[发明专利]基于端到端卷积神经网络的相位混叠误差去除方法及装置

权利要求书

1.一种基于端到端卷积神经网络的相位混叠误差去除方法，其特征在于：其包括以下步骤：

(1)针对混叠误差的位置随机性和尺度随机性，设计多尺度卷积神经网络；

(2)利用计算机模拟宽频谱相位干涉图，基于傅里叶变换法或数字莫尔移相法解得含有相位频谱混叠误差的相位图，与原宽频谱相位图一同作为混叠训练集；

(3)利用混叠训练集训练多尺度卷积神经网络；

(4)利用训练好的多尺度卷积神经网络，处理真实的含相位频谱混叠误差的相位图，得到不含相位频谱混叠误差的高精度相位解相结果；

所述步骤(1)中，多尺度卷积神经网络具有D1至D5的5个层次；网络由D1L1输入，D1L1经过一个二型残差区块层后得到D1L2；D1L2经过一个平均池化层后得到D2L1，D2L1经过一个二型残差区块层后得到D2L2；D2L2经过一个平均池化层后得到D3L1，D3L1经过一个二型残差区块层后得到D3L2；D3L2经过一个平均池化层后得到D4L1，D4L1经过一个二型残差区块层后得到D4L2；D4L2经过一个平均池化层后得到D5L1，D5L1经过一个二型残差区块层后得到D5R1；D5R1经过一个上采样层后与D4L2合并后得到D4R1，D4R1经过一个二型残差区块层后得到D4R2；D4R2经过一个上采样层后与D3L2合并后得到D3R1，D3R1经过一个二型残差区块层后得到D3R2；D3R2经过一个上采样层后与D2L2合并后得到D2R1，D2R1经过一个二型残差区块层后得到D2R2；D2R2经过一个上采样层后与D1R2合并后得到D1R1，D1R1经过一个二型残差区块层后得到D1R2；D1R2经过一个二型残差区块层后得到D1R3；D1R3经过一个二维卷积层后得到D1R4，D1R4为网络的最终输出。

2.根据权利要求1所述的基于端到端卷积神经网络的相位混叠误差去除方法，其特征在于：所述步骤(2)中，混叠训练集包括3000-6000组对应的理想相位图和混叠相位图，均利用计算机模拟生成。

3.根据权利要求2所述的基于端到端卷积神经网络的相位混叠误差去除方法，其特征在于：所述步骤(2)中，所述理想相位图利用泽尼克多项式随机生成；为了与实际干涉测量结果吻合，控制泽尼克多项式的项数和系数在一定范围之内，以保证生成的理想相位图的幅值不会过高；具体系数上限由实际测量过程中待测面形误差对应的上限决定。

4.根据权利要求3所述的基于端到端卷积神经网络的相位混叠误差去除方法，其特征在于：所述步骤(2)中，所述混叠相位图是基于相应的理想相位图计算生成的，包括以下分步骤：

(2.1)根据待消除相位频谱混叠误差的产生过程选择解相方法：傅里叶变换法或数字莫尔移相法；

(2.2)由理想相位图生成干涉图：对于傅里叶变换法而言，直接在理想相位图上添加随机的载波，生成实际相位图，然后根据余弦分布规律生成实际干涉图；对于数字莫尔移相法而言，在理想相位图上添加随机剩余波前和随机载波，生成实际相位图，然后根据余弦分布规律生成实际干涉图，并根据随机剩余波前和随机载波，利用余弦分布规律生成虚拟干涉图；

(2.3)利用所选解相方法对干涉图进行相位求解，得到带有混叠误差的混叠相位图。

5.根据权利要求4所述的基于端到端卷积神经网络的相位混叠误差去除方法，其特征在于：所述步骤(3)中，将上述混叠训练集中对应组混叠相位图作为多尺度卷积神经网络的输入，理想相位图作为输出，对神经网络进行训练。

6.根据权利要求5所述的基于端到端卷积神经网络的相位混叠误差去除方法，其特征在于：所述神经网络的训练，以神经网络的实际输出和理想相位图之差的均方根误差作为损失函数，优化方法、学习率设置均根据网络优化的效果进行调整，以便得到最低的损失函数。

7.根据权利要求6所述的基于端到端卷积神经网络的相位混叠误差去除方法，其特征在于：所述步骤(4)中，将实际混叠相位图作为训练好的多尺度卷积神经网络输入D1L1，经过神经网络的计算后，读取输出D1R4，其为不含相位频谱混叠误差的相位图。

8.根据权利要求1所述的方法的基于端到端卷积神经网络的相位混叠误差去除装置，其特征在于：其包括：

多尺度卷积神经网络设计模块，其配置来针对混叠误差的位置随机性和尺度随机性，设计多尺度卷积神经网络；

混叠训练集构建模块，其配置来利用计算机模拟宽频谱相位干涉图，基于傅里叶变换法或数字莫尔移相法解得含有相位频谱混叠误差的相位图，与原宽频谱相位图一同作为混叠训练集；

训练模块，其配置来利用混叠训练集训练多尺度卷积神经网络；

实际图像混叠误差处理模块，其配置来利用训练好的多尺度卷积神经网络，处理真实的含相位频谱混叠误差的相位图，得到不含相位频谱混叠误差的高精度相位解相结果。