CN111797678B - 基于复合神经网络的相位解包裹方法和装置 - Google Patents
基于复合神经网络的相位解包裹方法和装置 Download PDFInfo
- Publication number
- CN111797678B CN111797678B CN202010413940.9A CN202010413940A CN111797678B CN 111797678 B CN111797678 B CN 111797678B CN 202010413940 A CN202010413940 A CN 202010413940A CN 111797678 B CN111797678 B CN 111797678B
- Authority
- CN
- China
- Prior art keywords
- neural network
- phase data
- data
- composite neural
- layer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/22—Source localisation; Inverse modelling
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于复合神经网络的相位解包裹方法和装置,其中,方法包括:使用仿真软件生成数据集;将数据集随机划分成训练集和测试集;对训练集中的包裹相位数据进行预处理,以得到处理后的训练集;将U形网络U‑Net、图像分割网络SegNet和残差网络相融合构建包含卷积层、池化层的复合神经网络模型;通过复合神经网络模型和处理后的训练集进行模型训练,以确定并保存复合神经网络模型的网络模型参数;将测试集中的包裹相位数据作为复合神经网络模型的输入,以对测试集中的包裹相位数据进行相位解包裹,得到对应的实际展开相位数据,并根据实际展开相位数据和目标展开相位数据确定所述复合神经网络模型的准确性。
Description
技术领域
本发明涉及图像处理技术领域,更具体地,涉及一种基于复合神经网络的相位解包裹方法和装置。
背景技术
相位展开是从包裹(缠绕)相位中恢复出真实的相位信息,它在光学干涉计量技术(全息干涉、散斑干涉)、合成孔径雷达干涉技术、医学成像技术等领域有广泛的应用。因为这些技术求得的相位一般要使用反正切函数,因此相位被包裹在(-π,π)这个范围之内,从而显现出不连续分布。这并不是真实的相位值,为了得到实际的相位就需要对包裹相位进行相位展开。
目前的相位展开算法主要分成两类。一类是全局展开算法,通过引入目标函数并附以一定的约束条件将相位展开问题转化成求解最优化的问题;另一类是路径依赖算法,通过选择一个合适的积分路径来进行相位展开。这些算法可以恢复包裹相位图,但对于噪声严重的、相位梯度陡峭的包裹相位图仍然无法有效的求解。
发明内容
鉴于上述问题,本发明提出了一种基于复合神经网络的相位解包裹方法和相应的装置,其可以有效求解噪声严重、相位梯度陡峭的包裹相位图。
根据本发明实施例的第一方面,提供一种基于复合神经网络的相位解包裹方法,包括:
使用仿真软件生成数据集,其中,所述数据集中包括不同类型的包裹相位数据和对应的目标展开相位数据,所述包裹相位数据和所述目标展开相位数据分别作为输入信息和相应的标签信息;
将所述数据集随机划分成训练集和测试集;
对所述训练集中的包裹相位数据进行预处理,以得到处理后的训练集;
将U形网络U-Net、图像分割网络SegNet和残差网络相融合构建包含卷积层、池化层的复合神经网络模型;
通过所述复合神经网络模型和所述处理后的训练集进行模型训练,以确定并保存所述复合神经网络模型的网络模型参数;
将所述测试集中的包裹相位数据作为所述复合神经网络模型的输入,以对所述测试集中的包裹相位数据进行相位解包裹,得到对应的实际展开相位数据,并根据所述实际展开相位数据和所述目标展开相位数据确定所述复合神经网络模型的准确性。
在一个实施例中,优选地,使用从1到9阶的泽尼克多项式生成展开相位数据,其数学表达式为:
其中,φ(x,y)为展开相位,zi、ai为泽尼克多项式和其对应的泽尼克多项式系数;
所述包裹相位数据的生成公式为:
在一个实施例中,优选地,所述复合神经网络模型包括编码阶段和解码阶段;
所述编码阶段包括6个编码层,每个编码层包括第一卷积层、第一残差层和第二卷积层,其中,所述第一卷积层和所述第二卷积层的卷积核大小为3×3,不同的编码层之间进行卷积核大小为2×2、步长为2的最大池化操作;
所述解码阶段包括5个解码层,每个解码层包括第三卷积层、第二残差层和第四卷积层。
在一个实施例中,优选地,在每个卷积层设置批量标准化单元和修正线性单元,以对卷积操作后的数据进行批量标准化和线性修正。
在一个实施例中,优选地,通过所述复合神经网络模型和所述处理后的训练集进行模型训练,包括正向传播过程和反向传播过程:
所述正向传播过程包括:将所述处理后的训练集分成多个批次,分别输入所述复合神经网络模型,通过逐层计算得到实际展开相位数据;
所述反向传播过程包括:根据所述实际展开相位数据和所述目标展开相位数据之间的误差对损失函数求各个权重的偏导数,以使误差沿着降速最快的方向调整;
在一个实施例中,优选地,所述正向传播过程使用正态随机分布函数将所述复合神经网络模型的权值初始化为服从正态分布的随机数,偏置b初始化为0,设定网络的学习率为0.0001,迭代epochs为80,每批次batch_size为64;
所述反向传播过程使用自适应矩估计的优化算法进行迭代反向传播,并使用MSE作为损失函数。
在一个实施例中,优选地,所述对所述训练集中的包裹相位数据进行预处理,包括:
将所述训练集中的包裹相位数据加入高斯噪声。
在一个实施例中,优选地,所述高斯噪声的均值为0,标准方差为0.01到0.4。
在一个实施例中,优选地,所述训练集和所述测试集的数据比例为9:1。
根据本发明实施例的第二方面,提供一种基于复合神经网络的相位解包裹装置,包括:
存储器和处理器;
所述存储器用于保存所述处理器执行计算机程序时所使用的数据;
所述处理器用于执行计算机程序以实现如第一方面或第一方面任一实施例中所述的方法。
本发明实施例中,提出了一种基于复合神经网络的相位解包裹方法,对噪声比较严重的包裹相位图以及复杂相位图能够较好的重构其真实相位图;结合使用了U-Net、SegNet和残差神经网络结构,能弥补U-Net结构学习参数多和SegNet提取多尺度信息能力弱的缺点,同时引入了残差神经网络,能够加速网络训练以及加深网络层数。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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发明的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一个实施例的基于复合神经网络的相位解包裹方法流程图。
图2是本发明一个实施例的相位解包裹网络框架图。
图3是本发明一个实施例的采用复合神经网络的相位解包裹方法得到的相位展开图。
图4是本发明一个实施例的包裹相位图。
图5是本发明一个实施例的真实相位展开图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中,包含了按照特定顺序出现的多个操作,但是应该清楚了解,这些操作可以不按照其在本文中出现的顺序来执行或并行执行,操作的序号如101、102等,仅仅是用于区分开各个不同的操作,序号本身不代表任何的执行顺序。另外,这些流程可以包括更多或更少的操作,并且这些操作可以按顺序执行或并行执行。需要说明的是,本文中的“第一”、“第二”等描述,是用于区分不同的消息、设备、模块等,不代表先后顺序,也不限定“第一”和“第二”是不同的类型。
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
硬件环境:处理器为Inter i7-9700k,核心数为8核,内存为16GB,固态硬盘大小为500G,机械硬盘大小为1TB,显卡型号为七彩虹iGame GeForce RTX 2080Ti Advance。
软件环境:操作系统64位Windows 10,深度学习框架Pytorch 1.1.0,集成开发环境Python 3.7+Pycharm 2019.1.3x64。
图1是本发明一个实施例的基于复合神经网络的相位解包裹方法流程图,如图1所示,基于复合神经网络的相位解包裹方法包括:
步骤S101,使用仿真软件生成数据集,其中,所述数据集中包括不同类型的包裹相位数据和对应的目标展开相位数据,所述包裹相位数据和所述目标展开相位数据分别作为输入信息和相应的标签信息。具体地,可以使用matlab模拟生成30000对不同类型的包裹相位灰度图及其对应的展开相位灰度图,分别作为输入信息和相应的标签信息,图片大小为256×256。
在一个实施例中,优选地,使用从1到9阶的泽尼克多项式生成展开相位数据,其数学表达式为:
其中,φ(x,y)为展开相位,zi、ai为泽尼克多项式和其对应的泽尼克多项式系数;
所述包裹相位数据的生成公式为:
步骤S102,将所述数据集随机划分成训练集和测试集,所述训练集和所述测试集的数据比例为9:1。即练集占数据集的90%,测试集占数据集的10%,每部分由包裹相位图和相应的标签信息组成。
步骤S103,对所述训练集中的包裹相位数据进行预处理,以得到处理后的训练集。
在一个实施例中,优选地,所述对所述训练集中的包裹相位数据进行预处理,包括:
将所述训练集中的包裹相位数据加入高斯噪声。
在一个实施例中,优选地,所述高斯噪声的均值为0,标准方差为0.01到0.4。
步骤S104,将U形网络U-Net、图像分割网络SegNet和残差网络相融合构建包含卷积层、池化层的复合神经网络模型。
在一个实施例中,优选地,所述复合神经网络模型包括编码阶段和解码阶段;所述编码阶段包括6个编码层,每个编码层包括第一卷积层、第一残差层和第二卷积层,其中,所述第一卷积层和所述第二卷积层的卷积核大小为3×3,不同的编码层之间进行卷积核大小为2×2、步长为2的最大池化操作;所述解码阶段包括5个解码层,每个解码层包括第三卷积层、第二残差层和第四卷积层。
在一个实施例中,优选地,在每个卷积层设置批量标准化单元和修正线性单元,以对卷积操作后的数据进行批量标准化和线性修正。
具体地,如图2所示,编码阶段由6个相同的编码层组成,从浅到深编号依次为编码层1、编码层2、编码层3、编码层4、编码层5、编码层6。每个编码层由卷积核大小为3×3的卷积层、残差块以及卷积核大小为3×3的卷积层的结构组成,使用残差块来加深网络层数,每个卷积操作后面跟随着batch normalization(BN)和修正线性单元(Relu),每两个编码层之间进行卷积核大小为2×2、步长为2的最大池化操作。并且最大池索引被存储用于后续的上采样操作(最后一个池化操作不存储)。最初输入的包裹相位灰度图只有一个特征通道,经过第一次卷积操作之后变成了8个通道,在每个池化操作后,我们将特征通道的数量增加一倍。解码阶段有5个解码层,从浅到深编号依次为解码层1、解码层2、解码层3、解码层4、解码层5。在特征图经过每个解码层之前都会对其进行上采样操作,此过程使用来自相应编码器位置存储的最大池索引来对输入特征图进行上采样,用于减少一半的特征通道数量,为了保证训练精度,在特征图经过解码层1时不使用来自相应编码器位置存储的最大池索引来对输入特征图进行上采样,而是将编码层6输出的特征图进行卷积核大小为3×3的转置卷积操作。并且解码层1解码层4和解码层5分别使用跳跃连接用来连接编码层5、编码层2和编码层1的特征图,使用跳跃连接来捕获多尺度信息,可以提高模型的性能。每个解码层均进行两次卷积核大小为3×3的卷积操作,每个卷积操作后面均使用batch normalization(BN)和Relu,残差块在两次卷积操作之间,最后输出只有一个特征通道的真实相位灰度图。
步骤S105,通过所述复合神经网络模型和所述处理后的训练集进行模型训练,以确定并保存所述复合神经网络模型的网络模型参数。
在一个实施例中,优选地,通过所述复合神经网络模型和所述处理后的训练集进行模型训练,包括正向传播过程和反向传播过程:
所述正向传播过程包括:将所述处理后的训练集分成多个批次,分别输入所述复合神经网络模型,通过逐层计算得到实际展开相位数据;
所述反向传播过程包括:根据所述实际展开相位数据和所述目标展开相位数据之间的误差对损失函数求各个权重的偏导数,以使误差沿着降速最快的方向调整;
在一个实施例中,优选地,所述正向传播过程使用正态随机分布函数将所述复合神经网络模型的权值初始化为服从正态分布的随机数,偏置b初始化为0,设定网络的学习率为0.001,迭代epochs为80,每批次batch_size为64;
所述反向传播过程使用自适应矩估计的优化算法进行迭代反向传播,并使用MSE作为损失函数。
步骤S106,将所述测试集中的包裹相位数据作为所述复合神经网络模型的输入,以对所述测试集中的包裹相位数据进行相位解包裹,得到对应的实际展开相位数据,并根据所述实际展开相位数据和所述目标展开相位数据确定所述复合神经网络模型的准确性。
为了验证本发明中的基于复合神经网络的相位解包裹方法,将一幅包裹相位图如图3所示作为输入,其带有标准方差为0.6的高斯噪声,且相位弧度范围为[-30,40],得到的相位展开图如图4所示。从基于复合神经网络的相位解包裹方法得到的相位展开图与真实相位展开图(如图5中所示)比较的结果看来,均方根误差(RMSE)为0.274以及基于复合神经网络的相位解包裹方法得到的神经网络结果与真实相位之间的最大误差和为0.34,因此证明了基于复合神经网络的相位解包裹方法的可行性和准确性。其次,基于复合神经网络的相位解包裹方法具有3211289个可学习的参数,而使用同等深度的U-Net和残差神经网络结构相结合的方法进行相位解包裹有3794993个参数(参数减少15%以上),说明本发明能够减少学习参数,使得网络能够更好的训练。
根据本发明实施例的第二方面,提供一基于复合神经网络的相位解包裹装置,包括:
存储器和处理器;
所述存储器用于保存所述处理器执行计算机程序时所使用的数据;
所述处理器用于执行计算机程序以实现如下过程:
使用仿真软件生成数据集,其中,所述数据集中包括不同类型的包裹相位数据和对应的目标展开相位数据,所述包裹相位数据和所述目标展开相位数据分别作为输入信息和相应的标签信息;
将所述数据集随机划分成训练集和测试集;
对所述训练集中的包裹相位数据进行预处理,以得到处理后的训练集;
将U形网络U-Net、图像分割网络SegNet和残差网络相融合构建包含卷积层、池化层的复合神经网络模型;
通过所述复合神经网络模型和所述处理后的训练集进行模型训练,以确定并保存所述复合神经网络模型的网络模型参数;
将所述测试集中的包裹相位数据作为所述复合神经网络模型的输入,以对所述测试集中的包裹相位数据进行相位解包裹,得到对应的实际展开相位数据,并根据所述展开相位数据和所述目标展开相位数据确定所述复合神经网络模型的准确性。
在一个实施例中,优选地,使用从1到9阶的泽尼克多项式生成展开相位数据,其数学表达式为:
其中,φ(x,y)为展开相位,zi、ai为泽尼克多项式和其对应的泽尼克多项式系数;
所述包裹相位数据的生成公式为:
在一个实施例中,优选地,所述复合神经网络模型包括编码阶段和解码阶段;
所述编码阶段包括6个编码层,每个编码层包括第一卷积层、第一残差层和第二卷积层,其中,所述第一卷积层和所述第二卷积层的卷积核大小为3×3,不同的编码层之间进行卷积核大小为2×2、步长为2的最大池化操作;
所述解码阶段包括5个解码层,每个解码层包括第三卷积层、第二残差层和第四卷积层。
在一个实施例中,优选地,在每个卷积层设置批量标准化单元和修正线性单元,以对卷积操作后的数据进行批量标准化和线性修正。
在一个实施例中,优选地,通过所述复合神经网络模型和所述处理后的训练集进行模型训练,包括正向传播过程和反向传播过程:
所述正向传播过程包括:将所述处理后的训练集分成多个批次,分别输入所述复合神经网络模型,通过逐层计算得到实际展开相位数据;
所述反向传播过程包括:根据所述实际展开相位数据和所述目标展开相位数据之间的误差对损失函数求各个权重的偏导数,以使误差沿着降速最快的方向调整;
在一个实施例中,优选地,所述正向传播过程使用正态随机分布函数将所述复合神经网络模型的权值初始化为服从正态分布的随机数,偏置b初始化为0,设定网络的学习率为0.001,迭代epochs为80,每批次batch_size为64;
所述反向传播过程使用自适应矩估计的优化算法进行迭代反向传播,并使用MSE作为损失函数。
在一个实施例中,优选地,所述对所述训练集中的包裹相位数据进行预处理,包括:
将所述训练集中的包裹相位数据加入高斯噪声。
在一个实施例中,优选地,所述高斯噪声的均值为0,标准方差为0.01到0.4。
在一个实施例中,优选地,所述训练集和所述测试集的数据比例为9:1。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,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信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,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。
另外,在本发明各个实施例中的各功能单元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。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、磁盘或光盘等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上对本发明所提供的一种便捷式多功能设备进行了详细介绍,对于本领域的一般技术人员,依据本发明实施例的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种基于复合神经网络的相位解包裹方法,其特征在于,包括:
使用仿真软件生成数据集,其中,所述数据集中包括不同类型的包裹相位数据和对应的目标展开相位数据,所述包裹相位数据和所述目标展开相位数据分别作为输入信息和相应的标签信息;使用从1到9阶的泽尼克多项式生成展开相位数据,其数学表达式为:
其中,φ(x,y)为展开相位,zi、ai为泽尼克多项式和其对应的泽尼克多项式系数;
所述包裹相位数据的生成公式为:
将所述数据集随机划分成训练集和测试集;
对所述训练集中的包裹相位数据进行预处理,以得到处理后的训练集;
将U形网络U-Net、图像分割网络SegNet和残差网络相融合构建包含卷积层、池化层的复合神经网络模型;所述复合神经网络模型包括编码阶段和解码阶段;
所述编码阶段包括6个编码层,每个编码层包括第一卷积层、第一残差层和第二卷积层,其中,所述第一卷积层和所述第二卷积层的卷积核大小为3×3,不同的编码层之间进行卷积核大小为2×2、步长为2的最大池化操作;
所述解码阶段包括5个解码层,每个解码层包括第三卷积层、第二残差层和第四卷积层;
通过所述复合神经网络模型和所述处理后的训练集进行模型训练,以确定并保存所述复合神经网络模型的网络模型参数;
将所述测试集中的包裹相位数据作为所述复合神经网络模型的输入,以对所述测试集中的包裹相位数据进行相位解包裹,得到对应的实际展开相位数据,并根据所述实际展开相位数据和所述目标展开相位数据确定所述复合神经网络模型的准确性。
2.根据权利要求1所述的方法,其特征在于,在每个卷积层设置批量标准化单元和修正线性单元,以对卷积操作后的数据进行批量标准化和线性修正。
3.根据权利要求1所述的方法,其特征在于,通过所述复合神经网络模型和所述处理后的训练集进行模型训练,包括正向传播过程和反向传播过程:
所述正向传播过程包括:将所述处理后的训练集分成多个批次,分别输入所述复合神经网络模型,通过逐层计算得到实际展开相位数据;
所述反向传播过程包括:根据所述实际展开相位数据和所述目标展开相位数据之间的误差对损失函数求各个权重的偏导数,以使误差沿着降速最快的方向调整。
4.根据权利要求3所述的方法,其特征在于,
所述正向传播过程使用正态随机分布函数将所述复合神经网络模型的权值初始化为服从正态分布的随机数,偏置b初始化为0,设定网络的学习率为0.0001,迭代epochs为80,每批次batch_size为64;
所述反向传播过程使用自适应矩估计的优化算法进行迭代反向传播,并使用MSE作为损失函数。
5.根据权利要求1所述的方法,其特征在于,所述对所述训练集中的包裹相位数据进行预处理,包括:
将所述训练集中的包裹相位数据加入高斯噪声。
6.根据权利要求5所述的方法,其特征在于,所述高斯噪声的均值为0,标准方差为0.01到0.4。
7.根据权利要求1所述的方法,其特征在于,所述训练集和所述测试集的数据比例为9:1。
8.一种基于复合神经网络的相位解包裹装置,其特征在于,包括:
存储器和处理器;
所述存储器用于保存所述处理器执行计算机程序时所使用的数据;
所述处理器用于执行计算机程序以实现如权利要求1至7中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010413940.9A CN111797678B (zh) | 2020-05-15 | 2020-05-15 | 基于复合神经网络的相位解包裹方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010413940.9A CN111797678B (zh) | 2020-05-15 | 2020-05-15 | 基于复合神经网络的相位解包裹方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111797678A CN111797678A (zh) | 2020-10-20 |
CN111797678B true CN111797678B (zh) | 2023-07-07 |
Family
ID=72806102
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010413940.9A Active CN111797678B (zh) | 2020-05-15 | 2020-05-15 | 基于复合神经网络的相位解包裹方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111797678B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112556601B (zh) * | 2020-11-30 | 2021-08-20 | 北京理工大学 | 基于深度学习的单幅闭合条纹干涉图解相方法及装置 |
CN113762460B (zh) * | 2021-04-01 | 2023-10-24 | 天津理工大学 | 基于数值散斑的多模光纤传输图像迁移重构算法 |
CN113238227B (zh) * | 2021-05-10 | 2022-09-30 | 电子科技大学 | 一种结合深度学习的改进最小二乘相位解缠方法及系统 |
CN113627292B (zh) * | 2021-07-28 | 2024-04-30 | 广东海启星海洋科技有限公司 | 基于融合网络的遥感图像识别方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108647742A (zh) * | 2018-05-19 | 2018-10-12 | 南京理工大学 | 基于轻量级神经网络的快速目标检测方法 |
CN110210119A (zh) * | 2019-05-30 | 2019-09-06 | 东南大学 | 一种基于深层卷积神经网络的高效率相位展开方法 |
-
2020
- 2020-05-15 CN CN202010413940.9A patent/CN111797678B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108647742A (zh) * | 2018-05-19 | 2018-10-12 | 南京理工大学 | 基于轻量级神经网络的快速目标检测方法 |
CN110210119A (zh) * | 2019-05-30 | 2019-09-06 | 东南大学 | 一种基于深层卷积神经网络的高效率相位展开方法 |
Non-Patent Citations (3)
Title |
---|
An advanced phase retrieval algorithm in N-step phase-shifting interferometry with unknown phase shifts;Jiaosheng Li 等;《SCIENTIFIC REPORTS》;第1-12页 * |
基于双时域傅里叶变换的相位测量算法;刘胜德 等;《量子电子学报》;第33卷(第4期);第399-404页 * |
基于时域傅里叶变换的广义相移相位恢复方法;张望平 等;《中国激光》;第42卷(第9期);第1-7页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111797678A (zh) | 2020-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111797678B (zh) | 基于复合神经网络的相位解包裹方法和装置 | |
WO2020168844A1 (en) | Image processing method, apparatus, equipment, and storage medium | |
US20220327355A1 (en) | Sparsified Training of Convolutional Neural Networks | |
CN111369440B (zh) | 模型训练、图像超分辨处理方法、装置、终端及存储介质 | |
KR102415576B1 (ko) | 컨벌루션 뉴럴 네트워크의 계산 복잡성을 감소시키기 위한 방법 및 시스템 | |
CN111488986B (zh) | 一种模型压缩方法、图像处理方法以及装置 | |
CN111476719B (zh) | 图像处理方法、装置、计算机设备及存储介质 | |
CN112861729B (zh) | 一种基于伪深度图引导的实时深度补全方法 | |
GB2600290A (en) | Vector computation unit in a neural network processor | |
WO2019027628A1 (en) | ACCESS TO PROLOGUE AND EPILOGUE DATA | |
Reininghaus et al. | Fast combinatorial vector field topology | |
CN111862251B (zh) | 医学图像重建技术的方法、装置、存储介质和电子设备 | |
CN113095129A (zh) | 姿态估计模型训练方法、姿态估计方法、装置和电子设备 | |
US20220335685A1 (en) | Method and apparatus for point cloud completion, network training method and apparatus, device, and storage medium | |
US20240161251A1 (en) | Image denoising method and apparatus based on wavelet high-frequency channel synthesis | |
CN114694005A (zh) | 目标检测模型训练方法和装置、目标检测方法和装置 | |
Pichon et al. | ASKI: full-sky lensing map-making algorithms | |
WO2022096944A1 (en) | Method and apparatus for point cloud completion, network training method and apparatus, device, and storage medium | |
CN111223046B (zh) | 一种图像超分辨率重建方法及装置 | |
CN111340950A (zh) | 数字高程模型重建方法及装置 | |
CN115641441B (zh) | 一种磁层系统软x射线光子数极大值检测方法 | |
CN108230251A (zh) | 组合式图像恢复方法及装置 | |
CN113192093B (zh) | 基于双流网络结构的快速显著性目标检测方法 | |
CN116486230B (zh) | 基于半递归特征金字塔结构的图像检测方法及存储介质 | |
CN117876263B (zh) | 一种天文图像处理方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |