多普勒光学相干层析成像中的相位解缠绕方法及装置

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。

说明书

技术领域

本发明涉及光电成像技术领域，更具体地，涉及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。

背景技术

多普勒光学相干层析成像技术因其具有的高分辨率、非侵入、可实时三维成像等特点而被广泛应用于生物医学成像中。对于流体研究(如血管成像)，精确的相位信息可以提供有价值的潜在生物物理信息。但是在实际的成像系统中，相位图由于测量长度超过一个波长而出现缠绕现象。

对于相位缠绕问题，可通过相位解缠绕来解决，相位解缠绕是指将缠绕的相位从(-π,π)范围进行恢复得到真实的相位信息。在以前的研究中已经提出过各种相位解缠的方法，如路径跟踪法(如掩模切割法、图切割法、最小不连续算法等)和最小范数法(比如最小二乘法、网络流法等)等。

但是，路径跟踪法对噪声不具有鲁棒性，因此需要预先对图像进行预处理；最小范数法则需依赖于计算路径，且在没有噪声的区域容易引入图像变形。另外，在多普勒光学相干层析成像中，目前只有网络流法被提出用于多普勒光学相干层析成像的塑料管图像解缠绕，具体来说就是假设缠绕的相位图和真实相位图之间的误差关系可以是任何值，而将相位解缠的问题归为优化问题。但是，该方法运算过程复杂耗时较长，无法实现实时解缠的效果，不益于实现多模块集成。

发明内容

为了克服上述问题或者至少部分地解决上述问题，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，用以有效缩短运算过程耗时，实现实时解缠，并更益于实现多模块集成。

第一方面，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，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，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。

其中可选的，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。

其中可选的，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。

进一步的，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，本发明实施例的方法还包括：

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缠绕分类模型。

其中可选的，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图像；从多普勒光学相干层析成像中透明细管图像的背景图像中提取噪声数据，并将所述噪声数据叠加到所述初始真实相位图像中，以对叠加后的图像与2π进行取模运算，获取所述缠绕图像样本。

其中可选的，所述第一卷积层具体包括依次连接的批标准化单元、线性整流单元和3*3的卷积层单元，所述第二卷积层具体为1*1的卷积层单元；

所述残差模块具体包括依次连接的由批标准化单元、线性整流单元和1*1的卷积层单元构成的第一残差层，由批标准化单元、线性整流单元和3*3的卷积层单元构成的第二残差层，以及由批标准化单元、线性整流单元和1*1的卷积层单元构成的第三残差层；

所述全分辨率残差模块层具体包括依次连接的池化层，两个由批标准化单元、线性整流单元和3*3的卷积层单元构成的第四残差层，1*1的卷积层，以及上池化层。

其中可选的，所述确定残差损失函数的步骤具体包括：确定所述残差损失函数具体为cross-entropy损失函数。

第二方面，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装置，包括：

第一处理模块，用于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；

第二处理模块，用于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。

第三方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如上第一方面所述的多普勒光学相干层析成像中的相位解缠绕方法的步骤。

第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机指令，所述计算机指令被计算机执行时，实现如上第一方面所述的多普勒光学相干层析成像中的相位解缠绕方法的步骤。

本发明实施例提供的多普勒光学相干层析成像中的相位解缠绕方法及装置，通过假设多普勒光学相干层析成像中的缠绕相位与真实相位之间的偏差为2π的整数倍，构建基于深度学习残差网络的分类模型，从而将相位解缠绕问题转化为语义分割的分类问题，并在此基础上实现多普勒光学相干层析成像中的相位解缠绕，能够有效缩短运算过程耗时，实现实时解缠，且恢复了图像相位的连续性，更有益于实现多模块集成。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的多普勒光学相干层析成像中的相位解缠绕方法的流程示意图；

图2为根据本发明实施例提供的多普勒光学相干层析成像中的相位解缠绕方法中残差模块和全分辨率残差模块的结构示意图；

图3为根据本发明实施例提供的多普勒光学相干层析成像中的相位解缠绕方法中获取缠绕相位对应的缠绕数的流程示意图；

图4为本发明实施例提供的多普勒光学相干层析成像中的相位解缠绕装置的结构示意图；

图5为本发明实施例提供的电子设备的实体结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明实施例的一部分实施例，而不是全部的实施例。基于本发明实施例中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明实施例保护的范围。

本发明实施例针对现有技术运算过程复杂耗时较长，无法实现实时解缠的问题，通过假设多普勒光学相干层析成像中的缠绕相位与真实相位之间的偏差为2π的整数倍，构建基于深度学习残差网络的分类模型，从而将相位解缠绕问题转化为语义分割的分类问题，并在此基础上实现多普勒光学相干层析成像中的相位解缠绕，能够有效缩短运算过程耗时，实现实时解缠，且恢复了图像相位的连续性，更有益于实现多模块集成。以下将具体通过多个实施例对本发明实施例进行展开说明和介绍。

图1为本发明实施例提供的多普勒光学相干层析成像中的相位解缠绕方法的流程示意图，如图1所示，该方法包括：

S101，获取多普勒光学相干层析成像中的缠绕图像，并基于缠绕图像，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，获取缠绕图像中缠绕相位对应的缠绕数。其中，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缠绕相位与真实相位之间的偏差设定在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、以缠绕图像样本对应的缠绕数为标签构成训练样本，并利用训练样本，训练初始化的基于深度学习残差网络的分类模型获取的。

可以理解为，在多普勒光学相干层析成像中，首先获取成像的缠绕图像，再将该缠绕图像输入到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中，通过该分类模型的内部运算过程，最终输出缠绕图像中缠绕相位对应的缠绕数。其中该缠绕数表示的是缠绕图像中的缠绕相位与该缠绕相位最终对应的真实相位之间相差的2π的整数倍数。例如，假设缠绕相位与其最终对应的真实相位之间相差4π的相位差，则该缠绕相位对应的缠绕数即为2。

可以理解的是，在对基于深度学习残差网络的相位解缠绕分类模型进行应用之前，本发明实施例需要事先建立好该分类模型。也就是说，事先需要将缠绕图像的缠绕相位与真实相位之间的偏差设定在2π的整数倍的条件下，即，假设缠绕图像的真实相位φ(x，y)与缠绕相位

式中，(x，y)表示图像像素的空间坐标位置，2πk(x，y)表示2π的整数倍，k(x，y)表示整数，也即是缠绕相位

根据上述假设，初始化设计基于深度学习的编码解码残差网络分类模型，将相位解缠的问题转化为语义分割的分类问题。之后，再获取给定数量的缠绕图像样本，并分别确定各缠绕图像样本对应的缠绕数，以缠绕图像样本为模型输入，以该缠绕图像样本对应的缠绕数为标签构成训练样本。再之后，利用这些训练样本，对初始化的基于深度学习残差网络的分类模型进行迭代训练，最终得到训练完成的网络模型，即是基于深度学习残差网络的相位解缠绕分类模型。该分类模型以缠绕图像为输入，输出缠绕图像对应的缠绕数，也即该缠绕图像的缠绕相位与真实相位之间相差的2π的整数倍数。

S102，基于缠绕相位和缠绕相位对应的缠绕数，计算获取缠绕图像对应的真实相位。

可以理解为，在上述假设的基础上，缠绕图像的缠绕相位与真实相位之间的相位差是2π的整数倍，而求得的缠绕数正是该整数倍数，因此可以将得到的缠绕数乘以2π，再与缠绕相位相加，计算得到缠绕图像对应的真实相位，实现解缠绕。

本发明实施例提供的多普勒光学相干层析成像中的相位解缠绕方法，通过假设多普勒光学相干层析成像的缠绕相位与真实相位间的偏差为2π的整数倍，构建基于深度学习残差网络的分类模型，从而将相位解缠绕问题转化为语义分割的分类问题，并在此基础上实现多普勒光学相干层析成像中的相位解缠绕，能够有效缩短运算过程耗时，实现实时解缠，且恢复了图像相位的连续性，更有益于实现多模块集成。

可以理解的是，在对基于深度学习残差网络的相位解缠绕分类模型进行应用之前，需要先建立该分类模型。因此在上述各实施例的基础上，在获取缠绕图像中缠绕相位对应的缠绕数的步骤之前，本发明实施例的方法还包括：

获取给定量的缠绕图像样本，并根据各缠绕图像样本的缠绕相位和真实相位，确定各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；基于各缠绕图像样本和各缠绕图像样本对应的标签，构建训练样本集，并通过将缠绕相位与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；利用训练样本集中的数据，迭代训练初始化的分类模型，直至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基于深度学习残差网络的相位解缠绕分类模型。

可以理解为，本发明实施例具体实现基于深度学习残差网络的相位解缠绕分类模型的建立。为得到满足一定精度要求的分类模型，需要利用一定数量的训练样本对初始化建立的模型进行训练。因此，本发明实施例首先需要获取给定量的已知缠绕图像作为缠绕图像样本，这些缠绕图像样本的缠绕相位和真实相位已知，于是对于每一个缠绕图像样本，可根据其缠绕相位和真实相位计算对应的缠绕数，作为其样本标签。

之后，将每一个缠绕图像样本与其对应的样本标签对应配对后作为一组训练样本，所有训练样本可构成一个包含大量训练样本的训练样本集。同时，可通过假设缠绕相位与真实相位之间的偏差为2π的整数倍，初始化构建基于深度学习残差网络的分类模型，该分类模型以缠绕图像为输入，输出缠绕图像对应的缠绕数。另外，为评估分类模型的精确度，确定一个残差损失函数，以在利用每组训练样本对模型进行训练后计算模型的残差损失，并以此判断模型训练的完成程度，同时确定对模型参数的更新策略。其中可选的，确定残差损失函数的步骤具体包括：确定残差损失函数具体为cross-entropy损失函数。

再之后，利用训练样本集中的各组训练样本对初始化的分类模型进行迭代训练。具体在网络训练的过程中，采用SGD优化器，动量设为0.9，学习率设为0.0001，采用cross-entropy损失函数对模型进行训练。同时，为了降低过拟合，在模型中采用dropout层，比率设为0.25。

其中可选的，在得到训练好的网络模型之后，为验证网络的可行性，可利用测试样本对模型进行测试验证，分别得到缠绕的相位图、网络模型预测得到的解缠结果图、真实的相位图以及相位残差图像。通过观察和对比各验证结果图可以看出，网络模型预测得到的解缠结果图与缠绕图像的真实相位图相似度很高。

另外，为进一步验证网络的有效性，对透明细管(牛奶在其中流动)的多普勒光学相干成像图像进行测试，分别得到表示多普勒光学相干成像透明细管的相位图和表示利用训练好的模型进行预测解缠得到的结果图。同时，以一维数据对测试结果进行详细描述，得到表示缠绕图像在125行对应的曲线、表示网络模型预测得到的结果所对应的曲线以及表示两者相减得到的“缠绕数”。

验证结果可见，本发明实施例的方法得到的解缠图像在非缠绕区域与缠绕图像基本一致，在缠绕区域与缠绕相位的趋势一致相同。因此该方法能很好的解决多普勒光学相干层析成像系统中相位不连续的问题，扩展了相位信息的应用范围。

其中，根据上述各实施例可选的，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；本发明实施例的方法通过利用第一残差模块层、池化层、全分辨率残差模块层和第二残差模块层，将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。

可以理解为，本发明实施例采用的基于深度学习残差网络的相位解缠绕分类模型具体是基于深度学习的残差编码解码网络模型(Residual en-decoder network,REDN)。该模型的网络架构主要通过编码解码的对称结构实现，且主要包括残差模块(Residualblocks,RB)和全分辨率残差模块(full resolution residual blocks,FRRB)，通过二者结合将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。

其中可选的，如图2所示，为根据本发明实施例提供的多普勒光学相干层析成像中的相位解缠绕方法中残差模块和全分辨率残差模块的结构示意图，其中(a)为残差模块的结构示意图，具体包括依次连接的由批标准化单元、线性整流单元和1*1的卷积层单元构成的第一残差层，由批标准化单元、线性整流单元和3*3的卷积层单元构成的第二残差层，以及由批标准化单元、线性整流单元和1*1的卷积层单元构成的第三残差层。其中(b)为全分辨率残差模块的结构示意图，具体包括依次连接的池化层，两个由批标准化单元、线性整流单元和3*3的卷积层单元构成的第四残差层，1*1的卷积层，及上池化层。图中模块包括两个输入和输出，一路来源于残差线程，一路来源于池化线程的上一个FRRB模块的输出，两路信息进行整合，即将用于图像识别的高层语义特征与用于表示位置信息的低层的语义特征相结合。

同时，为适应调整输入、输出特征数，在模型输入端设置第一卷积层，在输出端设置第二卷积层。其中可选的，第一卷积层具体包括依次连接的批标准化单元、线性整流单元和3*3的卷积层单元，第二卷积层具体为1*1的卷积层单元。为实现分类，将模型的最后一层设置为分类器。

本发明实施例相对于卷积神经网络来说，通过采用残差网络，能够更有利于训练过程中对网络模型的优化。

其中，根据上述各实施例可选的，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，获取缠绕图像中缠绕相位对应的缠绕数的步骤具体包括：基于缠绕图像，利用第一卷积层，获取第一卷积输出，并基于第一卷积输出，利用第一残差模块，获取第一残差输出；基于第一残差输出，分别经过由池化层和全分辨率残差模块层构成的池化线程以及由第一残差模块层和第二残差模块层构成的残差线程，将高层语义特征和低层语义特征相融合，获取融合输出；基于融合输出，利用第二残差模块层，获取第二残差输出，并基于第二卷积层，获取第二卷积输出；基于第二卷积输出，利用分类器层，获取缠绕相位对应的缠绕数。

可以理解为，如图3所示，为根据本发明实施例提供的多普勒光学相干层析成像中的相位解缠绕方法中获取缠绕相位对应的缠绕数的流程示意图，其中：

首先，在编码过程中，缠绕图像先经过一个由批标准化、线性整流单元(RectifiedLinear Unit,ReLU)以及卷积层构成的第一卷积层，再通过两个残差模块，然后一边通过池化层之后作为池化线程的FRRB模块的输入，一边作为残差线程的输入，图像在池化线程经过FRRB模块处理之后的输出，一路与残差线程汇合，一路通过池化层继续进入到下一个FRRB模块。其中，RELU又称修正线性单元，是一种人工神经网络中常用的激活函数。

与编码对称的是解码的过程，通过上池化实现。残差线程的特征通道数保持为16。在池化线程中，FRRB的特征通道数依次为48、96、384、384、192、96和48。每次残差线程和池化线程的信息叠加通过1*1的卷积层来实现，最终叠加结果得到融合输出。

最后，融合输出再经过两个残差模块之后，通过一个1*1的卷积层，以减少输出特征，最后经过分类器，完成一轮训练过程。分类器的参数c代表训练过程中的类别数。

本发明实施例能够很好的解决多普勒光学相干成像系统中相位缠绕的问题，且能表现出相位的连续性，得到无缠绕的效果。

其中，根据上述各实施例可选的，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，生成给定量的初始真实相位图像；从多普勒光学相干层析成像中透明细管图像的背景图像中提取噪声数据，并将噪声数据叠加到初始真实相位图像中，以对叠加后的图像与2π进行取模运算，获取缠绕图像样本。

可以理解为，由于在深度学习的网络模型训练过程中，需要大量的数据，然而在临床医学的图像本就有限，很难得到上万的数据集。因此，在网络训练的过程中，本发明实施例根据多普勒光学相干层析成像系统的特点，利用高斯函数模拟生成训练数据集。之后，将缠绕相位作为网络输入，将“缠绕数”作为网络的标签，通过多次迭代训练，使得网络的损失函数成功收敛，逐渐使得网络的预测输出结果接近标签集，从而得到可用的网络模型，用于相位解缠。

也就是说，在训练网络时，数据集采用模拟的方式进行生成。具体采用高斯函数为原型，通过改变均值和方差，生成不同形状的图像作为训练网络的素材。同时，为得到与多普勒光学相干层析成像系统的图像特征相似的图像，从多普勒光学相干层析成像系统得到的透明细管的背景图像中提取噪声，并将其加到模拟生成的高斯函数图像中，再将高斯函数与2π进行取模计算得到的缠绕图像。之后，将缠绕图像作为训练网络时的输入样本集，并根据缠绕相位和真实相位之间的关系，得到“缠绕数”图作为网络训练的标签集。

本发明实施例克服了临床医学数据局限性的问题，将深度学习用于多普勒光学相干成像系统的相位解缠绕问题。

基于相同的发明构思，本发明实施例根据上述各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装置，该装置用于在上述各实施例中实现多普勒光学相干层析成像中的相位解缠绕。因此，在上述各实施例的多普勒光学相干层析成像中的相位解缠绕方法中的描述和定义，可以用于本发明实施例中各个执行模块的理解，具体可参考上述实施例，此处不在赘述。

根据本发明实施例的一个实施例，多普勒光学相干层析成像中的相位解缠绕装置的结构如图4所示，为本发明实施例提供的多普勒光学相干层析成像中的相位解缠绕装置的结构示意图，该装置可以用于实现上述各方法实施例中多普勒光学相干层析成像中的相位解缠绕，该装置包括：第一处理模块401和第二处理模块402。其中：

第一处理模块401用于获取多普勒光学相干层析成像中的缠绕图像，并基于缠绕图像，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，获取缠绕图像中缠绕相位对应的缠绕数；第二处理模块402用于基于缠绕相位和缠绕相位对应的缠绕数，计算获取缠绕图像对应的真实相位；其中，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缠绕相位与真实相位之间的偏差设定在2π的整数倍的条件下，并基于该设定，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、以缠绕图像样本对应的缠绕数为标签构成训练样本，并利用训练样本，训练初始化的基于深度学习残差网络的分类模型获取的。

具体而言，在多普勒光学相干层析成像中，第一处理模块401首先获取成像的缠绕图像，再将该缠绕图像输入到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中，通过该分类模型的内部运算过程，最终输出缠绕图像中缠绕相位对应的缠绕数。

可以理解的是，本发明实施例的装置还需包括模型建立模块，以在对基于深度学习残差网络的相位解缠绕分类模型进行应用之前，事先建立好该分类模型。也就是说，模型建立模块事先需要将缠绕图像的缠绕相位与真实相位之间的偏差设定在2π的整数倍的条件下，即，假设缠绕图像的真实相位φ(x,y)与缠绕相位

之后，在上述假设的基础上，缠绕图像的缠绕相位与真实相位之间的相位差是2π的整数倍，而求得的缠绕数正是该整数倍数。因此，第二处理模块402可以将得到的缠绕数乘以2π，再与缠绕相位相加，计算得到缠绕图像对应的真实相位，实现解缠绕。

本发明实施例提供的多普勒光学相干层析成像中的相位解缠绕装置，通过设置相应的执行模块，假设多普勒光学相干层析成像中的缠绕相位与真实相位之间的偏差为2π的整数倍，构建基于深度学习残差网络的分类模型，从而将相位解缠绕问题转化为语义分割的分类问题，并在此基础上实现多普勒光学相干层析成像中的相位解缠绕，能够有效缩短运算过程耗时，实现实时解缠，且恢复了图像相位的连续性，更有益于实现多模块集成。

可以理解的是，本发明实施例中可以通过硬件处理器(hardware processor)来实现上述各实施例的装置中的各相关程序模块。并且，本发明实施例的多普勒光学相干层析成像中的相位解缠绕装置利用上述各程序模块，能够实现上述各方法实施例的多普勒光学相干层析成像中的相位解缠绕流程，在用于实现上述各方法实施例中多普勒光学相干层析成像中的相位解缠绕时，本发明实施例的装置产生的有益效果与对应的上述各方法实施例相同，可以参考上述各方法实施例，此处不再赘述。

作为本发明实施例的又一个方面，本实施例根据上述各实施例提供一种电子设备，该电子设备包括存储器、处理器及存储在该存储器上并可在该处理器上运行的计算机程序，该处理器执行该计算机程序时，实现如上述各实施例所述的多普勒光学相干层析成像中的相位解缠绕方法的步骤。

进一步的，本发明实施例的电子设备还可以包括通信接口和总线。参考图5，为本发明实施例提供的电子设备的实体结构示意图，包括：至少一个存储器501、至少一个处理器502、通信接口503和总线504。

其中，存储器501、处理器502和通信接口503通过总线504完成相互间的通信，通信接口503用于该电子设备与缠绕图像设备之间的信息传输；存储器501中存储有可在处理器502上运行的计算机程序，处理器502执行该计算机程序时，实现如上述各实施例所述的多普勒光学相干层析成像中的相位解缠绕方法的步骤。

可以理解为，该电子设备中至少包含存储器501、处理器502、通信接口503和总线504，且存储器501、处理器502和通信接口503通过总线504形成相互间的通信连接，并可完成相互间的通信，如处理器502从存储器501中读取多普勒光学相干层析成像中的相位解缠绕方法的程序指令等。另外，通信接口503还可以实现该电子设备与缠绕图像设备之间的通信连接，并可完成相互间信息传输，如通过通信接口503实现多普勒光学相干层析成像中缠绕图像的读取等。

电子设备运行时，处理器502调用存储器501中的程序指令，以执行上述各方法实施例所提供的方法，例如包括：获取多普勒光学相干层析成像中的缠绕图像，并基于缠绕图像，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，获取缠绕图像中缠绕相位对应的缠绕数；基于缠绕相位和缠绕相位对应的缠绕数，计算获取缠绕图像对应的真实相位等。

上述的存储器501中的程序指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。或者，实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

本发明实施例还根据上述各实施例提供一种非暂态计算机可读存储介质，其上存储有计算机指令，该计算机指令被计算机执行时，实现如上述各实施例所述的多普勒光学相干层析成像中的相位解缠绕方法的步骤，例如包括：获取多普勒光学相干层析成像中的缠绕图像，并基于缠绕图像，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，获取缠绕图像中缠绕相位对应的缠绕数；基于缠绕相位和缠绕相位对应的缠绕数，计算获取缠绕图像对应的真实相位等。

本发明实施例提供的电子设备和非暂态计算机可读存储介质，通过执行上述各实施例所述的多普勒光学相干层析成像中的相位解缠绕方法的步骤，假设多普勒光学相干层析成像中的缠绕相位与真实相位之间的偏差为2π的整数倍，构建基于深度学习残差网络的分类模型，从而将相位解缠绕问题转化为语义分割的分类问题，并在此基础上实现多普勒光学相干层析成像中的相位解缠绕，能够有效缩短运算过程耗时，实现实时解缠，且恢复了图像相位的连续性，更有益于实现多模块集成。

可以理解的是，以上所描述的装置、电子设备及存储介质的实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，既可以位于一个地方，或者也可以分布到不同网络单元上。可以根据实际需要选择其中的部分或全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上实施方式的描述，本领域的技术人员可以清楚地了解，各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如U盘、移动硬盘、ROM、RAM、磁碟或者光盘等，包括若干指令，用以使得一台计算机设备(如个人计算机，服务器，或者网络设备等)执行上述各方法实施例或者方法实施例的某些部分所述的方法。

另外，本领域内的技术人员应当理解的是，在本发明实施例的申请文件中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本发明实施例的说明书中，说明了大量具体细节。然而应当理解的是，本发明实施例的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。类似地，应当理解，为了精简本发明实施例公开并帮助理解各个发明方面中的一个或多个，在上面对本发明实施例的示例性实施例的描述中，本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。

最后应说明的是：以上实施例仅用以说明本发明实施例的技术方案，而非对其限制；尽管参照前述实施例对本发明实施例进行了详细的说明，本领域的技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例各实施例技术方案的精神和范围。