HTML
-
实验使用CPU为12th Gen Intel(R) Core(TM) i5-12500H,RAM为16 GB,GPU为NVIDIA GeForce RTX 3050,显存4 G的计算机对图像进行处理。为了证明本文中的模型即使在面对少量样本时也依然可以得到较好的去噪结果,训练数据集一共只采用300组相位图像,其中3种不同散斑颗粒大小各占100组同时放入网络训练,使得网络对不同噪声影响的包裹相位图都能有积极的响应。测试集占训练集比重的20%,共60组数据。每张图像的分辨率皆为256 pixels×256 pixels。相位的最高高度随机分布在35 pixels~ 40 pixels之间,相位图的最低高度为0 pixel。
-
先对比了改进前后模型的去噪能力,本文中共进行了3种模型的实验对比,分别为原模型、将原模型中swin block V1模块替换为V2以及同时替换为V2和上采样模块的模型。图 8和图 9的折线图表明,3种网络在训练过程中,本文中提出的网络对验证集的去噪指标也普遍高于另两种网络,在100轮次时趋于收敛。
Figure 8. Change of the peak signal-to-noise ratio of three kinds of networks to the verification set during training
Figure 9. Change of structural similarity of three kinds of networks to verification set during training
图 10为不同散斑噪声影响下,3种模型的去噪效果。在孔径为隔膜的1/2,即256/2 pixels时,由于此时噪声较小,所以3种网络去噪后的结果较为接近。当孔径为隔膜的1/4,即256/4 pixels时,可以发现V1+origin图像的最右侧,密集条纹发生了混叠的现象,但经过改进的网络后在V2+up中得到了改善,密集条纹的轮廓变得尤为清晰。当孔径只有隔膜的1/6,即256/6 pixels时在V1+origin的上侧更能清晰地看到这一混叠现象,而在V2+up中也得到了改善。
Figure 10. Denoising results of three kinds of networks for three different speckle degree phase graphs
此外,可以从柱状图(见图 11和图 12)中看到不同散斑和不同网络之间的比较,且本文中所提出的网络的均方根误差和平均绝对误差最小。尤其是当V1模块替换成V2模块时,指标得到了大幅的提升。
随着散斑程度的增加,各个网络的指标也逐渐下降,在一些包裹条纹密集的地方,尤其是对于原先网络而言,相位条纹并没有完全复原,但所提网络得到的包裹相位条纹明显优于原网络,并且其指标依旧高于其它两个网络。表 1中是不同网络下对3种散斑噪声同时进行去噪时的平均值。本文中所提网络的指标有着明显的优势。
mean SSIM PSNR RMSE MAE V1+origin 0.8803 20.4403 0.6196 0.1582 V2+origin 0.9211 22.2151 0.5053 0.1054 V2+up 0.9241 22.3827 0.4951 0.1005 Table 1. Average value of the evaluation indexes of the three networks on the test set
-
经过本文作者提出的网络进行去噪后,将图像用最小二乘法求解,由于得到的结果在一些相位跳跃的位置过渡不平滑,所以将结果再经过中值滤波器,以此消除过渡不平滑的像素。此外,在解包裹阶段本文中方法与最小二乘法、PU-GAN和DLPU-Net法进行横向对比,对于深度学习方法训练集的数量都统一控制在300组数据集,得到的解包裹结果如图 13所示。其中最小二乘法在噪声较小时依稀可以看到模糊的相位,PU-GAN生成的图像带有类似棋盘效应的结果,使得分辨率较低,一步相位法在相位深度上与标签对比图有一定的差距。接着对测试集中图像的平均指标做出统计,如表 2所示。本文中提出的方法在4种指标上都明显优于其它3种方法。
SSIM PSNR RMSE MAE least square 0.5344 9.6771 13.5715 12.0839 PU-GAN 0.9309 23.7721 3.0579 2.1431 DLPU-Net 0.9504 23.6297 3.0464 2.5411 propose 0.9977 39.9847 0.4864 0.4302 Table 2. Evaluation indexes of unwrapping results obtained by different methods