[發明專利]基于卷積神經網絡的相位去噪方法有效
| 申請號： | 202110610161.2 | 申請日： | 2021-06-01 |
| 公開（公告）號： | CN113327205B | 公開（公告）日： | 2023-04-18 |
| 發明（設計）人： | 錢江;張自文;劉奕凡;王勇 | 申請（專利權）人： | 電子科技大學;電子科技大學長三角研究院（湖州） |
| 主分類號： | G06T5/00 | 分類號： | G06T5/00;G06N3/0464;G06N3/0455;G06N3/08 |
| 代理公司： | 重慶航圖知識產權代理事務所(普通合伙) 50247 | 代理人： | 孫方 |
| 地址： | 610095 四川省成*** | 國省代碼： | 四川;51 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 基于 卷積 神經網絡 相位 方法 | ||
1.基于卷積神經網絡的相位去噪方法，其特征在于：包括以下步驟：
構建相位去噪網絡，所述相位去噪網絡包括依次連接的輸入端、編碼器、解碼器和輸出端；
獲取帶噪干涉相位圖像并傳輸到輸入端；
通過編碼器提取帶噪干涉相位圖像中的相位特征，并根據相位特征預測出不含噪聲的干涉相位；
通過解碼器采用與編碼器對應的反卷積神經網絡將不含噪聲的干涉相位進行處理得到不含噪聲的相位圖像；
通過輸出端采用單層有效卷積輸出與訓練樣本相同尺寸的相位圖像；
所述編碼器包括依次連接的第一模塊、第二模塊、第三模塊和第四模塊；所述第一模塊、第二模塊、第三模塊均依次包括卷積層和歸一化層、最大池化層、合并層；所述第四模塊包括依次連接的卷積層和歸一化層、最大池化層；
所述編碼器前三次最大池化后的特征圖依次與前面平均池化后具有相同尺寸的特征圖合并；所述第四個模塊包括依次連接的歸一化層、卷積層和最大池化層；
所述解碼器包括依次連接的第a模塊、第b模塊、第c模塊、第d模塊；所述第a模塊、第b模塊、第c模塊、第d模塊均包括依次連接的反卷積層、合并層、卷積層和歸一化層；
所述解碼器中的各個模塊通過反卷積處理特征圖后，與編碼器對應相同尺寸的特征圖進行合并再進行卷積操作。
2.如權利要求1所述的基于卷積神經網絡的相位去噪方法，其特征在于：所述不含噪聲的干涉相位是通過神經網絡的多層卷積濾波器進行預測的。
3.如權利要求1所述的基于卷積神經網絡的相位去噪方法，其特征在于：所述輸出端采用單層有效卷積輸出與訓練樣本相同尺寸的相位圖像。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于電子科技大學;電子科技大學長三角研究院（湖州），未經電子科技大學;電子科技大學長三角研究院（湖州）許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202110610161.2/1.html，轉載請聲明來源鉆瓜專利網。
