[發明專利]一種基于深度神經網絡的干涉圖自動配準和相位解包方法

在審

• 申請號: 202210969274.6
• 申請日: 2022-08-12
• 公開（公告）號: CN115205349A
• 公開（公告）日: 2022-10-18
• 發明（設計）人: 崔珂;葉劍波;朱日宏;李翔宇
• 申請（專利權）人: 南京理工大學
• 主分類號: G06T7/30
• 分類號: G06T7/30;G06N3/04;G06N3/08;G06T3/40;G06T5/00;G06V10/74
• 代理公司: 南京理工大學專利中心 32203
• 代理人: 薛云燕

1.一種基于深度神經網絡的干涉圖自動配準和相位解包方法，其特征在于，包括以下步驟：

步驟S1、通過仿真生成二維真實相位，并計算二維包裹相位，添加噪聲；

步驟S2、根據二維包裹相位計算生成相應光強干涉圖，通過對圖像隨機平移旋轉來模擬實際采集中存在的系統抖動，生成數據集；

步驟S3、設置深度神經網絡模型結構、參數、優化算法，使用混合損失函數和步驟2生成的數據集對深度神經網絡模型進行訓練；

步驟S4、根據結構相似度、峰值信噪比這些評價指標，判斷相位恢復效果是否滿足要求，若滿足則進入調制步驟S5；不滿足則更改網絡結構，修改優化函數、學習率和損失函數這些參數的數值，并轉至步驟S3重新訓練；

步驟S5、將真實系統采集的光強干涉圖，作為訓練后深度神經網絡模型的輸入，經計算得到預測的真實相位。

2.根據權利要求1所述的基于深度神經網絡的干涉圖自動配準和相位解包方法，其特征在于，步驟S1中，通過仿真生成二維真實相位，并計算二維包裹相位，添加噪聲，具體如下：

S11、隨機生成大小在特定區間內的矩陣，矩陣的數值在設定區間內，且滿足高斯分布或均勻分布之一；隨機選擇一種插值算法，將初始矩陣擴展，作為真實相位ω；

S12、根據公式計算包裹相位并隨機從椒鹽噪聲、高斯噪聲中選擇一種添加至包裹相位

3.根據權利要求2所述的基于深度神經網絡的干涉圖自動配準和相位解包方法，其特征在于，所述S12中，隨機從椒鹽噪聲、高斯噪聲中選擇一種添加至包裹相位具體如下：

函數angle表示計算復數的相位角，值在[-π,π]中，先將包裹相位除以π，再從椒鹽噪聲、高斯噪聲中隨機選擇其一添加至包裹相位，其中椒鹽噪聲密度為0.01～0.2之間的隨機數，高斯噪聲標準差為0.01～0.20之間的隨機數，添加噪聲完成后，再將相位乘以π恢復其數值范圍。

4.根據權利要求1所述的基于深度神經網絡的干涉圖自動配準和相位解包方法，其特征在于，步驟S2中，根據二維包裹相位計算生成相應光強干涉圖，具體如下：

S21、隨機生成大小在設定區間內的矩陣，矩陣的數值在設定區間內，且滿足均勻分布；選擇一種插值算法，將初始矩陣擴展，作為背景光強A；

S22、隨機生成大小在設定區間內的矩陣，矩陣的數值在設定區間內，且滿足均勻分布；選擇一種插值算法，將初始矩陣擴展，作為對比度項V；

S23、采用四步移相法，對于已經添加噪聲的包裹相位生成四個不同移相相位的光強干涉圖

S24、對生成的光強干涉圖隨機旋轉-10°至10°，隨機縱向和橫向循環平移-20到20個像素，再從所有光強干涉圖的中心區域截取大小為256×256的部分作為最終的光強干涉圖，同時真實相位也截取中心區域大小為256×256的部分作為最終的真實相位。

5.根據權利要求1所述的基于深度神經網絡的干涉圖自動配準和相位解包方法，其特征在于，步驟S3中所述設置深度神經網絡模型結構、參數、優化算法，其中優化算法采用Adam算法，網絡模型結構如下：

深度神經網絡模型結構基于殘差塊的U-Net，光強干涉圖作為網絡輸入，輸出對應真實相位；

深度神經網絡模型包括編碼器、瓶頸層、解碼器；編碼器有4層，每一層由2連續的殘差塊構成，每一層的輸出作為下一層的輸入和對應編碼器層的輸入；瓶頸層包含2個連續的殘差塊；解碼器和編碼器的層數相同，每一層包含一個上采樣層和2個連續的殘差塊用于特征的解碼；解碼器最后一層輸出的特征圖經過1×1卷積后輸出真實相位。

6.根據權利要求1所述的基于深度神經網絡的干涉圖自動配準和相位解包方法，其特征在于，步驟S3中所述使用混合損失函數和步驟2生成的數據集對深度神經網絡模型進行訓練，混合損失函數L^mix(x,y)的公式如下：

L^mix(x,y)＝α₁L^l1(x,y)+α₂L^MS-SSIM(x,y)

其中α₁和α₂為超參數，α₁設置為0.14，α₂設置為0.86；

平均絕對誤差損失L^l1(x,y)公式為：

其中，x表示實際的真實相位，y表示深度神經網絡模型輸出的預測真實相位，N表示真實相位的矩陣元素個數；

多尺度結構相似度損失L^MS-SSIM(x，y)公式為：

其中，c_j、s_j分別表示將原圖像進行j次連續的低通濾波和采樣間隔為2的下采樣后計算對比度項、結構項，M表示連續的低通濾波總次數；

亮度項l(x，y)公式為：

對比度項c(x，y)公式為：

結構項s(x，y)公式為：

其中，μ_x，μ_y分別代表x和y的均值，σ_x，σ_y分別代表x和y的標準差，σ_xy表示x和y的協方差，C₁，C₂，C₃是常數值，滿足：

C₁＝(K₁L)²

C₂＝(K₂L)²

C₃＝C₂/2

其中K₁＝0.01，K₂＝0.03，L＝2^B-1，B＝8。