1.一种基于U-Net分割网络的光学图像相位解缠绕方法，其特征在于包括如下步骤：步骤1、利用Zernike多项式产生相位未缠绕的光学图像；

步骤2、利用相位未缠绕的光学图像进行相位缠绕操作，得到相位缠绕光学图像；

步骤3、利用U-Net分割网络训练模型；

步骤4、利用训练好的模型进行光学相位缠绕图像解缠绕；

步骤1具体实现如下：

定义在单位圆上的复值函数集{Vpq(x,y)}，{Vpq(x,y)}具有完备性和正交性：jqθ

Vpq(x,y)＝Vpq(ρ,θ)＝Rpq(ρ)e其中，ρ表示原点到点(x,y)的矢量长度；θ表示矢量长度，ρ与x轴逆时针方向的夹角；Rpq(ρ)是实值径向多项式：步骤2具体实现如下：

将步骤1获取的光学图像，通过以下公式得到相应的相位缠绕图像以及两者的差值；

imgdiff＝imgunwrap-imgwrap其中，imgwrap、imgunwrap分别代表相位未缠绕和相位缠绕的光学图像；angle(x)代表x的相位；imgdiff是未缠绕和缠绕的光学图像的差值；

步骤3所述的利用U-Net分割网络训练模型，具体实现如下：先利用U-Net分割网络对光学相位缠绕图像进行分割并填写相位值，之后将分割并填写相位值的图像与光学相位缠绕图像进行相加得到最终的光学相位解缠绕的图像；具体如下：将训练集上相位缠绕光学图像不同的相位分割成不同的区域，并按照需要叠加的整数倍从小到大进行排列作为Groudtruth；

把光学相位缠绕图像作为U-Net分割网络的输入，Groundtruth作为输出进行训练网络；具体的U-Net分割网络过程如下：首先进行Conv和Pooling进行下采样；然后Deconv反卷积进行上采样，crop之前的低层feature map，进行融合；然后再次上采样；重复这个过程，直到获得输出特征图，最后经过softmax获得输出分割结果；

由于解缠绕的过程能够理解为就是将不同的相位分割出来，然后填写相应的相位值，而且填写的相位值为2π的整数倍；最后将填好的相位值和光学相位缠绕图像相加；整个过程如下公式所示：其中，(x,y)代表图像中像素点的坐标；φ(x,y)代表该像素点相位未缠绕图像的数值；

代表该像素点相位缠绕图像的数值；k(x,y)代表该像素点需要叠加2π的倍数；

步骤4所述的利用训练好的模型进行光学相位缠绕图像解缠绕，具体实现如下：根据步骤3获取的网络进行光学相位缠绕图像的解缠绕；具体为把光学相位缠绕图像作为网络的输入，网络输出按需要叠加的整数倍从小到大进行排列的分割图，之后从0开始填好相应的相位值，最后和缠绕相位相叠加，得到最终的光学相位解缠绕图像。