一种基于深度语义分割网络的相位解包裹方法

1.本发明属于光学精密测量技术领域，尤其是涉及一种抗噪的基于深度语义分割网络的相位解包裹方法。


背景技术：

2.干涉检测在物体表面检测、波前诊断等领域有重要应用。干涉检测常用的算法如移相法、傅里叶分析法，给出的是值域在的存在跳变的包裹相位。
3.消除包裹相位中的跳变恢复真实相位的过程称为解包裹。常见的解包裹算法主要分为路径无关算法和路径跟踪算法。
4.路径无关算法一般基于最小二乘法的框架，定义并最小化一个函数，如使解包后相位的局部导数和包裹相位的梯度尽可能接近。这类算法鲁棒性强，但计算量大，有时候输出结果过于光滑。
5.路径跟踪算法有(1)路径相关算法，(2)残差点补偿算法，(3)品质图路径跟踪算法等类型。路径相关算法按照提前规划的路径扫描跳变并予以补偿。这种算法速度快，但容易受到噪声和残差点的影响，鲁棒性不好。
6.公开号为cn111461224a的中国专利文献公开了一种基于残差自编码神经网络的相位数据解包裹方法，读取生成的实验数据，将相位数据解包裹任务视为一种多分类问题，建立残差自编码神经网络；采用zernike多项式生成模拟初始相位数据集，对模拟初始相位数据集进行包裹处理，对残差自编码神经网络进行训练；对训练后的网络模型进行评估，如果满足预设精度要求，则通过残差自编码神经网络对包裹相位进行预测分类，得到与之对应的包裹倍数分布图，利用二维中值滤波器对结果进行处理得到去噪的包裹倍数分布图；将相位包裹倍数分布图与包裹的相位数据和待测数据xtrest进行求和运算得到最终的解包裹相位结果，表征待测对象的表面轮廓的起伏信息。
7.残差点补偿算法检测包裹相位中的残差点并在正负残差点间产生连接线，选择积分路径时绕过这些区域。这类算法计算效率高，在噪声较小、残差点较少时精度很高，但残差点较多、分布密集时无法选择正确积分路径。
8.品质图路径跟踪算法以一定的标准如直方图评价像素点的质量，选择质量较高的路径进行积分。这类算法有较强的鲁棒性，但对品质图要求很高，如果品质图不准确会导致误差累积。
9.因此，本领域亟需要一种可以实现自动提取特征、容错性强的方法来解决上述这些问题。


技术实现要素：

10.为解决现有技术存在的不足，本发明提供了一种基于深度语义分割网络的相位解包裹方法，实现了对包裹相位图快速高精度连续化处理。
11.一种基于深度语义分割网络的相位解包裹方法，包括：
12.(1)构建仿真数据集；
13.(2)将数据集分为训练集、验证集和测试集；选择语义分割的卷积神经网络，使用训练集训练卷积神经网络，使用验证集验证网络学习效果，使用测试集评价经训练和验证后的网络的准确性；
14.(3)对包裹相位进行预处理，得到结果
15.(4)将预处理后的包裹相位图输入训练好的卷积神经网络，得到语义分割结果k
t
(x，y)；
16.(5)对语义分割结果k
t
(x，y)进行第一次校正，得到校正结果k(x，y)；
17.(6)将语义分割校正后的结果k(x，y)乘以2π后与原包裹相位相加，得到初步解包裹结果φ
t
(x，y)；
18.(7)对初步解包裹结果φ
t
(x，y)进行第二次校正，得到最终解包裹的结果φf(x，y)。
19.本发明的方法，将解包裹问题转化为可用神经网络处理的语义分割问题，从而实现了对包裹相位图快速高精度连续化处理。
20.步骤(1)的具体步骤为：
21.(1-1)使用zernike多项式生成原相位的轮廓φ
l
(x，y)，
[0022][0023]
其中zi(x，y)是zernike多项式第i项，ci是其系数，服从一定的概率分布；
[0024]
(1-2)采集实际系统中的干涉图，用传统算法计算解包裹相位φu(x，y)，用zernike多项式拟合φu(x，y)，拟合结果为φz(x，y)；计算拟合残差φh(x，y)，即φh(x，y)＝φu(x，y)-φz(x，y)，对其频谱作微小扰动后傅里叶反变换，结果作为高频信息与φ
l
(x，y)相加，生成原相位
[0025]
φ(x，y)＝φ
l
(x，y) φh(x，y)。
ꢀꢀꢀ
(2)
[0026]
(1-3)根据原相位和包裹相位的关系，
[0027][0028]
生成包裹相位其中i是虚数单位，angle表示求复数的幅角；
[0029]
(1-4)根据包裹相位和原相位生成标签k(x，y)，
[0030][0031]
其中，round表示取整运算；生成标签后，对包裹相位添加标准差为0～0.9rad的高斯噪声和椒盐噪声。
[0032]
步骤(2)中，训练集、验证集、测试集比例为3∶1∶1。
[0033]
步骤(3)中，预处理的具体过程如下：
[0034]
对包裹相位使用引导滤波降噪，结果为然后将降噪后的结果与原图相减，若所有像素相减后的绝对值的平均值δ大于设定的阈值threshold，则处理结果为
降噪后的图像，否则保持不变。
[0035][0036][0037]
步骤(4)中，卷积神经网络的输入为预处理后的包裹相位，输出为每个像素点上需加上的2π倍数。
[0038]
步骤(5)中，第一次校正的具体过程为：
[0039]
将卷积神经网络的输出结果看成一张无向图，每个像素为图中一个顶点，定义若两个像素点分类标签相同且相邻，则两个顶点连通，从而整张图可以划分为一些连通子图；设置阈值t，将元素个数少于t的连通分量提取出来，将此分量中的像素赋值为其外边界所有像素值的平均值的取整运算结果，公式为：
[0040][0041]
其中，d表示需要被校正的区域(元素个数少于t的连通分量)内点的集合，round表示取整运算，mean表示取均值运算，表示d的外边界，校正完成后的结果记为k(x，y)。
[0042]
步骤(6)中，具体的公式为
[0043]
步骤(7)中，第二次校正的具体过程为：
[0044]
对初步解包裹相位使用中值滤波平滑，再将相位图的边界提取为一维数据，使用局部二阶回归平滑；平滑结果记作φs(x，y)，将平滑前后的结果做差，然后在平滑前的相位上补偿相应的值，公式为
[0045][0046]
其中，δ＝φ
s-φ
t
。
[0047]
与现有技术相比，本发明具有以下增益效果；
[0048]
1、由于测量过程中噪声的影响，经典解包裹算法不能很好地对包裹相位解包裹，本发明针对含噪包裹相位图应用了引导滤波的预处理方式，之后使用卷积神经网络对预处理的包裹相位进行语义分割，与经典解包裹算法相比，该方法抗噪声能力较强，可以得到准确度更高的解包裹相位图。
[0049]
2、由于应用卷积神经网络对包裹相位进行语义分割时不可避免地会出现部分像素的误判情况，将分割结果直接用于解包裹运算容易出现局部区域的相位计算错误，本发明针对这一普遍问题进行了基于连通分量和局部二阶平滑等两次校准操作，消除区域性与零散的异常相位数据，解决了分割结果存在的误判问题，进一步提升了解包裹运算精度。
附图说明
[0050]
图1为本发明方法的流程示意图；
[0051]
图2为本发明实施例中的原相位图；
[0052]
图3为图2的包裹相位图；
[0053]
图4为图3的预处理结果；
[0054]
图5为卷积神经网络的语义分割结果；
[0055]
图6为对图5进行第一次校正后的结果；
[0056]
图7为初步解包裹结果；
[0057]
图8为对图7进行第二次校正后的结果。
具体实施方式
[0058]
下面结合附图和实施例对本发明做进一步详细描述，需要指出的是，以下所述实施例旨在便于对本发明的理解，而对其不起任何限定作用。
[0059]
如图1所示，一种基于深度语义分割网络的相位解包裹方法，包括以下步骤：
[0060]
s01，构建数据集。
[0061]
使用zernike多项式生成原相位的轮廓，
[0062][0063]
采集实际系统中的干涉图，用传统算法计算解包裹相位φu(x，y)，用zernike多项式拟合φu(x，y)，拟合结果为φz(x，y)。计算拟合残差φh(x，y)，即φh(x，y)＝φu(x，y)-φz(x，y)，对其频谱作微小扰动后傅里叶反变换，结果作为高频信息与φ
l
(x，y)相加，生成原相位
[0064]
φ(x，y)＝φ
l
(x，y) φh(x，y)。
[0065]
根据原相位和包裹相位的关系，
[0066][0067]
其中，i是虚数单位，angle表示求复数的幅角。生成包裹相位根据包裹相位和原相位生成标签k(x，y)，
[0068][0069]
生成标签后，对包裹相位添加标准差为0～0.9rad的高斯噪声和椒盐噪声。
[0070]
图2为数据集中的一幅原相位，图3为对应的包裹相位并添加了标准差为0.9rad的高斯噪声。
[0071]
s02，搭建卷积神经网络，其中，卷积神经网络为论文l.-c.chen，y.zhu，g.papandreou，f.schroff，and h.adam，
″
encoder-decoder with atrous separable convolution for semantic image segmentation，
″
in 833-851.中所提出的网络。
[0072]
s03，训练卷积神经网络。具体方式为使用随机梯度下降法(动量0.9)，采用学习率衰减策略，基础学习率0.0001，batch大小为12，learning power为0.9，训练40000轮。
[0073]
s04，对包裹相位进行预处理。过程如下：
[0074]
对包裹相位使用引导滤波降噪，结果为然后将降噪后的结果与原图相减，若所有像素相减后的绝对值的平均值δ大于设定的阈值threshold，则处理结果为降噪后的图像，否则保持不变。
[0075][0076][0077]
包裹相位如图3所示，由于滤波前后差值超过结果设定阈值，处理结果为滤波后的结果，如图4所示。
[0078]
s05，将图4所示的预处理结果输入神经网络，输出语义分割结果，如图5所示。
[0079]
s06，对网络输出结果进行第一次校正，具体过程如下：
[0080]
将网络的输出结果看成一张无向图，每个像素为图中一个顶点，定义若两个像素点分类标签相同且相邻，则两个顶点连通，从而整张图可以划分为一些连通子图。设置阈值t，将元素个数少于t的连通分量提取出来，将此分量中的像素赋值为其外边界所有像素值的平均值的取整运算结果。
[0081][0082]
如图6所示，为第一次校正后的结果。
[0083]
s07，将第一次校正后的结果乘以2π后与原包裹相位相加，得到初步解包裹结果，如图7所示。
[0084]
s08，对初步解包裹结果进行第二次校正，得到最终的解包裹结果。具体过程如下：对初步解包裹相位使用中值滤波平滑，再将相位图的边界提取为一维数据，使用局部二阶回归平滑。平滑结果记作φs(x，y)将平滑前后的结果做差，然后在平滑前的相位上补偿相应的值。
[0085][0086]
其中，δ＝φ
s-φ
t
。
[0087]
第二次校正后的结果如图8所示，其均方根误差值仅为0.2031，具有较高的解包裹精度。
[0088]
以上所述的实施例对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的具体实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换，均应包含在本发明的保护范围之内。