关键词:
数字全息
欠采样
DC-UMnet网络
相位解包裹
摘要:
为了解决数字全息数值重构时,欠采样包裹相位的解包裹问题,提出了一种DC-UMnet网络解欠采样包裹相位的空间相位解包裹方法。DC-UMnet网络以U-net网络的解码器-编码器为框架,在编码部分融入Mobilenetv1的轻量级深度学习网络,以降低模型复杂程度、参数数量和运算成本;在解码部分提出了一种复杂的卷积模块-双通道模块(Dual-Channel Block)代替原来U-net网络中的3×3卷积,其在解码过程中更好地融合了特征,从而更好地解调欠采样包裹相位。同时使用SmoothL1Loss损失函数计算损失值,激活函数使用ReLU6,最后对欠采样模拟数据集进行了训练,并对实验获取的欠采样包裹相位图进行了实验验证。仿真结果表明,通过大量的模拟测试,验证了相比于DCT方法和U-net网络,DC-UMnet网络的结构性相似指数值分别提高了约4.38倍和0.77倍,在添加噪声后测试结果表明,DC-UMnet网络的结构性相似指数值分别提高了约4.68倍和0.86倍,适合应用到需要准确地进行欠采样相位解包裹中去;以欠采样微孔为对象的实验结果表明,文中方法获得微孔纵向尺寸的准确率为91.2%,验证了文中提出网络模型的可行性。该研究满足了欠采样包裹相位高质量解包裹的要求,为解决欠采样条件下的相位解包裹问题提供了新的思路方法。