用于干涉条纹图滤波的生成器网络的获取方法和装置与流程
本申请属于光学干涉测量技术领域，尤其涉及一种用于干涉条纹图滤波的生成器网络的获取方法和装置，一种基于生成器网络的干涉图滤波方法，电子设备及计算机可读存储介质。
背景技术：
光学干涉测量是一种利用光的干涉原理实现高精度测量的基础性计量方法。近几十年来，光学干涉测量技术与光电图像传感技术、计算机技术、精密机械技术、相移技术、光学信号处理技术等相结合，可以大大提高光学干涉测量的精准性和快捷性，也实现了从干涉条纹图中定量地测量复振幅、相移量和相位，因而又被称之为光学相位测量技术，在显微干涉测量中可以达到亚微米量级。基于施密特正交化的两步相移算法便是一种常用的相移光学干涉测量算法。
两步相移算法是利用两幅干涉图计算得到相位结果，这种方法恢复相位的精度较高，计算速度也比较快。但在相位解调过程中易受噪声，背景和振幅不均匀的影响，导致相位解调的精度低。
针对此问题，现有传统的方法是利用高斯高通滤波器去除条纹图的背景噪声，其他方法，例如利用增强的快速经验模态分解(enhancedfastempiricalmodedecomposition，efemd)变换计算出干涉图残差项来滤除干涉图背景项的方法，也可以达到提高相位计算精度的目的。
但是利用传统的高斯高通滤波器和efemd算法进行滤波，存在的不足包括几个方面：一是滤波精度低，滤波后的干涉图仍然存在残余的背景项，从而导致相位测量的精度下降。二是高斯高通滤波器的滤波窗口大小设置与相位物体的形貌有关，滤波窗口设置的大小直接影响滤波精度，滤波窗口设置不合理则滤波精度不够，而为了获得更优的滤波效果则需要多次尝试调整滤波窗口大小，使得利用高斯高通滤波器进行滤波的过程相对繁琐。
技术实现要素：
有鉴于此，本申请实施例提供了一种用于干涉条纹图滤波的生成器网络的获取方法和装置，一种基于生成器网络的干涉图滤波方法，电子设备及计算机可读存储介质，可以解决相关技术中滤波精度低的问题。
本申请实施例的第一方面提供了一种用于干涉条纹图滤波的生成器网络的获取方法，包括：
获取多组训练样本图；每组所述训练样本图包括干涉条纹图和与所述干涉条纹图对应的标签图，所述标签图为对所述干涉条纹图进行背景滤除后的图；
根据所述多组训练样本图对待训练的生成对抗网络进行训练，得到训练后的生成对抗网络，训练后的所述生成对抗网络的生成器网络用于对干涉条纹图进行背景滤除，所述生成对抗网络包括生成器网络和鉴别器网络。
本申请实施例的第二方面提供了一种基于生成器网络的干涉条纹图滤波方法，包括：
获取待滤波的干涉条纹图；
利用第一方面所述的获取方法获取到的生成器网络，对所述待滤波的干涉条纹图进行滤波，生成滤除背景后的干涉条纹图。
本申请实施例的第三方面提供了一种用于干涉条纹图滤波的生成器网络的获取装置，包括：
获取单元，用于获取多组训练样本图；每组所述训练样本图包括干涉条纹图和与所述干涉条纹图对应的标签图，所述标签图为所述干涉条纹图经过背景滤除后的图；
训练单元，用于根据所述多组训练样本图对待训练的生成对抗网络进行训练，得到训练后的生成对抗网络，训练后的所述生成对抗网络的生成器网络用于对干涉条纹图进行背景滤除，所述生成对抗网络包括生成器网络和鉴别器网络。
本申请实施例的第四方面提供了一种基于生成器网络的干涉条纹图滤波装置，包括：
获取单元，用于获取待滤波的干涉条纹图；
滤波单元，用于利用第三方面所述的获取装置获取到的生成器网络，对所述待滤波的干涉条纹图进行滤波，生成滤除背景后的干涉条纹图。
本申请实施例的第五方面提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面或第二方面所述方法的步骤。
本申请实施例的第六方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面或第二方面所述方法的步骤。
本申请实施例的第七方面提供了一种计算机程序产品，当计算机程序产品在电子设备上运行时，使得电子设备执行如第一方面或第二方面所述的方法。
本申请实施例中，通过对抗训练的方式得到生成对抗网络，生成对抗网络的生成器具备滤波器的功能，表现更优，可以实现将干涉条纹图的背景进行滤除，大大提高了滤波精度，此外，相对于采用高斯高通滤波器进行滤波而言，不需要进行滤波窗口大小的设置，简化了滤波过程。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请一实施例提供的一种用于干涉条纹图滤波的生成器网络的获取方法的实现流程示意图；
图2是本申请一实施例提供一种合成干涉条纹图的过程示意图；
图3是本申请一实施例提供一种合成标签图的过程示意图；
图4是本申请一实施例提供一种用于干涉条纹图滤波的生成器网络的获取方法中步骤s121至步骤s125的过程示例图；
图5本申请一实施例提供一种生成器网络的结构示意图；
图6本申请一实施例提供一种鉴别器网络的结构示意图；
图7是本申请一实施例提供的一种基于生成器网络的干涉条纹图滤波的方法的实现流程示意图；
图8是本申请一实施例提供的一种基于生成器网络的干涉条纹图滤波的方法的过程示意图；
图9是本申请一实施例提供的另一种基于生成器网络的干涉条纹图滤波的方法的实现流程示意图；
图10是本申请一实施例提供的一种用于干涉条纹图滤波的生成器网络的获取装置的结构示意图；
图11是本申请一实施例提供的另一种基于生成器网络的干涉条纹图滤波装置的结构示意图；
图12是本申请实施例提供的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚，完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
现有技术中通常采用高斯高通滤波器和efemd算法进行滤波，一方面，滤波精度低，滤波后的干涉图仍然存在残余的背景项，从而导致相位测量的精度下降；另一方面，采用高斯高通滤波器进行滤波时，需要多次尝试调整滤波窗口大小，滤波过程繁琐。
针对现有技术的不足，本申请公开用于干涉条纹图滤波的生成对抗网络的获取方法和装置，一种基于生成对抗网络的干涉条纹图滤波方法，电子设备及计算机可读存储介质，可以实现将干涉条纹图的背景滤除的功能，提高了滤波精度，并且不需要进行滤波窗口大小的设置，简化了滤波过程。
为了说明本申请所述的技术方案，下面通过具体实施例来进行说明。
图1示出了本申请一实施例提供的一种用于干涉条纹图滤波的生成器网络的获取方法的实现流程。
该获取方法应用于电子设备，电子设备包括但不限于手机、平板电脑、可穿戴设备、车载设备、增强现实(augmentedreality，ar)/虚拟现实(virtualreality，vr)设备、笔记本电脑、超级移动个人计算机(ultra-mobilepersonalcomputer，umpc)、上网本、个人数字助理(personaldigitalassistant，pda)、或服务器等，本申请实施例对电子设备的具体类型不作任何限制。其中，服务器包括但不限于独立的服务器、云端服务器、分布式服务器和服务器集群等。
如图1所示，用于干涉条纹图滤波的生成器网络的获取方法包括步骤s110至s120。各个步骤的具体实现原理如下。
s110，获取多组训练样本图；每组所述训练样本图包括干涉条纹图和与所述干涉条纹图对应的标签图，所述标签图为所述干涉条纹图经过背景滤除后的图。
其中，多组训练样本图构成了训练集，每组训练样本图包括干涉条纹图，以及对干涉条纹图进行了背景滤除后获得的标签图。
在本申请一非限制性示例中，通过搭建干涉成像光路，采集多帧实验干涉图，作为训练集中的干涉条纹图；对采集的干涉条纹图进行滤波，即背景滤除后，作为训练集中的标签图。
在本申请另一非限制性示例中，通过模拟仿真的方法生成训练集。
示例性地，该训练集包括n组训练样本图，n为正整数。在相移干涉测量中，当光波通过干涉光路后，假设所有采集的n帧随机相移干涉条纹图中第n帧干涉条纹图的光强表达式为：
其中，n＝1,2,…,n，是干涉条纹图的相移次序，n是相移的总步数，(x,y)表示干涉条纹图中的位置，a(x,y)和b(x,y)分别表示干涉条纹图的背景光强和条纹调制幅度分布，
在模拟计算中，相位分布
其中，a1、a2、b1、b2、x1、y2均为随机数；noise为均值等于0，标准差等于1的符合正态分布
按照公式(1)及模拟仿真方法合成的图像作为网络训练的干涉图，如图2所示。将网络训练的干涉条纹图减去背景项a(x,y)后作为网络训练的标签图，如图3所示。由此生成若干组干涉条纹图和标签图，作为本申请的神经网络的训练集。这种方式获得的训练集，样本丰富更完备，标签图的背景滤除精度更高，从而使得后续训练得到的网络表现更优。
s120，根据所述多组训练样本图对待训练的生成对抗网络进行训练，得到训练后的生成对抗网络，训练后的所述生成对抗网络的生成器网络用于对干涉条纹图进行背景滤除。
其中，所述生成对抗网络包括生成器网络和鉴别器网络。
根据多组训练样本图，利用生成器网络和鉴别器网络，对抗式训练，得到训练后的生成对抗网络，训练后的所述生成对抗网络的生成器网络用于对干涉条纹图进行背景滤除。
在本申请一非限定性示例中，利用图2所示方法模拟仿真生成的若干张干涉图，同时利用图3所示方法模拟仿真生成的相同数量的不含背景项a(x,y)的干涉图作为标签图，将它们一同作为训练集，对生成对抗网络进行训练，得到训练后的生成对抗网络。生成对抗网络的生成器网络具备滤波器的功能，用于对干涉图进行背景滤除。
本申请实施例中，通过对抗训练的方式得到生成对抗网络，生成对抗网络的生成器具备滤波器的功能，表现更优，可以实现将干涉条纹图的背景进行滤除，大大提高了滤波精度，此外，不需要进行滤波窗口大小的设置，简化了滤波过程。
可选地，在上述图1所示实施例的基础上，步骤s120包括如下步骤s121至s125。
s121，利用多个所述标签图作为真实样本初步训练鉴别器网络，获得初步训练后的鉴别器网络；所述鉴别器网络的输出用于表示输入图为真实图的概率。
其中，利用多个所述标签图作为真实样本对鉴别器网络进行训练，在训练过程中对所述鉴别器网络的参数进行优化，直至优化参数后的所述鉴别器网络的输出结果满足第二预设条件，或者训练过程的迭代次数达到预设迭代次数，则停止训练，得到初步训练后的鉴别器网络。
作为本申请一非限制性示例，将多个标签图作为真实样本，分别输入初始的鉴别器网络，得到每个标签图对应的输出结果，计算输出结果与预设结果值(如数值1)之间的误差，若所述误差满足第二预设条件，或迭代次数达到最大迭代次数，则停止训练；若所述误差不满足第二预设条件，则优化所述鉴别器网络的参数，直至优化后的所述鉴别器网络的输出结果满足第二预设条件，或迭代次数达到最大迭代次数，则停止训练，得到初步训练后的鉴别器网络。其中，第二预设条件为误差小于或等于预设误差阈值，预设误差阈值为经验值，本申请对此不做限定。
例如，从训练集中随机选取标签图输入到鉴别器网络中，鉴别器网络输出0到1之间的数，数字1代表输入图为真实图，在这个过程中，让鉴别器网络的输出尽可能逼近1，从而初步训练鉴别器网络。
s122，生成步骤：将所述干涉条纹图作为生成器网络的输入，得到与所述干涉条纹图对应的伪图；所述生成器网络用于对所述干涉条纹图进行背景滤除。
s123，鉴别步骤：将所述伪图和所述干涉条纹图对应的标签图分别输入所述初步训练后的鉴别器网络，输出所述伪图对应的第一概率值，和所述标签图对应的第二概率值。
s124，优化步骤：根据所述第一概率值和所述第二概率值生成损失函数，基于所述损失函数优化所述生成器网络的参数。
s125，重复所述生成步骤、所述鉴别步骤和所述优化步骤，直至优化后的所述生成器网络满足第一预设条件为止，得到训练后的生成对抗网络。
其中，步骤s121至步骤s125的实施过程示例请参见图4所示，从训练集中随机选择干涉图作为生成器网络的数据，然后经过生成器网络后产生一个新的图像矩阵数据，作为伪图。然后再将选取的干涉图对应的标签图转化成向量，作为真实图。最后将伪图和真实图作为初步训练的鉴别器网络的输入，经过鉴别器网络后输出值用于表示输入图片为真实图的概率。基于伪图和真实图两者对应的输出值计算损失函数。网络训练的目的是降低损失函数的数值，因此，通过优化生成对抗网络以降低损失函数值，从而完成生成对抗网络的训练。
需要说明的是，在本申请一示例中，经过鉴别器网络后输出值可以为0到1之间的数，用于表示输入图片为真实图的概率，真为1，假为0。在本申请其他示例中，输出值还可以为-1到1之间的数，或其他数值范围，本申请对此不予限制。
在本申请实施例中，伪图经过初步训练的鉴别器网络后输出值为第一概率值，真实图经过初步训练的鉴别器网络后输出值为第二概率值，基于第一概率值和第二概率值计算损失函数。
可选地，损失函数包括但不限于交叉熵损失函数、指数损失函数或铰链损失函数等。
作为本申请一非限制性示例，所述损失函数为交叉熵损失函数。
具体地，通过公式log[1-d(g(z))]+log(d(w))计算所述损失函数，其中，g(z)表示所述生成器网络的生成的与所述干涉条纹图z对应的伪图，d(g(z))表示所述鉴别器网络对于g(z)的输入得到的第一概率值，d(w)表示所述鉴别器网络对于所述标签图w的输入得到的第二概率值。
在本申请实施例中，生成对抗网络的生成器网络和鉴别器网络均采用深度学习神经网络。生成器网络可以为基于u-net结构的深度学习神经网络，鉴别器网络可以为基于卷积神经网络(convolutionalneuralnetworks，cnn)结构的深度学习神经网络。
示例性地，生成对抗网络的结构图如图5和图6所示，其中，图5为生成对抗网络的生成器网络的结构示意图，图6为生成对抗网络的鉴别器网络的结构示意图。
如图5所示，生成器网络基于u-net结构，包括8个卷积层和7个反卷积层，每个卷积层和反卷积层后面均使用leaky_relu作为激活函数。
如图6所示，鉴别器网络基于cnn结构，鉴别器网络包括6个卷积层，每个卷积层后面均使用leaky_relu作为激活函数。
可以理解的是，图5和图6仅为示例性描述，不可解释为对本申请的具体限制。在本申请其他实施例中，生成器网络还可以包括其他数量的卷积层和反卷积层。鉴别器网络也可以包括其他数量的卷积层。
如图7所示，本申请一实施例提供了一种基于生成器网络的干涉条纹图滤波的方法。如图7所示，该方法包括步骤s710至s720。
s710，获取待滤波的干涉条纹图。
s720，利用前述任一实施例获取方法获取到的生成器网络，对所述待滤波的干涉图进行滤波，生成滤除背景后的干涉条纹图。
在本申请实施例中，干涉条纹图可以为电子设备实时采集到的干涉图，也可以为从电子设备的内部或外部存储器中获取的干涉图，还可以为从第三方电子设备获取到的干涉图。干涉条纹图为进行滤波的对象。
当获取到待滤波的干涉条纹图后，将其输入训练后的生成对抗网络的生成器网络，生成器网络输出生成滤除背景后的干涉条纹图。
示例性地，参见图8所示，展示了利用生成对抗网络的生成器网络进行滤波的过程。如图8所示，在搭建干涉成像实验光路，采集一组新的实验干涉图之后，将此组实验干涉图输入到训练后的生成对抗网络的生成器网络中，通过网络训练好的权重数据及偏置数据，计算得到矩阵数据，从而输出滤除背景项的图像。
可选地，本申请另一实施例提供了一种基于生成器网络的干涉条纹图滤波的方法。如图9所示，在图7所示实施例的基础上，方法还包括步骤s730。
s730，通过两步相移法计算所述滤除背景后的干涉条纹图的相位信息。
其中，在通过步骤s720得到滤除背景项的干涉条纹图之后，利用两步相移算法计算网络输出的滤除背景的干涉图的相位信息，也就是说通过两步相移算法得到相位的计算结果。
示例性地，请继续参见图8所示，生成器网络输出得到滤除背景项的图像，然后利用两步相移算法计算网络输出的图像，得到计算相位的结果。
通过将本申请的滤波方法与传统滤波方法比较，针对同一组实验图，本申请所提出的滤波方法结合两步相移算法得到相位结果的均方根误差为0.0740rad，而高斯高通滤波器结合两步相移算法得到相位结果的均方根误差为0.2594rad，efemd算法结合两步相移算法得到相位结果的均方根误差为0.4547rad。可见，本申请基于生成对抗网络提出的滤波方法，滤波效果更好，结合两步相移算法得到的相位结果精度也更高。
本申请利用生成对抗网络作为工具，实现滤除干涉图背景项的功能，相比于传统的高斯高通滤波器和efemd算法，本申请的滤波精度和利用两步相移算法得到的相位计算精度均更高，相比于高斯高通滤波器，本发明的滤波步骤更简单。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的方法，下面示将描述本申请实施例提供的装置实施例，为了便于说明，仅示出了与本申请装置实施例相关的部分。
如图10所示，为本申请实施例提供的一种用于干涉条纹图滤波的生成器网络的获取装置，包括：获取单元m101和训练单元m102。
获取单元m101，用于获取多组训练样本图；每组所述训练样本图包括干涉条纹图和与所述干涉条纹图对应的标签图，所述标签图为所述干涉条纹图经过背景滤除后的图；
训练单元m102，用于根据所述多组训练样本图对待训练的生成对抗网络进行训练，得到训练后的生成对抗网络，训练后的所述生成对抗网络的生成器网络用于对干涉条纹图进行背景滤除，所述生成对抗网络包括生成器网络和鉴别器网络。
需要说明的是，本实施例提供的一种用于干涉条纹图滤波的生成器网络的获取装置的实现过程可以参考如图1中提供的一种用于干涉条纹图滤波的生成器网络的获取方法的实现过程，在此不再赘述。
可选地，在图10所示实施例的基础上，所述训练单元m102包括：
鉴别器网络初步训练单元，用于利用多个所述标签图作为真实样本初步训练鉴别器网络，获得初步训练后的鉴别器网络；所述鉴别器网络的输出用于表示输入图为真实图的概率；
生成单元，用于将所述干涉条纹图作为生成器网络的输入，得到与所述干涉条纹图对应的伪图；所述生成器网络用于对所述干涉条纹图进行背景滤除；
鉴别单元，用于将所述伪图和所述干涉条纹图对应的标签图分别输入所述初步训练后的鉴别器网络，输出所述伪图对应的第一概率值，和所述标签图对应的第二概率值；
优化单元，用于根据所述第一概率值和所述第二概率值生成损失函数，基于所述损失函数优化所述生成对抗网络的参数；
其中，所述生成单元、所述鉴别单元和所述优化单元所执行的操作被重复执行，直至优化后的所述生成器网络满足第一预设条件为止，得到训练后的生成对抗网络。
需要说明的是，本实施例提供的一种用于干涉条纹图滤波的生成器网络的获取装置的实现过程可以参考如图2中提供的一种用于干涉条纹图滤波的生成器网络的获取方法的实现过程，在此不再赘述。
如图11所示，为本申请实施例提供的一种基于生成器网络的干涉条纹图滤波装置，包括：获取单元m111，和滤波单元m112。
获取单元m111，用于获取待滤波的干涉条纹图；
滤波单元m112，用于利用前述任一实施例所述的获取装置获取到的生成器网络，对所述待滤波的干涉条纹图进行滤波，生成滤除背景后的干涉条纹图。
需要说明的是，本实施例提供的一种基于生成器网络的干涉条纹图滤波装置的实现过程可以参考如图7中提供的一种基于生成器网络的干涉条纹图滤波方法的实现过程，在此不再赘述。
可选地，在图11所示实施例的基础上，滤波装置还包括相位信息计算单元。
所述相位信息计算单元，用于通过两步相移法计算所述滤除背景后的干涉条纹图的相位信息。
需要说明的是，本实施例提供的一种基于生成器网络的干涉条纹图滤波装置的实现过程可以参考如图9中提供的一种基于生成器网络的干涉条纹图滤波方法的实现过程，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
图12是本申请一实施例提供的电子设备的示意图。如图12所示，该实施例的电子设备12包括：至少一个处理器120(图12中仅示出一个处理器)、存储器121以及存储在所述存储器121中并可在所述至少一个处理器120上运行的计算机程序122，例如用于干涉条纹图滤波的生成器网络的获取程序，或，基于生成器网络的干涉条纹图滤波的程序。所述处理器120执行所述计算机程序122时实现上述方法实施例中的步骤。例如，前述用于干涉条纹图滤波的生成器网络的获取方法实施例中的步骤，如图1所示的步骤s110至s120；或者，前述基于生成器网络的干涉条纹图滤波方法实施例中的步骤，如图7所示的步骤s710至s720。
所述电子设备可包括，但不仅限于，处理器120、存储器121。本领域技术人员可以理解，图12仅仅是电子设备12的示例，并不构成对电子设备12的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述电子设备还可以包括输入输出设备、网络接入设备、总线等。
所述处理器120可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器121可以是所述电子设备12的内部存储单元，例如电子设备12的硬盘或内存。所述存储器121也可以是所述电子设备12的外部存储设备，例如所述电子设备12上配备的插接式硬盘，智能存储卡(smartmediacard,smc)，安全数字(securedigital,sd)卡，闪存卡(flashcard)等。进一步地，所述存储器121还可以既包括所述电子设备12的内部存储单元也包括外部存储设备。所述存储器121用于存储所述计算机程序以及所述电子设备所需的其他程序和数据。所述存储器121还可以用于暂时地存储已经输出或者将要输出的数据。
本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到电子设备的任何实体或装置、记录介质、计算机存储器、只读存储器(read-onlymemory，rom)、随机存取存储器(randomaccessmemory，ram)、电载波信号、电信信号以及软件分发介质。例如u盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
- 还没有人留言评论。精彩留言会获得点赞！