基于深度学习的相位解包裹方法和装置、设备及介质

本发明实施例涉及相位解包裹，尤其涉及一种基于深度学习的相位解包裹方法和装置、设备及介质。

背景技术：

1、相位解包裹是多种应用中的一个重要信号处理问题，其目的是从包裹相位中恢复原始相位。传统的相位解包裹算法对噪声鲁棒性不强，在噪声较高以及相位不连续时，无法完成精确的相位解包裹。

技术实现思路

1、本发明实施例提供了一种基于深度学习的相位解包裹方法和装置、设备及介质，利用深度学习网络u-net框架进行相位解包裹，通过建立包裹相位和绝对相位之间的非线性映射，在高噪声环境以及相位不连续的情形下，使用训练好的深度学习网络模型只需一步就能预测出高质量的绝对相位图，从而完成精确的相位解包裹。

2、第一方面，本发明实施例提供了一种基于深度学习的相位解包裹方法，包括：

3、获取包裹相位图；

4、将所述包裹相位图输入至预先训练好的深度学习网络模型进行相位解包裹，以使所述深度网络学习模型根据包裹相位与绝对相位的非线性映射关系，输出与所述包裹相位图相对应的绝对相位图，其中，所述深度学习网络模型采用u-net框架，所述深度学习网络模型包括有编码器、解码器、深度监督特征融合模块和空洞空间卷积池化金字塔模块，所述编码器和所述解码器包含有i ncept ion模块。

5、在一些实施例中，所述深度学习网络模型的训练方法包括：

6、获取数据集，所述数据集包括噪声缠绕相位图和真实绝对相位图；

7、将所述噪声缠绕相位图输入至深度学习网络模型，输出与所述噪声缠绕相位图对应的绝对相位图；

8、根据所述真实绝对相位图、与所述噪声缠绕相位图对应的绝对相位图计算得到损失函数；

9、所述损失函数进行参数优化，得到训练好的深度学习网络模型。

10、在一些实施例中，所述获取数据集，包括：

11、通过随机矩阵放大的方式来生成所述数据集。

12、在一些实施例中，所述通过随机矩阵放大的方式来生成所述数据集，包括：

13、随机生成在预设范围内的第一矩阵；

14、通过双三次插值将所述第一矩阵放大到128*128，得到真实绝对相位图；

15、对所述真实绝对相位图进行归一化，得到第一绝对相位；

16、对所述第一绝对相位添加高斯噪声，得到第二绝对相位；

17、将所述第二绝对相位包裹到[-π,π]，得到所述噪声缠绕相位图；

18、根据所述噪声缠绕相位图和所述真实绝对相位图生成所述数据集。

19、在一些实施例中，所述编码器包含四个下采样操作，每一步下采样操作都包含一个所述i ncept ion模块，所述i ncept ion模块使用多个不同的分支并行处理一张特征图，采用残差结构将所述不同的分支进行拼接；所述编码器中的1x1卷积用于对通道数进行降维，且在每一层卷积后都使用批归一化层的方式进行正则化；所述编码器在编码过程中还使用跳跃连接的方式对编码过程和解码过程中的特征映射进行链接。

20、在一些实施例中，所述深度学习网络模型的瓶颈层使用所述空洞空间卷积池化金字塔模块对深层次特征进行多尺度提取。

21、在一些实施例中，所述解码器包含四个上采样操作，将特征图经过上采样后输入所述i ncept ion模块，再经过3x3卷积和relu激活后，输出一张绝对相位图，在解码过程的最后一层将各层卷积输出的绝对相位图拼接，最后通过1x1卷积输出最终的目标绝对相位图。

22、第二方面，本发明实施例还提供了一种基于深度学习的相位解包裹装置，所述装置包括：

23、获取模块，用于获取包裹相位图；

24、处理模块，用于将所述包裹相位图输入至预先训练好的深度学习网络模型进行相位解包裹，以使所述深度网络学习模型根据包裹相位与绝对相位的非线性映射关系，输出与所述包裹相位图相对应的绝对相位图，其中，所述深度学习网络模型采用u-net框架，所述深度学习网络模型包括有编码器、解码器、深度监督特征融合模块和空洞空间卷积池化金字塔模块，所述编码器和所述解码器包含有i ncept ion模块。

25、第三方面，本发明实施例还提供了一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如第一方面所述的基于深度学习的相位解包裹方法。

26、第四方面，本发明实施例还提供了一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行如第一方面所述的基于深度学习的相位解包裹方法。

27、根据本发明实施例提供的基于深度学习的相位解包裹方法和装置、设备及介质，其中，基于深度学习的相位解包裹方法包括：获取包裹相位图；将包裹相位图输入至预先训练好的深度学习网络模型进行相位解包裹，以使深度网络学习模型根据包裹相位与绝对相位的非线性映射关系，输出与包裹相位图相对应的绝对相位图，其中，深度学习网络模型采用u-net框架，深度学习网络模型包括有编码器、解码器、深度监督特征融合模块和空洞空间卷积池化金字塔模块，编码器和解码器包含有i ncept ion模块。基于此，本发明实施例利用深度学习网络u-net框架进行相位解包裹，通过建立包裹相位和绝对相位之间的非线性映射，在高噪声环境以及相位不连续的情形下，使用训练好的深度学习网络模型只需一步就能预测出高质量的绝对相位图，从而完成精确的相位解包裹。

技术特征：

1.一种基于深度学习的相位解包裹方法，包括：

2.根据权利要求1所述的方法，其特征在于，所述深度学习网络模型的训练方法包括：

3.根据权利要求2所述的方法，其特征在于，所述获取数据集，包括：

4.根据权利要求3所述的方法，其特征在于，所述通过随机矩阵放大的方式来生成所述数据集，包括：

5.根据权利要求1所述的方法，其特征在于，所述编码器包含四个下采样操作，每一步下采样操作都包含一个所述inception模块，所述inception模块使用多个不同的分支并行处理一张特征图，采用残差结构将所述不同的分支进行拼接；所述编码器中的1x1卷积用于对通道数进行降维，且在每一层卷积后都使用批归一化层的方式进行正则化；所述编码器在编码过程中还使用跳跃连接的方式对编码过程和解码过程中的特征映射进行链接。

6.根据权利要求1所述的方法，其特征在于，所述深度学习网络模型的瓶颈层使用所述空洞空间卷积池化金字塔模块对深层次特征进行多尺度提取。

7.根据权利要求1所述的方法，其特征在于，所述解码器包含四个上采样操作，将特征图经过上采样后输入所述inception模块，再经过3x3卷积和relu激活后，输出一张绝对相位图，在解码过程的最后一层将各层卷积输出的绝对相位图拼接，最后通过1x1卷积输出最终的目标绝对相位图。

8.一种基于深度学习的相位解包裹装置，其特征在于，所述装置包括：

9.一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任意一项所述的基于深度学习的相位解包裹方法。

10.一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行如权利要求1至7任意一项所述的基于深度学习的相位解包裹方法。

技术总结
本发明实施例提供了一种基于深度学习的相位解包裹方法和装置、设备及介质。其中，方法包括：获取包裹相位图；将所述包裹相位图输入至预先训练好的深度学习网络模型进行相位解包裹，以使所述深度网络学习模型根据包裹相位与绝对相位的非线性映射关系，输出与所述包裹相位图相对应的绝对相位图，所述深度学习网络模型采用U‑Net框架，所述深度学习网络模型包括有编码器、解码器、深度监督特征融合模块和空洞空间卷积池化金字塔模块，编码器和解码器包含有I ncept ion模块。基于此，本发明实施例在高噪声环境以及相位不连续的情形下，使用训练好的深度学习网络模型只需一步就能预测出高质量的绝对相位图，从而完成精确的相位解包裹。

技术研发人员：龙佳乐,黄昊铭,张建民,习江涛,黎在铭,李英荣,潘剑,卓节锴,马钊
受保护的技术使用者：五邑大学
技术研发日：
技术公布日：2024/11/11