[发明专利]一种基于卷积神经网络和光场图像的气泡流场三维重建方法

说明书

基于光场成像的气泡三维重建技术是气液两相流中气泡三维测量方法之一，尽管近年来进行了大量研究工作，但如何从最少的重聚焦图中以尽可能高的精度提取出所需的深度信息以完成三维气泡模型的重构是最具挑战性的问题之一。为解决上述问题，本发明对神经网络结构进行改进，(1)实现了一维数据与二维数据的数据融合；(2)利用该网络，仅需一张已知聚焦深度的重聚焦气泡图像，即可获取该气泡的真实深度信息。相较于采用气泡一组序列图像获取此气泡真实深度的传统方法，本发明所提出的一种基于卷积神经网络和光场图像的气泡流场三维重建方法仅需一组气泡序列图像中的1气泡图像并结合其序列号即可有效获取气泡的深度信息，实现气泡三维流场的重建。

技术领域

本发明涉及一种基于卷积神经网络和光场图像的气泡流场三维重建方法，更具体的说，本发明涉及一种能够根据一张气泡图像即可快速实现气泡图像三维重建的方法。

背景技术

气泡流场的三维重建对于研究气液两相流的运动特性具有重要意义。基于光场成像的气泡三维重建技术是气液两相流中气泡三维测量方法之一，尽管近年来进行了大量研究工作，但如何从最少的重聚焦图中以尽可能高的精度提取出所需的深度信息以完成三维气泡模型的重构是最具挑战性的问题之一。为了解决气泡快速三维重建的难题，本方法采用训练深度学习卷积神经网络来实现气泡的深度获取。通过对深度学习的网络结构进行改进，(1)实现了一维数据与二维数据的数据融合；(2)利用该网络，仅需一张已知聚焦深度的重聚焦气泡图像，即可获取该气泡的真实深度信息。相较于传统的气泡流场三维重建方法即对气泡的一组(390张)重聚焦图像采用像素遍历方式比对出最佳清晰度像素点进而确定气泡的真实深度的方法，本方法设计了一种应用于卷积神经网络的算法并仅需1张重聚焦图像结合其焦距即可有效获取气泡的深度信息，实现气泡三维流场的重建。

发明内容

本发明的目的是提供一种通过卷积神经网络实现光场图像中气泡流场三维重建的方法。

为实现上述目的，本发明采用的技术方案是：一种基于卷积神经网络和光场图像的气泡流场三维重建方法，其算法流程如附图1所示，包括以下步骤：

步骤1：选择训练数据集和测试数据集，部分光场气泡图像序列的摘选如图2所示；

步骤2：利用卷积神经网络从训练数据集的图像中提取图像序列特征信息和图像的多尺度特征信息，在每个尺度上使用空间特征变换层将图像序列特征与图像特征进行整合，整合后的结果再次经过特征提取，最后将提取结果输出网络；

步骤3：对步骤2中所述的卷积神经网络输出结果与实际值进行比对评价，并将均方根误差损失函数作为卷积神经网络的评价误差，利用均方根误差损失函数对卷积神经网络进行训练，直到其收敛至最优精度；

步骤4：将步骤1中所述的测试数据集中的任意一张气泡图像输入步骤3中已训练好的卷积神经网络模型中，得到气泡深度的预测值；

步骤5：将步骤4中所述的气泡深度预测值与气泡的尺寸和位置信息进行融合，重建气泡的三维空间信息，气泡流场三维重建效果如图3所示。

在上述的基于卷积神经网络和光场图像的气泡流场三维重建方法中，步骤1所述训练数据集的获取包括以下子步骤：

步骤1.1、训练数据集的获取；将大小W*H*3的彩色气泡图像作为卷积神经网络的图像输入数据，彩色气泡图像的序列号作为卷积神经网络的序号输入数据，彩色气泡图像中气泡的实际深度值作为卷积神经网络的输出数据，所述的彩色气泡图像、序列号和实际深度值作为样本对，生成训练数据集文件；

步骤1.2、测试数据集的获取；将大小W*H*3的彩色气泡图像作为测试卷积神经网络模型的图像输入数据，彩色气泡图像的序列号作为测试卷积神经网络模型的序号输入数据，所述的彩色气泡图像和序列号作为样本对，生成测试数据集文件。

在上述的基于卷积神经网络和光场图像的气泡流场三维重建方法中，步骤2的实现包括以下子步骤：