基于深度神经网络的干涉条纹图像去噪方法研究：一种无需参数调优的卷积式解决方案

《Optics and Lasers in Engineering》：Fringe pattern denoising with a deep neural network

针对干涉条纹图像（fringe/wrapped-phase patterns）因噪声导致测量精度下降的问题，研究人员提出深度神经网络滤波器（DNNF），通过合成数据训练DNN模拟卷积滤波，实现无需人工调参和条纹方向估计的去噪。实验表明，DNNF在保持各向异性滤波优势的同时避免了传统方法对先验估计的依赖，为光学计量和工业检测提供了高效可靠的解决方案。

　　

在光学计量和工业检测领域，干涉条纹图像（fringe patterns）和包裹相位图（wrapped-phase patterns）是获取物体位移、形变等物理量的关键载体。然而，传感器缺陷、环境扰动等因素引入的噪声严重干扰测量精度。传统去噪方法如各向异性滤波需依赖繁琐的条纹方向/频率估计，而基于卷积神经网络（CNN）的方案又面临参数调优复杂、数据适配性差等瓶颈。如何兼顾算法鲁棒性与用户友好性，成为该领域的核心挑战。

墨西哥国立自治大学的研究团队在《Optics and Lasers in Engineering》发表论文，提出深度神经网络滤波器（Deep Neural Network Filter, DNNF）。该方法通过合成数据模拟多种局部条纹结构（方向、频率、曲率）和高斯相位噪声（Gaussian phase noise），训练定制化DNN实现类卷积滤波操作。实验表明，DNNF在摩尔干涉仪、迈克尔逊干涉仪和电子散斑干涉（ESPI）中均能保持噪声抑制与细节保留的平衡，且无需人工干预。

关键技术包括：1）建立涵盖多尺度条纹特征的合成数据集；2）设计端到端DNN架构替代传统卷积核；3）采用与卷积滤波兼容的滑动窗口处理流程。研究通过合成与真实图像对比验证，选取窗口傅里叶变换滤波（WFTF）、局部傅里叶滤波（LFTF）和边界感知相干增强扩散（BCED）作为基准方法。

Interferometric images
研究首先建立条纹图像数学模型I(x,y)=a(x,y)+b(x,y)cos[?(x,y)]+n(x,y)，强调相位梯度?(x,y)隐含的局部结构特征。传统方法通过强度导数估计方向/频率，但在低频区因梯度模糊导致误差，形成“先有鸡还是先有蛋”的循环问题。

Experimental results and discussion
在合成数据测试中，DNNF的PSNR比最优基准方法提升2.1dB，且处理时间仅为CNN方案的1/3。真实ESPI图像实验显示，DNNF有效抑制散斑噪声的同时，未产生各向异性滤波常见的条纹断裂伪影。值得注意的是，对于曲率突变区域（如材料缺陷边缘），DNNF的适应性显著优于需要平面相位假设的传统方法。

Conclusions
该研究开创性地将DNN转化为类卷积滤波操作，突破传统深度学习模型依赖专业调参的局限。DNNF的“即插即用”特性使其在工业现场检测等场景具有显著优势。未来可通过扩展训练集涵盖更多噪声类型（如泊松噪声）进一步提升普适性。

CRediT authorship contribution statement
Jesús Villa与Gamaliel Moreno共同主导方法论构建，Daniel Alaniz团队负责实验验证。墨西哥国家科学技术委员会（CONAHCYT）为本研究提供资助。