(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111622561.1 (22)申请日 2021.12.28 (71)申请人 浙江大学嘉兴研究院 地址 314031 浙江省嘉兴 市秀洲区智富中 心48幢401室 (72)发明人 徐兆锐　骆维舟　朱声泰　刘东　 (74)专利代理 机构 杭州天勤知识产权代理有限 公司 33224 专利代理师 彭剑 (51)Int.Cl. G06V 10/80(2022.01) G06V 10/774(2022.01) G06K 9/62(2022.01) G06V 40/20(2022.01) G06V 10/82(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) G06T 5/00(2006.01) (54)发明名称 一种基于深度语义分割网络的相位解包裹 方法 (57)摘要 本发明公开了一种基于深度语义分割网络 的相位解包裹方法， 包括： (1)构建仿真数据集； (2)将数据集 分为训练集、 验证集和测试集； 选 择 语义分割的卷积神经网络进行训练； (3)对包裹 相位 进行预处理， 得到结果 (4)将预处理后的包裹相位图输入训练好的卷积 神经网络， 得到语义分割结果kt(x， y)； (5)对语 义分割结果kt(x， y)进行第一次校正， 得到校正 结果k(x， y)； (6)将语义分割校正后的结果k(x， y)乘以2π后与 原包裹相位 相加， 得到初 步解包裹结果φt(x， y)； (7)对初步解包裹结果 φt(x， y)进行第二次校正， 得到最终解包裹的结 果φf(x， y)。 本发明的方法， 计算简单， 解包裹精 度高， 抗噪能力强。 权利要求书2页 说明书5页 附图4页 CN 114511763 A 2022.05.17 CN 114511763 A 1.一种基于深度语义分割网络的相位 解包裹方法， 其特 征在于， 包括： (1)构建仿真数据集； (2)将数据集分为训练集、 验证集和测试集； 选择语义分割的卷积神经网络， 使用训练 集训练卷积神经网络， 使用验证集验证网络学习效果， 使用测试集评价经训练和验证后的 网络的准确性； (3)对包裹相位 进行预处理， 得到结果 (4)将预处理后的包裹相位图 输入训练好的卷积神经 网络， 得到语义分割结果 kt(x， y)； (5)对语义分割结果 kt(x， y)进行第一次校正， 得到校正结果 k(x， y)； (6)将语义分割校正后的结果k(x， y)乘以2π后与原包裹相位 相加， 得到初步解 包裹结果φt(x， y)； (7)对初步 解包裹结果φt(x， y)进行第二次校正， 得到最终解包裹的结果φf(x， y)。 2.根据权利要求1所述的基于深度语义分割网络的相位解包裹方法， 其特征在于， 步骤 (1)的具体步骤为： (1‑1)使用Zern ike多项式生成原相位的轮廓φl(x， y)， 其中Zi(x， y)是Zemi ke多项式第i项， ci是其系数， 服从一定的概 率分布； (1‑2)采集实际系统中的干涉图， 用传统算 法计算解包 裹相位φu(x， y)， 用Zernike多项 式拟合φu(x， y)， 拟合结果为φz(x， y)； 计算拟合残差φh(x， y)， 即φh(x， y)＝φu(x， y)‑φz (x， y)， 对其频谱作微小扰动后傅里叶反变换， 结果作为高频信息与φl(x， y)相加， 生成原 相位 φ(x， y)＝φl(x， y)+φh(x， y)。 (1‑3)根据原相位和包裹相位的关系 生成包裹相位 其中i是虚数 单位， angle表示 求复数的幅角； (1‑4)根据包裹相位和原相位 生成标签k(x， y)， 其中， round表示取整运算； 生 成标签后， 对包裹相位 添加标准差为0～0.9rad 的 高斯噪声和椒盐噪声。 3.根据权利要求1所述的基于深度语义分割网络的相位解包裹方法， 其特征在于， 步骤 (2)中， 训练集、 验证集、 测试集比例为3∶ 1∶ 1。 4.根据权利要求1所述的基于深度语义分割网络的相位解包裹方法， 其特征在于， 步骤 (3)中， 预处 理的具体过程如下：权　利　要　求　书 1/2 页 2 CN 114511763 A 2对包裹相位 使用引导 滤波降噪， 结果为 然后将降噪后的结果与原图相 减， 若所有像素相减后的绝对值的平均值Δ大于设定的阈值threshold， 则处理结果为降噪 后的图像， 否则保持不变， 公式为： 5.根据权利要求1所述的基于深度语义分割网络的相位解包裹方法， 其特征在于， 步骤 (4)中， 卷积神经网络的输入为预处理后的包裹相位， 输出为每个像素点上需加上的2π倍 数。 6.根据权利要求1所述的基于深度语义分割网络的相位解包裹方法， 其特征在于， 步骤 (5)中， 第一次校正的具体过程 为： 将卷积神经网络的输出结果看成一张无向图， 每个像素为图中一个顶点， 定义若两个 像素点分类标签相同且相 邻， 则两个顶点连通， 从而整张图可以划分为一些连通子图； 设置 阈值T， 将元素个数少于T的连通分量提取出来， 将此分量中的像素赋值为其外边界所有像 素值的平均值的取整结果， 公式为： 其中， D表示需要被校正的区域(元素个数少于T的连通分量)内点的集合， round表示取 整运算， mean表示取均值 运算， 表示D的外边界， 校正完成后的结果记为 k(x,y)。 7.根据权利要求1所述的基于深度语义分割网络的相位解包裹方法， 其特征在于， 步骤 (6)的具体公式为： 8.根据权利要求1所述的基于深度语义分割网络的相位解包裹方法， 其特征在于， 步骤 (7)中， 第二次校正的具体过程 为： 对初步解包裹相位使用中值滤波平滑， 再将相位图的边界提取为一维数据， 使用局部 二阶回归平滑； 平滑结果记作φs(x,y)， 将平滑前后的结果做差， 然后在平滑前的相位上补 偿相应的值， 公式为 其中， δ ＝φs‑φt。权　利　要　求　书 2/2 页 3 CN 114511763 A 3