本发明涉及光电检测的，尤其涉及一种单幅干涉图条纹分析与相位恢复方法，以及一种单幅干涉图条纹分析与相位恢复装置，目的是建立一套输入单帧干涉图、输出绝对相位图的自注意力神经网络解相模型。
背景技术：
1、光学干涉测量法利用干涉原理对光波的相位进行传感，进而可实现表面面形、装调误差、温度分布等不同物理量的非接触测量，在高能激光、天文光学、精密制造、力学测试等领域得到广泛应用，是支撑大型科学装置、激光武器、光刻机等重大需求的核心技术之一。在上述应用中，干涉仪产生携带被测物理量信息的干涉图，解调获取其中的相位分布，测得光波长精度的结果。因此，干涉图相位解相是干涉测量的基础问题之一。
2、传统的干涉图解相方法大致可以分为两类：移相法和傅里叶分析法。移相法通过获取多幅干涉图实现相位提取，具有鲁棒性好、精度高、对背景光强分布不敏感的优点，但是由于移相的距离在纳米量级且大都需要精确的闭环位置控制，相移通常通过机械运动部件(例如压电陶瓷)来实现，导致整个移相过程一般需要持续数百毫秒才能完成一次测量，从而无法实现对动态目标的瞬态测量，而且移相过程中容易受到振动和空气湍流的影响，降低精度；与相移法相比，傅里叶分析法只需要单帧干涉图即可提取相位，从而实现动态测量，但是其无法处理具有闭合条纹的条纹图案，且对图像噪声和不均匀背景照明很敏感，因此傅里叶分析法的应用受到限制。
3、深度学习技术由于其强大的数据分析能力在众多应用方向取得了突出成就，近年来人们也开始尝试使用深度学习技术解决单幅干涉图解相的问题。深度学习技术的引入将干涉图解相由模型驱动转变为数据驱动，使之不再依赖于物理模型的精确建立，而是通过大量数据对神经网络进行反复训练，自行挖掘学习相位与干涉条纹之间复杂的非线性映射关系。
4、目前，深度学习单帧干涉图解相方法借助卷积神经网络学习干涉图中与相位相关的特征，但受限于卷积核的尺寸，网络难以具备足够大的感受野准确获取干涉图的全局特征，难以从干涉图直接解算出真实相位。因此，此类方法通常先使用网络输出包裹相位，再借助解包裹算法得到绝对相位，降低了解相效率。因此提升神经网络对于干涉图全局特征信息的学习能力，对实现端到端干涉图解相十分必要。
技术实现思路
1、为克服现有技术的缺陷，本发明要解决的技术问题是提供了一种单幅干涉图条纹分析与相位恢复方法，其具有结构简单、精度高、可动态测量的优点，能够实现端到端的干涉图解相，显著提升了干涉图解相的效率，并降低了干涉图解相所需的硬件要求和成本，使得本方法可以在便携设备上运行。
2、本发明的技术方案是：这种单幅干涉图条纹分析与相位恢复方法，其包括以下步骤：
3、(1)搭建解相网络主体结构，其采取u型架构，包括：输入层、
4、编码器、解码器、连接桥和输出层；
5、(2)在解相网络主体结构中插入自注意力模块；
6、(3)训练解相网络，使用人工生成的虚拟干涉图对神经网络进行迭代训练，使其达到可用状态；
7、(4)干涉图预处理，对输入的干涉图进行灰度范围归一化，得到灰度范围归一化的干涉图；
8、(5)解相网络处理干涉图，将干涉图输入神经网络，神经网络输出绝对相位。
9、本发明通过建立自注意力神经网络获取单幅干涉图的绝对相位，基于深度学习技术实现单幅干涉图的解相，具有结构简单、精度高、可动态测量的优点；本发明的神经网络结构引入了自注意力机制，对干涉图全局特征信息具备较强的学习能力，能够实现干涉图到绝对相位端到端的解算，因此显著提升了干涉图解相的效率，并降低了干涉图解相所需的硬件要求和成本，使得本发明叙述方法可以在便携设备上运行。
10、还提供了一种单幅干涉图条纹分析与相位恢复装置，其包括：
11、网络主体结构搭建模块，其配置来搭建解相网络主体结构，解相网络主体结构采取u型架构，包括：输入层、编码器、解码器、连接桥和输出层；
12、自注意力添加模块，其配置来在解相网络主体结构中插入自注意力模块；
13、解相网络训练模块，其配置来训练解相网络，使用人工生成的虚拟干涉图对神经网络进行迭代训练，使其达到可用状态；
14、干涉图预处理模块，其配置来对输入的干涉图进行灰度范围归一
15、化，得到灰度范围归一化的干涉图；
16、解相模块，其配置来将干涉图输入神经网络，神经网络输出绝对相位。
1.一种单幅干涉图条纹分析与相位恢复方法，其特征在于：其包括以下步骤：
2.根据权利要求1所述的单幅干涉图条纹分析与相位恢复方法，其特征在于：所述步骤(1)中：
3.根据权利要求2所述的单幅干涉图条纹分析与相位恢复方法，其特征在于：所述步骤(1)中，使用最大值池化完成下采样操作。
4.根据权利要求3所述的单幅干涉图条纹分析与相位恢复方法，其特征在于：所述步骤(2)中，在解相网络的解码器中插入自注意力模块，自注意力模块的插入位置为第五特征提取块和第六特征提取块的两次卷积操作之间。
5.根据权利要求4所述的单幅干涉图条纹分析与相位恢复方法，其特征在于：所述步骤(2)中，自注意力模块采用三个输入：查询矩阵q、键矩阵k、值矩阵v，公式(1)为注意力函数的公式，注意力矩阵a的一行对应于q中给定元素相对于k中所有元素的相似度，注意力函数对值矩阵v的元素进行加权平均，以考虑查询矩阵q和键矩阵k之间的所有交互
6.根据权利要求5所述的单幅干涉图条纹分析与相位恢复方法，其特征在于：所述步骤(2)中，为了考虑绝对上下文信息，将位置编码添加到输入特征中。
7.根据权利要求6所述的单幅干涉图条纹分析与相位恢复方法，其特征在于：所述步骤(4)中，灰度范围归一化为公式(2)
8.一种单幅干涉图条纹分析与相位恢复装置，其特征在于：其包括：网络主体结构搭建模块，其配置来搭建解相网络主体结构，解相网络主体结构采取u型架构，包括：输入层、编码器、解码器、连接桥和输出层；
9.根据权利要求8所述的单幅干涉图条纹分析与相位恢复装置，其特征在于：所述网络主体结构搭建模块中：
10.根据权利要求9所述的单幅干涉图条纹分析与相位恢复装置，其特征在于：所述网络主体结构搭建模块中，使用最大值池化完成下采样操作。
