多普勒光学相干层析成像中的相位解缠绕方法及装置.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN112748089A(43)申请公布日2021.05.04(21)申请号201911050545.2(22)申请日2019.10.31(71)申请人北京理工大学地址100081北京市海淀区中关村南大街5号(72)发明人黄勇吴传超艾丹妮杨健王涌天(74)专利代理机构北京路浩知识产权代理有限公司11002代理人苗晓静(51)Int.Cl.G01N21/45(2006.01)G06K9/34(2006.01)G06K9/62(2006.01)权利要求书2页说明书11页附图3页(54)发明名称多普勒光学相干层析成像中的相位解缠绕方法及装置(57)摘要本发明实施例提供一种多普勒光学相干层析成像中的相位解缠绕方法及装置，其中该方法包括：基于多普勒光学相干层析成像中的缠绕图像，利用预建立的基于深度学习残差网络的相位解缠绕分类模型，获取该缠绕图像中缠绕相位对应的缠绕数；基于所述缠绕相位及其对应的缠绕数，计算所述缠绕图像对应的真实相位；其中，所述基于深度学习残差网络的相位解缠绕分类模型为预先通过将所述缠绕相位与真实相位间的偏差设定在2π的整数倍的条件下，并基于该设定，构建基于深度学习残差网络的分类模型，而将相位解缠问题转化为语义分割问题，再利用构建的训练样本进行训练获取的。本发明实施例能有效缩短运算过程耗时，实现实时解缠，且更益于实现多模块集成。CN112748089ACN112748089A权利要求书1/2页1.一种多普勒光学相干层析成像中的相位解缠绕方法，其特征在于，包括：获取多普勒光学相干层析成像中的缠绕图像，并基于所述缠绕图像，利用预先建立的基于深度学习残差网络的相位解缠绕分类模型，获取所述缠绕图像中缠绕相位对应的缠绕数；基于所述缠绕相位和所述缠绕相位对应的缠绕数，计算获取所述缠绕图像对应的真实相位；其中，所述基于深度学习残差网络的相位解缠绕分类模型为预先通过将所述缠绕相位与所述真实相位之间的偏差设定在2π的整数倍的条件下，并基于所述设定，初始化构建基于深度学习残差网络的分类模型，而将多普勒光学相干层析成像中的相位解缠绕问题转化为语义分割问题，再以缠绕图像样本为输入、以所述缠绕图像样本对应的缠绕数为标签构成训练样本，并利用所述训练样本，训练初始化的基于深度学习残差网络的分类模型获取的。2.根据权利要求1所述的多普勒光学相干层析成像中的相位解缠绕方法，其特征在于，所述基于深度学习残差网络的相位解缠绕分类模型具体包括依次连接的第一卷积层、第一残差模块层、池化层、全分辨率残差模块层、第二残差模块层、第二卷积层和分类器层，且通过编码解码的对称结构实现；所述方法通过利用所述第一残差模块层、所述池化层、所述全分辨率残差模块层和所述第二残差模块层，将所述缠绕图像的高层语义特征与用于表示位置信息的低层语义特征相融合。3.根据权利要求2所述的多普勒光学相干层析成像中的相位解缠绕方法，其特征在于，所述利用预先建立的基于深度学习残差网络的相位解缠绕分类模型，获取所述缠绕图像中缠绕相位对应的缠绕数的步骤具体包括：基于所述缠绕图像，利用所述第一卷积层，获取第一卷积输出，并基于所述第一卷积输出，利用所述第一残差模块，获取第一残差输出；基于所述第一残差输出，分别经过由所述池化层和所述全分辨率残差模块层构成的池化线程以及由所述第一残差模块层和所述第二残差模块层构成的残差线程，将所述高层语义特征和所述低层语义特征相融合，获取融合输出；基于所述融合输出，利用所述第二残差模块层，获取第二残差输出，并基于所述第二卷积层，获取第二卷积输出；基于所述第二卷积输出，利用所述分类器层，获取所述缠绕相位对应的缠绕数。4.根据权利要求1-3中任一项所述的多普勒光学相干层析成像中的相位解缠绕方法，其特征在于，在所述获取所述缠绕图像中缠绕相位对应的缠绕数的步骤之前，还包括：获取给定量的缠绕图像样本，并根据各所述缠绕图像样本的缠绕相位和真实相位，确定各所述缠绕图像样本对应的缠绕数，作为对应缠绕图像样本的标签；基于各所述缠绕图像样本和各所述缠绕图像样本对应的标签，构建训练样本集，并通过将所述缠绕相位与所述真实相位之间的偏差设定在2π的整数倍的条件下，初始化构建基于深度学习残差网络的分类模型，并确定残差损失函数；利用所述训练样本集中的数据，迭代训练初始化的分类模型，直至所述残差损失函数的取值达到预设标准，输出训练完成的分类模型作为所述基于深度学习残差网络的相位解2CN112748089A权利要求书2/2页缠绕分类模型。5.根据权利要求4所述的多普勒光学相干层析成像中的相位解缠绕方法，其特征在于，所述获取给定量的缠绕图像样本的步骤具体包括：通过不断更改高斯函数的均值和方差，利用更改后的高斯函数，生成所述给定量的初始真实相位