(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210969274.6 (22)申请日 2022.08.12 (71)申请人 南京理工大 学 地址 210094 江苏省南京市玄武区孝陵卫 200号 (72)发明人 崔珂　叶剑波　朱日宏　李翔宇　 (74)专利代理 机构 南京理工大 学专利中心 32203 专利代理师 薛云燕 (51)Int.Cl. G06T 7/30(2017.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06T 3/40(2006.01) G06T 5/00(2006.01)G06V 10/74(2022.01) (54)发明名称 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 (57)摘要 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。 权利要求书3页 说明书6页 附图5页 CN 115205349 A 2022.10.18 CN 115205349 A 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 权　利　要　求　书 1/3 页 2 CN 115205349 A 2S24、 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25 6×256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Lmix(x,y)的公式如下： Lmix(x,y)＝α1Ll1(x,y)+α2LMS‑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Ll1(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LMS‑SSIM(x， y)公式为： 其中， cj、 sj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： 权　利　要　求　书 2/3 页 3 CN 115205349 A 3