摘要
相位解包裹作为光学相位测量应用中的关键技术，对以数字全息显微成像为代表的定量相位成像具有重要意义。随着算法的深入研究，解包裹算法虽然得到了不少完善，但是在应用于数字全息显微成像时仍存在问题，采用传统算法精度低、误差大、耗时长。 近些年，深度学习在图像处理领域中获得了巨大成功，并在数字全息显微成像领域得到了相应的延伸。本文利用深度学习方法进行了数字全息显微相位解包裹算法的研究，能够有效弥补传统解包裹算法的不足。其主要内容如下： 首先，简要介绍了本课题的研究背景与意义，综述了目前国内外相位解包裹的研究现状，阐述了数字全息以及相位解包裹的相关原理，并对不同种类的深度学习相位解包裹方法进行分析。 其次，针对数字全息显微图像中所存在的复杂相位包裹问题，提出基于U-Net的网络结构SERU-Net。该网络首先对U-Net编码器部分进行了加深处理，增加了其对输入信息深层特征的提取能力；然后融合残差模块和压缩激发模块，使得网络具备高维特征提取的能力；最后利用三种不同的相位波面生成方法，构建了仿真相位数据集，以此来帮助网络更好地学习包裹相位与未包裹相位之间的高维映射关系。并在与传统算法的对比实验中，采用三种客观评价指标MSE、SSIM以及PSNR对算法进行验证，以此来证明算法的有效性。 最后，针对SERU-Net在上述相位解包裹实验中所出现的相位峰值模糊等问题，设计了一种改进的生成对抗网络SERGAN。该网络将SERU-Net作为生成器，并搭配所设计的特征提取模块，来一起辅助网络更有效地提取包裹相位中的高维特征信息。同时为了适配所设计的网络结构，设计了一种复合损失函数，并分析了其内部各项损失的最优权重比。通过与其他深度学习解包裹网络的对比实验，验证该改进的网络SERGAN在处理相位解包裹问题时的有效性。
NETL