[发明专利]一种基于深度神经网络的干涉图自动配准和相位解包方法

权利要求书

1.一种基于深度神经网络的干涉图自动配准和相位解包方法，其特征在于，包括以下步骤：

步骤S1、通过仿真生成二维真实相位，并计算二维包裹相位，添加噪声；

步骤S2、根据二维包裹相位计算生成相应光强干涉图，通过对图像随机平移旋转来模拟实际采集中存在的系统抖动，生成数据集；

步骤S3、设置深度神经网络模型结构、参数、优化算法，使用混合损失函数和步骤2生成的数据集对深度神经网络模型进行训练；

步骤S4、根据结构相似度、峰值信噪比这些评价指标，判断相位恢复效果是否满足要求，若满足则进入调制步骤S5；不满足则更改网络结构，修改优化函数、学习率和损失函数这些参数的数值，并转至步骤S3重新训练；

步骤S5、将真实系统采集的光强干涉图，作为训练后深度神经网络模型的输入，经计算得到预测的真实相位。

2.根据权利要求1所述的基于深度神经网络的干涉图自动配准和相位解包方法，其特征在于，步骤S1中，通过仿真生成二维真实相位，并计算二维包裹相位，添加噪声，具体如下：

S11、随机生成大小在特定区间内的矩阵，矩阵的数值在设定区间内，且满足高斯分布或均匀分布之一；随机选择一种插值算法，将初始矩阵扩展，作为真实相位ω；

S12、根据公式计算包裹相位并随机从椒盐噪声、高斯噪声中选择一种添加至包裹相位

3.根据权利要求2所述的基于深度神经网络的干涉图自动配准和相位解包方法，其特征在于，所述S12中，随机从椒盐噪声、高斯噪声中选择一种添加至包裹相位具体如下：

函数angle表示计算复数的相位角，值在[-π,π]中，先将包裹相位除以π，再从椒盐噪声、高斯噪声中随机选择其一添加至包裹相位，其中椒盐噪声密度为0.01～0.2之间的随机数，高斯噪声标准差为0.01～0.20之间的随机数，添加噪声完成后，再将相位乘以π恢复其数值范围。

4.根据权利要求1所述的基于深度神经网络的干涉图自动配准和相位解包方法，其特征在于，步骤S2中，根据二维包裹相位计算生成相应光强干涉图，具体如下：

S21、随机生成大小在设定区间内的矩阵，矩阵的数值在设定区间内，且满足均匀分布；选择一种插值算法，将初始矩阵扩展，作为背景光强A；

S22、随机生成大小在设定区间内的矩阵，矩阵的数值在设定区间内，且满足均匀分布；选择一种插值算法，将初始矩阵扩展，作为对比度项V；

S23、采用四步移相法，对于已经添加噪声的包裹相位生成四个不同移相相位的光强干涉图

S24、对生成的光强干涉图随机旋转-10°至10°，随机纵向和横向循环平移-20到20个像素，再从所有光强干涉图的中心区域截取大小为256×256的部分作为最终的光强干涉图，同时真实相位也截取中心区域大小为256×256的部分作为最终的真实相位。

5.根据权利要求1所述的基于深度神经网络的干涉图自动配准和相位解包方法，其特征在于，步骤S3中所述设置深度神经网络模型结构、参数、优化算法，其中优化算法采用Adam算法，网络模型结构如下：

深度神经网络模型结构基于残差块的U-Net，光强干涉图作为网络输入，输出对应真实相位；

深度神经网络模型包括编码器、瓶颈层、解码器；编码器有4层，每一层由2连续的残差块构成，每一层的输出作为下一层的输入和对应编码器层的输入；瓶颈层包含2个连续的残差块；解码器和编码器的层数相同，每一层包含一个上采样层和2个连续的残差块用于特征的解码；解码器最后一层输出的特征图经过1×1卷积后输出真实相位。

6.根据权利要求1所述的基于深度神经网络的干涉图自动配准和相位解包方法，其特征在于，步骤S3中所述使用混合损失函数和步骤2生成的数据集对深度神经网络模型进行训练，混合损失函数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为超参数，α₁设置为0.14，α₂设置为0.86；

平均绝对误差损失L^l1(x,y)公式为：

其中，x表示实际的真实相位，y表示深度神经网络模型输出的预测真实相位，N表示真实相位的矩阵元素个数；

多尺度结构相似度损失L^MS-SSIM(x，y)公式为：

其中，c_j、s_j分别表示将原图像进行j次连续的低通滤波和采样间隔为2的下采样后计算对比度项、结构项，M表示连续的低通滤波总次数；

亮度项l(x，y)公式为：

对比度项c(x，y)公式为：

结构项s(x，y)公式为：

其中，μ_x，μ_y分别代表x和y的均值，σ_x，σ_y分别代表x和y的标准差，σ_xy表示x和y的协方差，C₁，C₂，C₃是常数值，满足：

C₁＝(K₁L)²

C₂＝(K₂L)²

C₃＝C₂/2

其中K₁＝0.01，K₂＝0.03，L＝2^B-1，B＝8。