[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

本公開提出一種基于深度學習的ESPI圖像降噪方法，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；本公開所述方法可以有效地對ESPI圖像進行降噪處理，既可以保證實現較少噪聲殘留，又可以對有效條紋邊緣信息進行保護，同時可以對ESPI圖像具有良好的適應性，方便大批量處理圖像，為后續相位提取等工作做好了鋪墊。

技術領域

本公開涉及電子散斑干涉測量技術領域，特別涉及一種基于深度學習的 ESPI圖像降噪方法及系統。

背景技術

本部分的陳述僅僅是提供了與本公開相關的背景技術信息，不必然構成在 先技術。

電子散斑干涉技術可以通過非接觸達到高精度的全場檢測，同時具有高頻 率范圍、受環境影響小、廣泛的場景適用性、操作簡單方便等優勢，隨著人們 對電子散斑干涉技術研究的不斷深入，這一技術在物體表面的損壞、缺陷和物 體形變位移的檢測中發揮著重要作用，在車輛、交通、電子、考古工作、藝術 研究、橋梁、醫學、材料學、空間科學等諸多領域的檢測都展現著它獨特的優 勢，可以實現震動的檢測、物體輪廓的檢測、位移勘測、物理機械和設備的形 變檢查、物體表面粗糙程度和強度的評估等，關于ESPI圖像的研究也開始成為 熱點，這一技術為光學測量問題帶來了變革性的進步。

ESPI圖像可以精確有效地表達物體形變情況，其生成有不同操作方式，包 括相加、相減和相乘模式，其中相減模式不會被背景的光強所影響，因此最終 形成的圖像對比度有一定優勢，產生的噪聲也相對較少，但是仍然無法避免噪 聲的產生。無論何種方式得到的散斑干涉條紋圖都存在圖像模糊、分辨率低、 固有噪聲程度高等問題，對后續研究造成不利影響，因此對于降噪方法的探究 具有深遠的意義。

圖像降噪是指對于圖像中所存在的不利于目標信息采集利用的噪聲的濾 除，在此過程中有效信息的保護度、噪聲的殘留程度以及圖像清晰度等都是評 價降噪效果的指標，也是檢測降噪方法優劣的標準。近年來，隨著國內外對ESPI 圖像降噪算法研究的不斷深入，目前常用的方法有空域濾波和變換域濾波，包 括均值濾波、中值濾波、維納濾波、傅立葉變換以及小波變換等。這些方法在 濾除噪聲的同時會使圖像的對比度有所下降從而導致圖像的模糊化，而且圖像 中的條紋結構也會受到一定程度的破壞，從而對后續相位的提取以及測算產生 影響。

隨著技術進步，對于散斑干涉條紋圖去噪的要求越來越高，發明人發現目 前的去噪方法無法達到人們期望的效果，ESPI圖像中噪聲程度較高且條紋具有 較高的多樣性，現有方法無法在去除噪聲的同時保證條紋圖像的對比度以及邊 緣細節信息，而噪聲去除和邊緣信息保護是ESPI圖像去噪方法研究過程中需要 平衡協調的兩方面；當前深度學習技術日益成熟，神經網絡也開始應用于有關 圖像的相關研究中，包括圖像識別，圖像分類等，有關圖像去噪的神經網絡結 構也在不斷的發展創新，但是用于散斑干涉條紋圖去噪的卷積神經網絡結構依 舊比較單一，且由于訓練數據的限制，去噪網絡模型對ESPI圖像的處理也存在 著一定的局限性；由于噪聲的殘留和信息丟失的影響，導致相應的相位信息提 取、殘差預測、邊緣檢測、物體形變測量等操作無法取得理想的結果。

發明內容

本公開為了解決上述問題，提出了一種基于深度學習的ESPI圖像降噪方法 及系統，首先對新提出的基于BM3D-自適應TV的卷積神經網絡模型進行訓練，利 用訓練好的模型對真實散斑干涉條紋圖去噪，在保護條紋信息的同時保證去噪 效果，上述方案對ESPI圖像表現出良好的普適性。

根據本公開實施例的第一個方面，提供了一種基于深度學習的ESPI圖像降 噪方法，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；