖像降噪方法，其特征在于，所述訓練數據集包括無噪聲的條紋圖、加噪聲的模擬散斑干涉條紋圖以及通過ESPI技術采集的真實散斑干涉條紋圖；所述加噪聲的模擬散斑干涉條紋圖，通過在條紋圖中加入加性噪聲及乘性噪聲來獲得。

3.如權利要求2所述的一種基于深度學習的ESPI圖像降噪方法，其特征在于，為了保證所述訓練數據集中的真實散斑干涉條紋圖數目，通過對采集的真實散斑干涉條紋圖進行裁剪、旋轉的方式進行數據增強，實現真實圖像的數目擴展。

4.如權利要求1所述的一種基于深度學習的ESPI圖像降噪方法，其特征在于，所述BM3D-自適應TV算法用于對真實散斑干涉條紋圖進行去噪，去噪后的真實散斑干涉條紋圖作為所述卷積神經網絡訓練過程的輸出。

5.如權利要求1所述的一種基于深度學習的ESPI圖像降噪方法，其特征在于，所述BM3D-自適應TV算法的目標函數具體表示如下：

其中，I表示待處理的含噪聲的條紋信息圖，p(x,y)代表自適應參數，I_BM3D代表通過BM3D濾波器降噪操作后的結果圖，Ω代表圖像的區域，λ代表Lagrange乘子。

6.如權利要求1所述的一種基于深度學習的ESPI圖像降噪方法，其特征在于，所述卷積神經網絡包括多層，各網絡層采用ReLU激活函數，除所述卷積神經網絡的第一層和最后一層外，其余中間層進行卷積操作后會進行批量歸一化處理。

7.如權利要求1所述的一種基于深度學習的ESPI圖像降噪方法，其特征在于，所述基于BM3D-自適應TV算法的卷積神經網絡模型，利用真實ESPI圖像以及模擬無噪條紋圖和加噪后模擬ESPI圖像分別作為網絡模型中兩通道的訓練樣本，所述兩通道為真實圖像訓練樣本通道和模擬圖像訓練樣本通道，利用BM3D-自適應TV算法去噪后的真實ESPI圖像作為模型的輸出，實現對所述模型的訓練。

8.一種基于深度學習的ESPI圖像降噪系統，其特征在于，包括：

訓練數據獲取模塊，獲取的訓練數據集包括無噪聲的條紋圖、加噪聲的模擬散斑干涉條紋圖以及通過ESPI技術采集的真實散斑干涉條紋圖；

模型構建模塊，構建基于BM3D-自適應TV算法的卷積神經網絡模型，并利用所述訓練數據集對所述卷積神經網絡模型進行訓練；

真實ESPI圖像獲取模塊，利用電子散斑干涉技術獲取物體的ESPI條紋圖；

降噪處理模塊，將待去噪的真實ESPI條紋圖輸入到訓練好的模型中，輸出去噪后的ESPI條紋圖。

9.一種電子設備，其特征在于，包括存儲器、處理器及存儲在存儲器上運行的計算機程序，所述處理器執行所述程序時實現如權利要求1-7任一項所述的一種基于深度學習的ESPI圖像降噪方法。

10.一種計算機可讀存儲介質，其特征在于，其上存儲有計算機程序，該程序被處理器執行時實現如權利要求1-7任一項所述的一種基于深度學習的ESPI圖像降噪方法。