随着深度学习和结构光条纹投影三维成像技术的发展，直接从单幅条纹图中恢复物体的三维形状的研究近年来受到了多个领域的关注。提出改进的全局引导路径网络MultiResHNet，实现对单幅条纹图的3D形状重建，将现有结构光学三维成像方案与深度卷积神经网络结合，对仿真数据和实验数据分别进行了验证。实验结果表明，所提方法预测的3D形状比已有的U-Net神经网络预测的3D形状更加准确，误差更小，精度更高。实验结果证明了所提技术的有效性和鲁棒性，为后续的3D形状重建技术的提高提供了科学依据，具有一定的参考和应用价值。

针对单幅电子散斑干涉条纹图的相位恢复问题，以U-Net为基础网络，融合子像素卷积模块和结构化特征增强模块，提出了USS-Net，实现对单幅条纹图端到端的相位恢复。首先改进上采样方式，采用子像素卷积使网络能学习到更多的条纹细节信息，同时降低反卷积零值填充对梯度计算的影响。其次在编码部分改进特征融合方式，采用结构化特征增强模块，充分融合不同尺度的特征信息，解决条纹疏密程度不均导致特征提取不佳的问题，进而提升对单个像素点的分割准确性。建立了ESPI条纹-相位仿真和实验数据集，对USS-Net模型进行测试与分析，验证所提方法的有效性。所提方法克服了传统相位恢复方法过程繁琐、容易受噪声干扰等缺点，有效提高了单幅条纹图相位恢复的准确率。

从实验上研究了干涉粒子成像技术（IPI）的最大可测粒子尺寸。分析了同一视场中不同物面导致的物距变化对IPI最大可测粒径的影响。搭建了单光束照射的IPI实验系统，对粒子直径为51 μm和110 μm的聚苯乙烯混合粒子场进行测量，分析了同一视场内不同采集区域的最大可测粒径。实验结果表明，IPI技术最大可测粒径受实验系统物距影响，对于一固定参数的实验系统，同一视场内不同采集区域的最大可测粒径不同。

基于变形条纹图分析的非接触三维光学测量中, 从采集的变形条纹图中提取相位分布, 进而获得被测形状的面信息, 但是测量中获取的条纹图含有噪声,影响了提取相位信息的精度。为了更好更快的去除条纹图中的噪声, 提出了一种改进U-net神经网络的深度学习滤波算法, 在图像去噪领域, U-net获取的浅层特征较少, 所提算法在U-net的卷积层中含有1×1的平行卷积分支, 获取多尺度特征信息, 分别添加1、2、3个1×1平行卷积分支进行实验。实验采用含有高密度区域的条纹图, 并与目前最新的深度学习条纹图去噪算法对比, 去噪效果提升0.9%, 去噪效率提升41.7%, 训练时间减少30.8%。

二帧相移提取算法具有所需条纹图数量少、处理速度快的特点,但由于二帧相移技术存在病态性问题,使算法的设计充满了挑战,鉴于此,提出一种二帧随机时域相移条纹图相移提取算法。该算法先通过高通滤波去除条纹图的背景项,再结合振幅方均根的分布规律,利用梯度下降法搜索振幅方均根的最小值,进而提取引入的相移,最后利用二步相移算法获得测量相位。仿真与实验结果表明:与其他经典算法相比,所提算法具有恢复相位误差小,对噪声不敏感等特点,且简单灵活,易于应用。

提出了一种基于多尺度Retinex算法的光干涉条纹图像增强算法,论述了该算法的原理以及实现过程。选取了大、中、小三种不同尺度,结合各个尺度的优点,针对光学干涉条纹图的特点,对不同的尺度取不同的权重。与两种常用的光学图像增强方法进行对比实验,并通过主观和客观的评价进一步说明本方法的有效性。实验结果表明,对于对比度低且光照不均匀的光干涉条纹图像,所提算法可以显著提高图像的可视性,改善光照不均匀的问题,克服照度不均匀给条纹图后续处理带来的困难。

研究了传统时空条纹图法相位提取技术, 通过对移相条纹图存在线性载频时移相量的修正, 完善了该技术。将修正后的技术技术应用到光纤干涉条纹投影三维面形测量中, 并将其相位提取结果与传统的四步移相法、重叠四步平均法和改进迭代法进行对比, 结果表明：修正后的技术不仅有效抑制了光纤干涉条纹投影装置中移相器移相不准确和环境因素等引起的移相误差, 还能够消除杂散光等引起的高频噪声, 起到滤除高频噪声的作用。

受噪声或探测器的非线性响应等影响,采用光学三维轮廓术装置实际摄取的条纹图的光强具有非正弦性分布的特点,这导致现有的随机相移提取算法在应用中存在计算不稳定的问题。对此,提出了一种两帧随机时域相移条纹图相移提取方法。该方法首先采用克莱姆正交化方法对条纹图进行处理,然后发展了一种基于矩阵范数的相移提取算法,进而应用二步相移算法获得了测量相位。由于使用了反正切函数解算相移,所提方法对非正弦条纹图不敏感,具有求解可靠、应用容易的特点。实验结果表明,所提方法精度高、速度快,优于现有的典型算法。