[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

说明书

本发明公开了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，具体为：通过仿真生成真实相位和包裹相位，添加噪声；由包裹相位生成干涉图，通过对干涉图平移旋转以模拟实际采集中存在的系统抖动，生成数据集；设置深度神经网络模型、优化算法，使用混合损失函数和生成的数据集对深度神经网络进行训练；根据评价指标，判断相位恢复效果是否满足要求，若满足则进入下一步；不满足则更改网络结构，修改优化函数、学习率和损失函数等参数的数值，并重新训练；将实际采集的干涉图，作为深度神经网络模型的输入，计算得到预测的真实相位。本发明提出的方法不需要对干涉图配准，减少了计算时间，具有良好的抗噪声能力，提高了相位解包的准确性。

技术领域

本发明涉及移相干涉技术领域，特别是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。

背景技术

移相式激光干涉仪一般通过激光器波长调谐或者通过压电陶瓷片(PZT)推动参考镜产生调制相位，然后图像采集系统利用光电探测器(如CCD)采集不同移相量的干涉图，常用的移相干涉法采用四步移相法，对于采集到的干涉图的处理过程一般包括相位计算和相位解包两个步骤。

在相位计算过程中，由于采集系统系统中存在外部干扰，抖动等因素，导致不同移相量的干涉图存在旋转偏移等现象，难以精确配准，从而导致计算的包裹相位存在相位恢复误差，而设计一个非常稳定的干涉系统需要非常高的成本，且对环境稳定性依赖程度高。为解决上述问题，一些学者提出了一系列方法，如使四幅干涉图具有相似的灰度分布，采用互相干运算确定干涉图之间的位置匹配关系；通过圆载频处理技术得到每个子图的基频能量和相位信息，通过各个子图之间的相位差矫正位置匹配误差和移相量误差，然而这些方法计算过程复杂，难以在动态测量系统中应用。

在由包裹相位计算真实相位的相位解包过程中，常用的解包算法如路径追踪算法，在噪声水平较大时会出现解包误差，系统欠采样时采集数据中相邻两点间的差值会超过π使得解包错误，另外常用的最小范数法如预处理共轭梯度算法迭代过程十分复杂，所占用时间长。总之，现有相位计算和相位解包过程中存在相位恢复准确度差和计算时间长的问题。

发明内容

本发明的目的在于提供一种快速、准确的基于深度神经网络的干涉图自动配准和相位解包方法。

实现本发明目的的技术解决方案为：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，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、峰值信噪比等评价指标，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、学习率和损失函数等参数的数值，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。

本发明与现有技术相比，其显著优点为：(1)直接从干涉图计算其真实相位，不需要对各个不同移相量的干涉图配准再计算包裹相位和真实相位，减少了计算时间，可以在动态测量中使用；(2)抗噪声能力强，常用的相位解包算法如最小路径算法，在噪声等级较大时会出现解包错误的现象，本发明在数据集生成阶段通过给包裹相位添加不同种类、不同等级的噪声，提高了网络对去除不同级别噪声的泛化能力，提高了相位解包的精确性。

附图说明

图1是本发明基于深度神经网络的干涉图自动配准和相位解包方法的流程图。

图2是本发明生成的初始矩阵的三维直方图。