基于改进U-net的条纹图去噪分析

基于变形条纹图分析的非接触三维光学测量中,从采集的变形条纹图中提取相位分布,进而获得被测形状的面信息,但是测量中获取的条纹图含有噪声,影响了提取相位信息的精度。为了更好更快的去除条纹图中的噪声,提出了一种改进U-net神经网络的深度学习滤波算法,在图像去噪领域,U-net获取的浅层特征较少,所提算法在U-net的卷积层中含有1×1的平行卷积分支,获取多尺度特征信息,分别添加1、2、3个1×1平行卷积分支进行实验。实验采用含有高密度区域的条纹图,并与目前最新的深度学习条纹图去噪算法对比,去噪效果提升0.9%,去噪效率提升41.7%,训练时间减少30.8%。

基于改进SwinIR的条纹图去噪方法

条纹图的去噪处理可以恢复条纹图的边界信息,从而提高条纹图三维测量结果的准确性。为了进一步恢复条纹图的边界信息,提出了一种改进SwinIR神经网络的条纹图去噪方法。首先,引入Inception模块,对网络中的RSTB模块进行结构优化,以提高网络的局部特征提取能力。其次,引入多个残差块到网络整体结构中,缓解网络过深带来的梯度消失的问题。实验采用高密度区域条纹进行去噪性能测试,当噪声水平σ为50时,改进SwinIR算法的PSNR值可达31.96、SSIM值为0.9955、去噪时间为4.035 s。并且,本文改进SwinIR算法与其他7种代表性算法进行实验对比,结果显示本文方法在不同噪声水平下,去噪性能均为最优。