[发明专利]一种基于HRUnet网络的高精度相位解调方法

权利要求书

1.一种基于HRUnet网络的高精度相位解调方法，其特征在于,包括以下步骤:

步骤一：使用泽尼克(Zernike)多项式产生数据用于网络训练；

步骤二：卷积神经网络的构建和训练；

(2.1)设计相位解调网络HRUnet：

HRUnet网络由两层下采样卷积层、两层上采样卷积层以及HRnet模块组成,相同的卷积层之间采用跳跃连接；

HRnet模块结构包含一个Layer1模块,交替串行连接的3个Transition模块和3个Stage模块；

(2.2)使用数据集对神经网络进行训练：

I_cos作为输入、φ(x,y)作为输出标签对神经网络进行训练，直到损失函数不再下降并保持稳定后训练完成，得到网络各层的权重值；

步骤三：对实际测量得到的余弦干涉图强度进行数值转换，得到范围在[-1，1]的I_cos，把I_cos输入训练好的神经网络HRUnet，输出得到无包裹相位分布φ′(x,y)。

2.一种基于HRUnet网络的高精度相位解调方法，其特征在于,所述步骤一的具体步骤包括：

(1.1)利用前n(45≥n≥4)阶泽尼克(Zernike)多项式产生无包裹相位图，如公式(1)所示:

其中，φ(x,y)是无包裹相位；Z_i，c_i分别代表第i阶泽尼克多项式及其系数；

(1.2)利用φ生成余弦干涉图:

I(x,y)＝a(x,y)+b(x,y)cos(φ(x,y))       (2)

其中，a(x,y)为干涉图的背景强度,b(x,y)代表对干涉条纹的调制，将干涉图I的数值范围转化到[-1，1]之间，得到干涉图I_cos，其中转化公式为：

上式中，min(I)代表输入干涉图的最小灰度值，max(I)代表输入干涉图的最大灰度值；φ(x,y)作为神经网络的输出标签；

(1.3)生成对应的训练数据集(包含I_cos、φ(x,y))、测试数据集(包含I_cos、φ(x,y))以及验证数据集(包含I_cos、φ(x,y))。