本技術(shù)屬于三維重建，尤其涉及一種應(yīng)用于相位展開的深度學(xué)習(xí)語義分割模型的訓(xùn)練方法。

背景技術(shù)：

1、結(jié)構(gòu)光三維重建技術(shù)是一種利用投影光和相機(jī)來獲取物體三維信息的非接觸式測量方法。這種方法具有速度快、精度高、操作簡便等優(yōu)點(diǎn)，因此在工業(yè)檢測、文物保護(hù)、醫(yī)學(xué)成像等領(lǐng)域得到了廣泛應(yīng)用。

2、相位展開是結(jié)構(gòu)光三維重建中一個(gè)關(guān)鍵步驟，主要用于從相位包裹的相位圖中恢復(fù)真實(shí)相位值，從包裹相位到展開相位的關(guān)鍵之處便是條紋級數(shù)。其準(zhǔn)確性直接影響到三維模型的質(zhì)量。但是傳統(tǒng)相位估計(jì)算法對噪聲非常敏感，特別是在高頻相位信息和復(fù)雜場景下，噪聲會導(dǎo)致相位解包和相位展開過程中的誤差積累，而且對于高度不連續(xù)相位圖和非線性相位變化，也不能準(zhǔn)確的獲得絕對相位，從而影響三維重建的精度。

3、隨著深度學(xué)習(xí)技術(shù)的快速發(fā)展，基于神經(jīng)網(wǎng)絡(luò)的圖像處理方法在許多計(jì)算機(jī)視覺任務(wù)中展現(xiàn)出了優(yōu)異的性能。將深度學(xué)習(xí)技術(shù)應(yīng)用于相位展開，已成為提高三維重建精度和效率的重要研究方向。然而，目前針對結(jié)構(gòu)光相位展開的研究中，仍缺乏一種有效的方法，能夠在保證高精度相位展開的基礎(chǔ)上，提升算法的魯棒性和實(shí)時(shí)性能。

技術(shù)實(shí)現(xiàn)思路

1、有鑒于此，本技術(shù)的目的在于提供一種應(yīng)用于相位展開的深度學(xué)習(xí)語義分割模型的訓(xùn)練方法，通過引入伽馬矯正來消除投影儀非線性效應(yīng)引起的誤差，同時(shí)利用mobilevit網(wǎng)絡(luò)、邊緣信息增強(qiáng)網(wǎng)絡(luò)和空洞金字塔分割網(wǎng)絡(luò)，結(jié)合深度學(xué)習(xí)技術(shù)，構(gòu)建包裹相位和條紋級數(shù)的映射關(guān)系的深度學(xué)習(xí)語義分割模型，該模型能夠提高條紋級數(shù)的預(yù)測精度和噪聲魯棒性，同時(shí)減少計(jì)算復(fù)雜度和時(shí)間延遲，增強(qiáng)了算法的實(shí)時(shí)性能和適應(yīng)性，從而為高精度、實(shí)時(shí)性要求較高的三維重建應(yīng)用提供了可靠的技術(shù)保障。

2、本技術(shù)提供了一種應(yīng)用于相位展開的深度學(xué)習(xí)語義分割模型的訓(xùn)練方法，所述深度學(xué)習(xí)語義分割模型包括：mobilevit網(wǎng)絡(luò)、邊緣信息增強(qiáng)網(wǎng)絡(luò)和空洞金字塔分割網(wǎng)絡(luò)，所述訓(xùn)練方法包括：

3、對相機(jī)采集到的相移光柵圖進(jìn)行伽馬矯正，以得到相對應(yīng)的包裹相位圖；

4、針對每一個(gè)包裹相位圖，利用相鄰像素差法，得到該包裹相位圖對應(yīng)的條紋級數(shù)圖，并構(gòu)建訓(xùn)練圖像集；

5、將所述訓(xùn)練圖像集中的包裹相位圖依次輸入至所述深度學(xué)習(xí)語義分割模型，以進(jìn)行特征提取，并將所述訓(xùn)練圖像集中的條紋級數(shù)圖作為輸出，調(diào)整所述深度學(xué)習(xí)語義分割模型的參數(shù)，以得到最優(yōu)的深度學(xué)習(xí)語義分割模型。

6、進(jìn)一步的，所述對相機(jī)采集到的相移光柵圖進(jìn)行伽馬矯正，以得到相對應(yīng)的包裹相位圖，包括：

7、讀取所述相移光柵圖的像素值；所述像素值由紅、綠、藍(lán)顏色通道分別對應(yīng)的亮度值組成，所述亮度值的取值范圍為(0，255)；

8、基于所述相移光柵圖的像素值，利用伽馬矯正公式進(jìn)行非線性變換，以消除由于投影儀非線性效應(yīng)引起的誤差，得到矯正后的像素值；

9、基于所述矯正后的像素值，計(jì)算包裹相位信息，以得到相對應(yīng)的包裹相位圖。

10、進(jìn)一步的，所述將所述訓(xùn)練圖像集中的包裹相位圖依次輸入至所述深度學(xué)習(xí)語義分割模型，以進(jìn)行特征提取，包括：

11、基于mobilevit網(wǎng)絡(luò)和邊緣信息增強(qiáng)網(wǎng)絡(luò)構(gòu)建特征提取策略，并通過下采樣的方式，對所述包裹相位圖進(jìn)行特征提取和融合，以得到多尺度的包裹相位特征圖；

12、利用空洞金字塔分割網(wǎng)絡(luò)，并通過上采樣的方式，對多尺度的包裹相位特征圖進(jìn)行特征提取和拼接，以得到包含多尺度包裹相位信息的包裹相位綜合特征圖。

13、進(jìn)一步的，所述基于mobilevit網(wǎng)絡(luò)和邊緣信息增強(qiáng)網(wǎng)絡(luò)構(gòu)建特征提取策略，并通過下采樣的方式，對所述包裹相位圖進(jìn)行特征提取和融合，以得到多尺度的包裹相位特征圖，包括：

14、對所述包裹相位圖進(jìn)行下采樣，以得到不同尺度下的包裹相位圖的初始特征圖和相對應(yīng)的絕對位置信息；所述下采樣的比例分別為：1/2、1/4、1/8、1/16、1/32；

15、針對每一個(gè)尺度下的初始特征圖，利用mobilevit網(wǎng)絡(luò)，對該初始特征圖的全局特征和局部特征進(jìn)行融合，并進(jìn)行冗余去除和噪聲抑制處理，以得到融合特征圖；

16、針對每一個(gè)尺度下的融合特征圖，利用邊緣信息增強(qiáng)網(wǎng)絡(luò)，賦予該融合特征圖邊緣特征，以得到包含圖像邊緣特征的包裹相位特征圖。

17、進(jìn)一步的，所述mobilevit網(wǎng)絡(luò)包括：

18、n×n卷積層和1×1卷積層，用于對所述初始特征圖進(jìn)行局部特征表示；

19、全局特征表示模塊，用于基于所述局部特征，并結(jié)合輕量級的transformer進(jìn)行全局特征表示；

20、1×1卷積層和n×n卷積層，用于對所述局部特征和全局特征進(jìn)行融合，得到融合特征圖。

21、進(jìn)一步的，所述邊緣信息增強(qiáng)網(wǎng)絡(luò)包括：

22、邊緣特征融合模塊，用于將提取出的所述融合特征圖的原始圖像特征和邊緣特征相乘后，與所述原始圖像特征相加，并進(jìn)行3×3卷積操作，得到初始邊緣融合特征；

23、權(quán)重提取模塊，用于提取所述初始邊緣融合特征的注意力權(quán)重；

24、權(quán)重融合模塊，用于將所述初始邊緣融合特征和相對應(yīng)的注意力權(quán)重相乘，并進(jìn)行1×1卷積操作，以得到包含圖像邊緣特征的包裹相位特征圖。

25、進(jìn)一步的，所述利用空洞金字塔分割網(wǎng)絡(luò)，并通過上采樣的方式，對多尺度的包裹相位特征圖進(jìn)行特征提取和拼接，以得到包含多尺度包裹相位信息的包裹相位綜合特征圖，包括：

26、利用所述空洞金字塔分割網(wǎng)絡(luò)，提取多尺度的包裹相位特征圖的特征，得到各并行通道下具有相同尺度的通道融合特征圖；

27、通過上采樣的方式，將具有相同尺度的通道融合特征圖進(jìn)行通道連接，以將各并行通道的特征進(jìn)行整合，得到包裹相位綜合特征圖。

28、進(jìn)一步的，所述空洞金字塔分割網(wǎng)絡(luò)包括：

29、并行的1×1卷積層、空洞率分別為6、12、18的3×3卷積層和池化層，用于對多尺度的包裹相位特征圖進(jìn)行特征提取，并得到各并行通道下具有相同尺度的第一特征圖；

30、全局平均池化層和全連接層，用于針對每一個(gè)并行通道，計(jì)算該并行通道的第一特征圖的平均值后，進(jìn)行拼接操作，以得到第二特征圖；

31、通道混合層、注意力層和全連接層，用于將各并行通道的第二特征圖進(jìn)行混合操作，并通過注意力層賦予各并行通道權(quán)重后，與所述第一特征圖進(jìn)行融合，得到各并行通道下具有相同尺度的通道融合特征圖。

32、進(jìn)一步的，所述將所述訓(xùn)練圖像集中的條紋級數(shù)圖作為輸出，調(diào)整所述深度學(xué)習(xí)語義分割模型的參數(shù)，以得到最優(yōu)的深度學(xué)習(xí)語義分割模型，包括：

33、將所述訓(xùn)練圖像集中的條紋級數(shù)圖作為輸出，基于所述包裹相位綜合特征圖，調(diào)整所述深度學(xué)習(xí)語義分割模型的參數(shù)，以得到最優(yōu)的深度學(xué)習(xí)語義分割模型。

34、本技術(shù)提供的應(yīng)用于相位展開的深度學(xué)習(xí)語義分割模型的訓(xùn)練方法，通過引入伽馬矯正來消除投影儀非線性效應(yīng)引起的誤差，同時(shí)利用mobilevit網(wǎng)絡(luò)、邊緣信息增強(qiáng)網(wǎng)絡(luò)和空洞金字塔分割網(wǎng)絡(luò)，結(jié)合深度學(xué)習(xí)技術(shù)，構(gòu)建包裹相位和條紋級數(shù)的映射關(guān)系的深度學(xué)習(xí)語義分割模型，該模型能夠提高條紋級數(shù)的預(yù)測精度和噪聲魯棒性，同時(shí)減少計(jì)算復(fù)雜度和時(shí)間延遲，增強(qiáng)了算法的實(shí)時(shí)性能和適應(yīng)性，從而為高精度、實(shí)時(shí)性要求較高的三維重建應(yīng)用提供了可靠的技術(shù)保障。