[发明专利]一种基于深度学习语义分割网络的二维相位解包裹方法

权利要求书

1.一种基于深度学习语义分割网络的二维相位解包裹方法，其特征在于包括如下步骤：

步骤1、利用Zernike多项式产生网络训练数据并对网络进行训练；

步骤2、用步骤1得到的训练数据对语义分割DeepLabV3+网络进行训练：

步骤3、利用训练后的网络对包裹相位进行分割并和包裹相位相加，得到初步解包裹相位，并对初步解包裹相位进行后处理得到最终解包裹相位；

步骤1具体实现如下：

复值函数集{V_PQ(x，y)}具有完备性和正交性，可以表示定义在单位圆盘内的任何平方可积函数，其定义为：

V_PQ(x，y)＝V_PQ(ρ，θ)＝R_PQ(ρ)e^jQθ

其中，ρ表示原点到点(x，y)的矢量长度；θ表示矢量长度ρ与x轴逆时针方向的夹角；R_pq(ρ)是实值径向多项式：

利用Zernike多项式的前十阶产生相位未包裹的光学相位图；

其中，φ是未包裹相位图；Z_i、c_i分别代表第i阶Zernike多项式及其系数；之后我们对包裹相位进行取角度值得到包裹相位图；

其中angle(x)代表x的相位，li为虚数单位；

将解包裹的过程理解为就是将不同的相位分割出来，然后填写相应的相位值，而且填写的相位值为2π的整数倍；最后将填好的相位值和光学包裹相位图相加；整个过程如下公式所示：

其中，(x，y)代表图像中像素点的坐标；k(x，y)代表该像素点需要叠加2π的倍数，为整数；因为包裹相位与未包裹相位的差值中的数值都是2π的整数倍，而且仅需要知道包裹相位的相对值即可；所以对k进行减去平均值并除以2π的整数作为语义分割网络的GroundTruth，具体如下：

其中k是语义分割网络DeepLabV3+的Ground Truth；同时为了保证对于噪声的鲁棒性，对语义分割网络输入的包裹相位叠加了不同程度的高斯和散斑噪声，具体如下：

其中，是语义分割网络DeepLabV3+的输入；Noise(d)代表相应参数是d的散斑或者高斯噪声；通过以上的处理过程，最终生成26200张不同噪声、不同包裹程度的原始数据；将其中的25000张作为训练数据，1200张作为测试数据。

2.根据权利要求1所述的一种基于深度学习语义分割网络的二维相位解包裹方法，其特征在于步骤2具体实现如下：

语义分割网络DeepLabV3+由一个编码器和一个解码器组成；其中编码器采用XCeption网络结合金字塔池化提取到了不同尺度的特征信息，之后解码器从提取到的特征信息恢复出分割的边界信息；

采用DeepLabV3+的语义分割模型，将含不同程度噪声的包裹图像作为DeepLabV3+语义分割模型的输入图像，将上一步骤得到的k作为DeepLabV3+语义分割模型的Ground Truth图像；然后对这个网络进行了训练，经过20万次的迭代，训练的网络收敛，得到网络各层的权重值。

3.根据权利要求2所述的一种基于深度学习语义分割网络的二维相位解包裹方法，其特征在于步骤3具体实现如下：

3-1.将包裹相位图作为语义分割网络DeepLabV3+的输入，通过步骤2训练得到的网络权重值计算网络的分割结果；

3-2.将分割结果和2π相乘之后再和包裹结果进行相加，得到初步的解包裹相位；

3-3.利用类似拉普拉斯滤波器进行后处理，对初步解包裹相位进行了细化操作；得到了最终的解包裹相位；计算像素e和周围8个像素的差值：

之后按照下面的公式对像素值e进行修改：

经过这样的后处理之后，就得到了最终的解包裹相位。