隨著深度學習的快速發(fā)展,深度卷積神經網絡的非線性擬合能力也越來越強。而且很多其他領域內原來無法求解的問題通過深度學習得到了解決。相位解包裹作為光學相位測量應用中不可缺少的關鍵技術,在全息技術和結構光照明系統(tǒng)應用中占據著核心地位。而目前傳統(tǒng)的相位解包裹技術在解包裹速度和質量上進入了瓶頸期,因此本文提出了利用深度學習的方法進行相位解包裹研究。本文主要探討了基于殘差回歸網絡和基于語義分割網絡的相位解包裹研究。本文首先提出了利用殘差回歸網絡進行相位解包裹,深入探索了包裹相位圖和未包裹相位圖之間的映射關系。利用澤尼克多項式生成了大量的仿真相位圖數據。將包裹相位圖作為殘差回歸網絡的輸入,而未包裹相位圖作為輸出。由于殘差結構的存在,網絡只需要學習包裹相位圖和未包裹相位圖與包裹相位圖差值之間的映射關系即可。本文實驗結果表明,該算法只能對測試集中87%左右的包裹相位圖進行解包裹。同時存在解包裹結果中像素點數值錯誤的情況。其次,本文提出的基于語義分割網絡的相位解包裹算法由分割、疊加、修正三步組成。在分割步驟中,利用了Deep Lab V3+網絡對包裹相位圖依據需要疊加2π的倍數進行了語義分割。之后將分割結... 

【文章來源】：杭州電子科技大學浙江省

【文章頁數】：67 頁

【學位級別】：碩士

【部分圖文】：

圖像分割2015年香港中文大學的董超[23]等首次跨學科地將卷積神經網絡應用在單張圖像

杭州電子科技大學碩士學位論文8解包裹算法。目前國內外的研究人員針對相位解包裹技術的運算速度和求解質量進行了大量的研究，形成了一系列的解包裹理論和算法。這些傳統(tǒng)的相位解包裹算法主要可以分為以下兩類：基于路徑的相位解包裹算法[50-53]和基于最小范數的相位解包裹算法[17-19]。圖2.1一維和二維相位解包裹圖示2.2基于路徑的相位解包裹算法基于路徑的算法不是全局算法而是從局部開始進行解包裹的算法。因為積分結果只與積分起點和積分終點有關而不依賴于任何路徑。而相位解包裹又是一個積分的過程，所以該類算法都是通過選取最佳積分路徑，對包裹相位圖進行積分。整個積分可以通過如下的數學表達式描述：(2.4)其中代表梯度，是真實相位圖，而就是包裹相位圖，是選取的積分起點，是選取的特定的連接積分起點和積分終點的積分路徑。通過上述公式，可以看出基于路徑的相位解包裹算法的主要難點在于積分路徑的選擇。而在實驗過程中獲得的包裹相位圖可能會存在較大噪聲干擾、某一區(qū)域包裹相位圖被污染、相位變化幅度大等一系列影響解包裹算法的情形。這樣就會存在基于路徑的解包裹算法沿不同路徑積分結果迥然不同。在這種情形下，積分路徑如何避開以上影響解包裹的區(qū)域變得至關重要。目前，按照選擇積分路徑的定義和方法不同，基于路徑解包裹算法主要有四種。接下來本節(jié)將對四種基于路徑的相位解包裹算法一一介紹。2.2.1枝切法1988年，美國JPL實驗室的Goldstein在干涉合成孔徑雷達的研究中，發(fā)明了一種新的相位解包裹方法用于提取雷達波的相位信息[50]。該算法首先從輸入的包裹相位圖提取殘差點（沿某一閉合環(huán)路包裹相位梯度積分不為零的點）的位置和極性。之后對整個包裹相位圖中的像素尋找其鄰域內的殘差點。如果殘差點的極性?

鍬劑稅??轡煌賈懈玫愕南轡恍畔⒅柿�。�??該算法會選擇相位質量最高的像素點作為積分起點，再向多個方向低質量相位信息區(qū)間擴充解包裹，直到包裹相位圖中所有的點都被成功地解包裹。因此，質量圖導向法之間的區(qū)別主要是質量圖和路徑的選擇。隨著研究的不斷深入，目前常用的質量圖主要有：相位導數方差圖、相干系數圖、偽相干系數圖和最大相位梯度圖[54]。本節(jié)將主要介紹一種基于最大相位梯度質量圖的質量圖導向法。該算法在2002年由Herráez提出[52]（SRFNP），同時也是本文第五章的對比方法。首先介紹質量圖的獲取，以圖2.2為例，計算包裹相位圖中的二階導數矩陣。二階導數矩陣的定義如式（2.5）所示，各參數可通過式（2.6）計算。圖2.2包裹相位圖像素示例(2.5)(2.6)2/1222122HjiDjDjiVi+++=)],(),(),(),([),(jjiDi)]1,1(),([)],()1,1([),()]1,1(),([)],()1,1([),()]1,(),([)],()1,([),()],1(),([)],(),1([),(21=-+---+-=-----++=----+=----+jijijijijiDjijijijijiDjijijijijiVjijijijijiHjjgjjgjjgjjgjjgjjgjjgjjg


本文編號：3437180