基于深度学习的微结构测量数字全息连续相位降噪方法

1.本发明涉及数字全息技术领域的一种物体测量方法，具体涉及一种在数字全息中使用深度学习进行物体连续相位图降噪方法。


背景技术：

2.数字全息(digital holographic，dh)在测量微纳结构时，由于相干光源的干涉特性、图像采集器件(ccd)的电子特性以及待测物体表面粗糙结构等因素，会在数字全息图中引入大量噪声，包括光子噪声、电子噪声、量子噪声和相干噪声等。这些噪声在相位图中表现为不同形状的相位噪声，大量相位噪声与待测物体真实相位叠加，严重影响了相位重建的质量，降低了相位测量的精度。当前大部分相位滤波方法都是以高斯噪声模型作为散斑噪声的近似，但是相位噪声的来源有很多，并不能仅用高斯噪声模型来模拟，这是导致这些算法的相位滤波结果中仍然存在残余噪声的原因之一。
3.此外，在数字全息显微成像的包裹相位中，通常含有大量相位畸变，散斑噪声的特征在包裹相位中较明显(表现为随机分布的不连续值)，而对于相邻像素间波动较小的连续相位噪声，其特征往往被畸变相位所掩盖。当前大部分传统的或基于深度学习的相位滤波方法通常对包裹相位图滤波，相位噪声往往被大量相位畸变所掩盖，或者即使对畸变补偿后的相位图滤波，但由于叠加的相位噪声过于复杂，没有一种适合的滤波器能将其滤除，在最终的重建物体相位中，仍然存在大量未被滤除的相位噪声，制约了相位滤波的性能。


技术实现要素：

4.为了解决上述技术问题，本发明提出了一种基于深度学习的微结构测量数字全息连续相位降噪方法，设计了结合子空间投影法的端对端滤波卷积神经网络，能高效滤除数字全息实验连续相位图中存在的复杂相位噪声，利用brown和perlin两种噪声模型准确模拟了数字全息连续相位噪声，制作大量混合数据集训练卷积神经网络将数字全息连续相位噪声滤除，具有滤波性能好、网络参数少、执行速度快的优点。
5.本发明是通过以下技术方案来实现的：
6.步骤一：通过生成随机矩阵叠加方式模拟mems微结构生成物体相位图像，同时模拟数字全息连续相位图中的噪声生成噪声灰度图像，将物体相位图像和噪声灰度图像相加作为输入数据和以纯物体相位图像作为标签制作大量仿真数据集；设计了一种结合子空间投影法的端到端的卷积神经网络，将仿真数据集输入到卷积神经网络中训练卷积神经网络获得训练好的卷积神经网络，以实现降噪任务；
7.步骤二：通过拍摄采集被测物的全息干涉图，经图像处理获得包含待测物信息的物光场复振幅u，提取物光场复振幅u中的相位信息并包裹到(-π,π]之间得到包裹相位图
8.步骤三：对包裹相位图进行解包裹运算得到含有相位畸变的连续相位图，再利用zernike多项式拟合去除相位畸变，得到只含有物体相位和噪声相位的连续相位图；
9.步骤四：将连续相位图输入训练好的卷积神经网络后，训练好的卷积神经网络模型相当于一种函数映射关系，输出降噪后的物体相位图，通过物体相位图换算成高度数据，实现对微纳结构的精确测量。
10.本发明采用微结构标准件为待测物，采集了待测物表面的全息干涉图。
11.所述步骤一，具体为：
12.1.1)通过生成不重叠的随机矩形方式产生大量数个台阶状结构图像作为物体相位图像，其中预先对各个矩形的长和宽根据图像大小做取值范围限制；
13.1.2)针对步骤1.1)生成的每一幅物体相位图像根据brown和perlin两种噪声模型算法生成同样大小的噪声灰度图像，在生成时设置噪声的标准差归一化到0.05～0.26rad的范围；
14.物体相位图像和噪声灰度图像是一一对应关系。
15.本发明根据实验数据获得要模拟的数字全息连续相位噪声的标准差分布在0.1～0.15rad的范围内，具体实施中设置仿真生成的噪声的标准差归一化到0.05～0.26rad的范围，提升网络泛化能力的同时又贴合实验真实情况。
16.1.3)将模拟生成的物体相位图像和噪声灰度图像相加后得到含有噪声的连续相位图并作为卷积神经网络的输入数据，以未添加噪声的模拟生成的物体相位图像作为卷积神经网络的学习标签，制作一个含有四万对数据的仿真数据集，进而训练卷积神经网络，获得训练好的卷积神经网络。
17.所述步骤1.1)具体为：
18.先通过matlab生成mems的灰度图像，按照以下方法在灰度图像中生成8～64个矩形，在灰度图像将矩形间重叠的部分和矩形以外的部分均设为零，得到了包含多个不重叠图形的灰度图像，作为模拟mems芯片表面结构的相位灰度图像：
19.在灰度图像中随机选择一个坐标作为矩形的左下角的顶点，再随机生成两个限制在预设范围内的随机整数分别作为长和宽，从而建立填充的矩形；
20.最后再对相位灰度图像使用一次窗口大小为3
×
3的均值滤波处理得到物体相位图像。
21.所述的卷积神经网络具体包括依次连接设置的第一卷积模块、连续多个基本卷积层、子空间投影层ssa、第二卷积模块和相加层，第一卷积模块接收输入到卷积神经网络的连续相位图，第一卷积模块的输出输入到连续多个基本卷积层中，连续多个基本卷积层的输出和第一卷积模块的输出均共同输入到子空间投影层ssa中处理，子空间投影层ssa的输出输入到第二卷积模块中，第二卷积模块的输出和输入到卷积神经网络的连续相位图通过相加层相加后作为卷积神经网络的输出。
22.每个基本卷积层均主要由连续两个第一卷积模块和一个相加层依次连接构成，基本卷积层的输入经连续两个第一卷积模块处理后的结果再和基本卷积层的输入自身通过相加层相加处理后作为基本卷积层的输出。
23.所述的第一卷积模块是主要有一个卷积操作和一个激活函数依次连接构成。
24.所述的第二卷积模块是主要有第一个卷积操作、一个激活函数和第二个卷积操作依次连接构成。
25.所述的子空间投影层ssa包括卷积正则化模块和卷积操作、相加层、基向量处理操
作basic vectors和投影操作projection，连续多个基本卷积层的输出和第一卷积模块的输出先拼接后分别输入到卷积正则化模块和卷积操作中，卷积正则化模块的输出和卷积操作的输出通过相加层进行相加操作的结果再输入到基向量处理操作basic vectors中获得基向量，基向量处理操作basic vectors的输出再和第一卷积模块的输出共同输入到投影操作projection，投影操作projection利用基向量处理操作basic vectors的输出对第一卷积模块的输出进行加权优化获得最终降噪后的物体相位图；
26.所述的卷积正则化模块主要由第一个卷积操作、第一个batchnormal批量正则化操作、第一个激活函数、第二个卷积操作、第二个batchnormal批量正则化操作、第二个激活函数依次连接构成。
27.本发明步骤一是设计一个结合子空间投影法的端到端的卷积神经网络，网络使用膨胀卷积来增加卷积核的感受野，而不使用下采样方式，同时利用brown和perlin两种噪声模型模拟数字全息连续相位图中的噪声，噪声形态表现为连续起伏的水波状，且通过生成随机矩阵叠加的方法模拟台阶状的mems微结构，将模拟物体相位与模拟噪声相加作为输入数据，以未叠加噪声的物体相位作为标签，制作大量仿真数据集，训练卷积神经网络实现降噪任务。
28.所述步骤二，具体为：
29.2.1)采用ccd光敏电子成像器件记录待测物的全息干涉图，通过傅里叶变换得到频谱图，对频谱图中的正一级频谱进行提取并使用逆傅里叶变换重建全息图，再通过角谱衍射法对重建的全息图衍射后，得到含有待测物信息的物光场复振幅；
30.2.2)提取物光场复振幅u中的指数项并包裹到(-π,π]之间得到包裹相位图。
31.所述步骤三，具体为：
32.3.1)对包裹相位图进行解包裹后，得到连续相位图，通常包含了待测物体相位、畸变相位和相位噪声；
33.3.2)对连续的相位图φc进行zernike多项式拟合获得畸变相位的zernike系数，通过拟合得到的zernike系数计算畸变相位φa，最后用解包裹相位φc减去畸变相位φa得到包含待测物和噪声的相位图像。
34.所述步骤四，具体为：对于训练好的卷积神经网络模型，对每个特定的待测连续相位图，得到一个降噪后的物体相位图：
35.y＝γ(φ)
36.其中，γ(
·
)代表训练好的卷积神经网络，φ是输入卷积神经网络的连续相位图，y是卷积神经网络输出的降噪后的物体相位图。
37.本发明在建立端到端卷积神经网络，模拟制作大量混合数据集后训练获得降噪模型。然后将采集待测物的全息干涉图，经频谱提取、角谱衍射、相位解包裹和畸变补偿后得到只含有物体相位和噪声的连续相位图，将其输入训练好的卷积神经网络模型中，网络输出降噪后的物体相位图，即为物体相位图。
38.与现有的技术相比，本发明的有益效果是：
39.本发明利用brown和perlin两种噪声模型制作仿真数据集，避免了需要大量采集实验数据的困难，通过在网络结构中加入子空间投影模块，极大提升了降噪性能，减少了网络参数量，具有运算速度快、降噪性能好的优点。
40.本发明通过brown和perlin两种噪声模型制作混合数据集，而不是常用的高斯噪声，来模拟数字全息实验连续相位中的复杂相位噪声，设计并训练利用子空间投影法的端到端卷积神经网络实现降噪任务，可以高效去除数字全息实验连续相位图中的复杂相位噪声。
41.降噪过程全自动无需人工干预，没有预设参数，网络参数少，运行速度快，残留噪声小，物体细节信息保留完整。
附图说明
42.图1为本发明方法所用的卷积神经网络结构和处理流程图；
43.表1为实施例中使用的zernike多项式；
44.图2为实施例中处理过程图；
45.图3为实施例中最终相位滤波结果图。
具体实施方式
46.下面结合附图和实施例对本发明作进一步说明。
47.本发明实施例如图1(a)的流程图所示，具体步骤如下：
48.步骤一：过生成随机矩阵叠加方式模拟mems微结构生成物体相位图像，同时模拟数字全息连续相位图中的噪声生成噪声灰度图像，将物体相位图像和噪声灰度图像相加及其标签制作大量仿真数据集；设计了一种结合子空间投影法的端到端的卷积神经网络，将仿真数据集输入到卷积神经网络中训练训练卷积神经网络获得训练好的卷积神经网络，以实现降噪任务。
49.具体为：
50.1.1)具体实施中，设置卷积神经网络输入数据的大小为m
×
m。先通过matlab生成mems的m
×
m像素大小的数个灰度图像，按照以下方法在每个灰度图像中生成8～64个矩形，在灰度图像中将矩形内的部分均设为1，且在灰度图像将矩形间重叠的部分和矩形以外的部分均设为零，得到了包含多个不重叠图形的灰度图像，即相当于所有矩形之间求差集，作为模拟mems芯片表面结构的相位灰度图像，得到只含有0和1的灰度图像，对此图像乘以一个[0,π]范围内的随机数使每个图像具有不同的相位值：
[0051]
先在m
×
m像素大小的矩阵中随机选择一个坐标，以此坐标作为矩形的左下角的顶点，再随机生成两个限制在一定范围内的随机整数分别作为长和宽，这就得到了一个填充的矩形。
[0052]
最后再对相位灰度图像使用一次窗口大小为3
×
3的均值滤波处理以降低边缘梯度得到物体相位图像，以优化卷积神经网络对数据集的学习能力。
[0053]
1.2)针对步骤1.1)生成的每一幅物体相位图像根据brown和perlin两种模拟自然界随机噪声形态的噪声模型算法仿真生成同样大小为m
×
m的噪声灰度图像，在生成时设置噪声的标准差归一化到0.05～0.26rad的范围；
[0054]
1.3)将模拟生成的物体相位图像和噪声灰度图像相加后得到含有噪声的连续相位图并作为卷积神经网络的输入数据，以未添加噪声的模拟生成的物体相位图像作为卷积神经网络的学习标签，制作一个含有四万对数据的仿真数据集(含有brown和perlin噪声的
数据各两万对)，进而训练卷积神经网络，获得训练好的卷积神经网络。
[0055]
步骤1.3)在训练卷积神经网络时，训练的初始参数设置为：学习率为0.0001，优化器为adam，损失函数为均方根误差函数，学习率衰减函数为余弦退火函数。数据集迭代训练20次。
[0056]
图1(b)为所设计的结合子空间投影法的卷积神经网络。
[0057]
卷积神经网络具体包括依次连接设置的输入层、第一卷积模块、连续多个基本卷积层、子空间投影层ssa、第二卷积模块和相加层以及输出层，第一卷积模块接收输入到卷积神经网络的连续相位图，第一卷积模块的输出输入到连续多个基本卷积层中，连续多个基本卷积层的输出和第一卷积模块的输出均共同输入到子空间投影层ssa中处理，子空间投影层ssa的输出输入到第二卷积模块中，第二卷积模块的输出和输入到卷积神经网络的连续相位图通过相加层相加后作为卷积神经网络的输出。
[0058]
每个基本卷积层均主要由连续两个第一卷积模块和一个相加层依次连接构成，基本卷积层的输入经连续两个第一卷积模块处理后的结果再和基本卷积层的输入自身通过相加层相加处理后作为基本卷积层的输出。
[0059]
第一卷积模块是主要有一个卷积操作和一个激活函数依次连接构成。
[0060]
第二卷积模块是主要有第一个卷积操作、一个激活函数和第二个卷积操作依次连接构成。
[0061]
子空间投影层ssa包括卷积正则化模块和卷积操作、相加层、基向量处理操作basic vectors和投影操作projection，连续多个基本卷积层的输出和第一卷积模块的输出先拼接后分别输入到卷积正则化模块和卷积操作中，卷积正则化模块的输出和卷积操作的输出通过相加层进行相加操作的结果再输入到基向量处理操作basic vectors中获得基向量，基向量处理操作basic vectors的输出x2再和第一卷积模块的输出x1共同输入到投影操作projection，投影操作projection利用基向量处理操作basic vectors的输出对第一卷积模块的输出x1进行加权优化获得最终降噪后的物体相位图；
[0062]
卷积正则化模块主要由第一个卷积操作、第一个batchnormal批量正则化操作、第一个激活函数、第二个卷积操作、第二个batchnormal批量正则化操作、第二个激活函数依次连接构成。
[0063]
对于输入的含有噪声的相位图，先通过7
×
7大小的卷积核提取特征，扩展为32通道，随后依次通过19个具有残差结构的卷积模块提取特征，再利用子空间投影模块分离特征，最后通过两个卷积层整合为一通道灰度图像代表噪声相位，再与原始输入图像相加后，输出滤波后的相位图。basicconvlayer残差模块由两个卷积层组成，第一个卷积层使用普通的3
×
3卷积核，第二个卷积层使用膨胀系数为2的3
×
3膨胀卷积核，激活函数均使用leakrelu，负半轴斜率为0.2。
[0064]
在子空间投影模块中，先将输入的低维特征x1和高维特征x2在其通道维度上合并拼接，通过两个大小为3
×
3的卷积核和残差连接的基本卷积层进行特征提取，随后将特征图映射到k个通道上，k为子空间维度。
[0065]
对每一通道上的特征图展开成一维向量，得到k个大小为m2的向量，m为特征图的尺寸，得到一组基向量basic vectors记为之后进行投影操作projection运算，利用正交线性投影将低维图像特征图x1投影到k维子空间以分离信号，表示为：
[0066]
p＝v(v
t
v)-1vt
[0067]
其中，p为信号子空间的正交投影矩阵，v表示基向量basic vectors；
[0068]
最终，低维的特征图x1在信号子空间中重建为：
[0069]
y＝px1[0070]
式中，y为最终降噪后的物体相位图，重建后并变换为与x1相同维度的特征图，作为子空间投影模块的输出到卷积神经网络下一层中。
[0071]
步骤二：通过拍摄采集被测物的全息干涉图，经图像处理获得包含待测物信息的大小为m
×
m的物光场复振幅u(x,y)，提取复振幅u(x,y)中的相位信息并包裹到(-π,π]之间得到包裹相位具体为：
[0072]
2.1)采用ccd光敏电子成像器件记录待测物的全息干涉图，通过傅里叶变换得到频谱图，对频谱图中的正一级频谱进行提取并使用逆傅里叶变换重建全息图，再通过角谱衍射法对重建的全息图衍射后，得到含有待测物信息的物光场复振幅，具体表示为：
[0073]
u(x,y)＝a(x,y)exp[iψ(x,y)],x,y＝1,2,
…
,m
[0074]
ψ(x,y)＝φo(x,y)+φa(x,y)+φe(x,y),x,y＝1,2,
…
,m
[0075]
其中，u为物光场复振幅，(x,y)为二维平面上的坐标点，i表示虚数单位，a为光场的幅值，ψ为相位信息，包含待测物相位φo、畸变相位φa和相位噪声φe；
[0076]
2.2)提取物光场复振幅u中的指数项并包裹到(-π,π]之间得到包裹相位图，表示为：
[0077][0078]
其中，为包裹相位图，arctan{
·
}为反正切函数，im[
·
]为取虚部操作，re[
·
]为取实部操作。
[0079]
图2(a)为本实施例所采集的微结构全息干涉图，图2(b)为对图2(a)的全息干涉图做傅里叶变换得到频谱图，提取+1级频谱并逆傅里叶变换，使用角谱衍射法得到物光场复振幅分布，提取相位信息包裹后得到包裹相位图，图2(c)为对包裹相位图解包裹后得到含有大量相位畸变的连续相位图。
[0080]
步骤三：对包裹相位图进行解包裹运算得到含有相位畸变的连续相位图，再利用zernike多项式拟合去除相位畸变，得到只含有物体相位和噪声相位的连续相位图；具体为：
[0081]
3.1)对包裹相位图进行最小二乘法解包裹后，得到连续相位图，通常包含了待测物体相位、畸变相位和相位噪声，表示为：
[0082][0083]
其中，φc为解包裹相位，连续的曲面，unwrap[
·
]为解包裹操作，φo(x,y)、φa(x,y)和φe(x,y)分别为连续的物体相位、畸变相位和噪声相位；
[0084]
3.2)对连续的相位图φc进行zernike多项式拟合获得畸变相位的zernike系数，通过拟合得到的zernike系数计算畸变相位φa，最后用解包裹相位φc减去畸变相位φa得到包含待测物和噪声的相位，表示为：
[0085]
φ(x,y)＝φc(x,y)-φa(x,y)
[0086]
其中，φ为需要输入到卷积神经网络模型中进行降噪的含有噪声的连续相位图。
[0087]
表1
[0088][0089][0090]
上述表1为本实施所用到的笛卡尔坐标系下的zernike多项式，图2(d)为补偿相位畸变后得到只含有物体相位和相位噪声的连续相位图。
[0091]
步骤四：将连续相位图输入训练好的卷积神经网络后，网络输出降噪后的物体相位图。具体为：
[0092]
对于训练好的卷积神经网络模型，看作一种函数映射关系，对每个特定的待测连续相位图，得到一个降噪后的物体相位图：
[0093]
y＝γ(φ)
[0094]
其中，γ(
·
)代表训练好的卷积神经网络模型，具有特定的网络参数，φ是输入卷积神经网络的连续相位图，y是卷积神经网络对输入数据处理后输出的降噪后的物体相位图，只剩下物体相位信息，将其换算成高度数据可得到形貌测量值。
[0095]
图3为将图2(d)的含有噪声的连续相位图输入训练好的卷积神经网络中，网络输出的降噪后的物体相位图。
[0096]
本发明针对现有相位滤波算法难以解决数字全息连续相位中存在的复杂噪声的问题，通过设计结合子空间投影法的深度卷积神经网络，利用brown和perlin两种噪声模型模拟数字全息连续相位中的噪声，制作大量数据集训练所设计的卷积神经网络，实现了高效滤除数字全息实验中的相位噪声的目的，极大地提升了数字全息相位测量的精度。

技术特征：
1.一种基于深度学习的微结构测量数字全息连续相位降噪方法，其特征在于：步骤一：通过生成随机矩阵叠加方式模拟mems微结构生成物体相位图像，同时模拟数字全息连续相位图中的噪声生成噪声灰度图像，将物体相位图像和噪声灰度图像相加作为输入数据和以物体相位图像作为标签制作仿真数据集；设计了一种结合子空间投影法的端到端的卷积神经网络，将仿真数据集输入到卷积神经网络中训练卷积神经网络获得训练好的卷积神经网络；步骤二：通过拍摄采集被测物的全息干涉图，经图像处理获得包含待测物信息的物光场复振幅u，提取物光场复振幅u中的相位信息并包裹到(-π,π]之间得到包裹相位图步骤三：对包裹相位图进行解包裹运算得到含有相位畸变的连续相位图，再利用zernike多项式拟合去除相位畸变，得到只含有物体相位和噪声相位的连续相位图；步骤四：将连续相位图输入训练好的卷积神经网络后，输出降噪后的物体相位图。2.根据权利要求1所述的一种基于深度学习的微结构测量数字全息连续相位降噪方法，其特征在于：所述步骤一，具体为：1.1)通过生成不重叠的随机矩形方式产生数个台阶状结构图像作为物体相位图像；1.2)针对步骤1.1)生成的每一幅物体相位图像根据brown和perlin两种噪声模型算法生成同样大小的噪声灰度图像，在生成时设置噪声的标准差归一化到0.05～0.26rad的范围；1.3)将模拟生成的物体相位图像和噪声灰度图像相加后得到含有噪声的连续相位图并作为卷积神经网络的输入数据，以未添加噪声的模拟生成的物体相位图像作为卷积神经网络的学习标签，制作一个仿真数据集，进而训练卷积神经网络，获得训练好的卷积神经网络。3.根据权利要求2所述的一种基于深度学习的微结构测量数字全息连续相位降噪方法，其特征在于：所述步骤1.1)具体为：先通过matlab生成mems的灰度图像，按照以下方法在灰度图像中生成8～64个矩形，在灰度图像将矩形间重叠的部分和矩形以外的部分均设为零，得到了包含多个不重叠图形的灰度图像，作为模拟mems芯片表面结构的相位灰度图像：在灰度图像中随机选择一个坐标作为矩形的左下角的顶点，再随机生成两个限制在预设范围内的随机整数分别作为长和宽，从而建立填充的矩形；最后再对相位灰度图像使用一次窗口大小为3
×
3的均值滤波处理得到物体相位图像。4.根据权利要求1或2所述的一种基于深度学习的微结构测量数字全息连续相位降噪方法，其特征在于：所述的卷积神经网络具体包括依次连接设置的第一卷积模块、连续多个基本卷积层、子空间投影层ssa、第二卷积模块和相加层，第一卷积模块接收输入到卷积神经网络的连续相位图，第一卷积模块的输出输入到连续多个基本卷积层中，连续多个基本卷积层的输出和第一卷积模块的输出均共同输入到子空间投影层ssa中处理，子空间投影层ssa的输出输入到第二卷积模块中，第二卷积模块的输出和输入到卷积神经网络的连续相位图通过相加层相加后作为卷积神经网络的输出。5.根据权利要求4所述的一种基于深度学习的微结构测量数字全息连续相位降噪方法，其特征在于：每个基本卷积层均主要由连续两个第一卷积模块和一个相加层依次连接
构成，基本卷积层的输入经连续两个第一卷积模块处理后的结果再和基本卷积层的输入自身通过相加层相加处理后作为基本卷积层的输出。6.根据权利要求4所述的一种基于深度学习的微结构测量数字全息连续相位降噪方法，其特征在于：所述的子空间投影层ssa包括卷积正则化模块和卷积操作、相加层、基向量处理操作basic vectors和投影操作projection，连续多个基本卷积层的输出和第一卷积模块的输出先拼接后分别输入到卷积正则化模块和卷积操作中，卷积正则化模块的输出和卷积操作的输出通过相加层进行相加操作的结果再输入到基向量处理操作basic vectors中，基向量处理操作basic vectors的输出再和第一卷积模块的输出共同输入到投影操作projection，投影操作projection利用基向量处理操作basic vectors的输出对第一卷积模块的输出进行加权优化获得最终降噪后的物体相位图；所述的卷积正则化模块主要由第一个卷积操作、第一个batchnormal批量正则化操作、第一个激活函数、第二个卷积操作、第二个batchnormal批量正则化操作、第二个激活函数依次连接构成。7.根据权利要求1所述的一种基于深度学习的微结构测量数字全息连续相位降噪方法，其特征在于：所述步骤二，具体为：2.1)采用ccd光敏电子成像器件记录待测物的全息干涉图，通过傅里叶变换得到频谱图，对频谱图中的正一级频谱进行提取并使用逆傅里叶变换重建全息图，再通过角谱衍射法对重建的全息图衍射后，得到含有待测物信息的物光场复振幅；2.2)提取物光场复振幅u中的指数项并包裹到(-π,π]之间得到包裹相位图。8.根据权利要求1所述的一种基于深度学习的微结构测量数字全息连续相位降噪方法，其特征在于：所述步骤三，具体为：3.1)对包裹相位图进行解包裹后，得到连续相位图，通常包含了待测物体相位、畸变相位和相位噪声；3.2)对连续的相位图φ
c
进行zernike多项式拟合获得畸变相位的zernike系数，通过拟合得到的zernike系数计算畸变相位φ
a
，最后用解包裹相位φ
c
减去畸变相位φ
a
得到包含待测物和噪声的相位图像。9.根据权利要求1所述的一种基于深度学习的微结构测量数字全息连续相位降噪方法，其特征在于：所述步骤四，具体为：对于训练好的卷积神经网络模型，对每个特定的待测连续相位图，得到一个降噪后的物体相位图：y＝γ(φ)其中，γ(
·
)代表训练好的卷积神经网络，φ是输入卷积神经网络的连续相位图，y是卷积神经网络输出的降噪后的物体相位图。

技术总结
本发明公开了一种基于深度学习的微结构测量数字全息连续相位降噪方法。通过生成随机矩阵叠加方式模拟MEMS微结构生成物体相位图像，同时模拟数字全息连续相位图中的噪声生成噪声灰度图像，进而制作仿真数据集；设计端到端的卷积神经网络，训练获得训练好的卷积神经网络；通过拍摄采集被测物的全息干涉图，经频谱提取、角谱衍射、相位解包裹和畸变补偿后得到只含有物体相位和噪声的连续相位图，输入训练好的卷积神经网络中获得物体相位图。本发明准确制作仿真数据集，避免了需要大量采集实验数据的困难，通过在网络结构中加入子空间投影模块，极大提升了降噪性能，减少了网络参数量，具有运算速度快、降噪性能好的优点。降噪性能好的优点。降噪性能好的优点。


技术研发人员：陈本永 唐健钧 严利平 黄柳
受保护的技术使用者：浙江理工大学
技术研发日：2023.04.28
技术公布日：2023/7/27