1.一种基于深度学习的微结构测量数字全息连续相位降噪方法，其特征在于：

步骤一：通过生成随机矩阵叠加方式模拟MEMS微结构生成物体相位图像，同时模拟数字全息连续相位图中的噪声生成噪声灰度图像，将物体相位图像和噪声灰度图像相加作为输入数据和以物体相位图像作为标签制作仿真数据集；设计了一种结合子空间投影法的端到端的卷积神经网络，将仿真数据集输入到卷积神经网络中训练卷积神经网络获得训练好的卷积神经网络；

步骤二：通过拍摄采集被测物的全息干涉图，经图像处理获得包含待测物信息的物光场复振幅U，提取物光场复振幅U中的相位信息并包裹到(‑π,π]之间得到包裹相位图步骤三：对包裹相位图 进行解包裹运算得到含有相位畸变的连续相位图，再利用Zernike多项式拟合去除相位畸变，得到只含有物体相位和噪声相位的连续相位图；

步骤四：将连续相位图输入训练好的卷积神经网络后，输出降噪后的物体相位图。

2.根据权利要求1所述的一种基于深度学习的微结构测量数字全息连续相位降噪方法，其特征在于：所述步骤一，具体为：

1.1)通过生成不重叠的随机矩形方式产生数个台阶状结构图像作为物体相位图像；

1.2)针对步骤1.1)生成的每一幅物体相位图像根据Brown和Perlin两种噪声模型算法生成同样大小的噪声灰度图像，在生成时设置噪声的标准差归一化到0.05～0.26rad的范围；

1.3)将模拟生成的物体相位图像和噪声灰度图像相加后得到含有噪声的连续相位图并作为卷积神经网络的输入数据，以未添加噪声的模拟生成的物体相位图像作为卷积神经网络的学习标签，制作一个仿真数据集，进而训练卷积神经网络，获得训练好的卷积神经网络。

3.根据权利要求2所述的一种基于深度学习的微结构测量数字全息连续相位降噪方法，其特征在于：所述步骤1.1)具体为：先通过matlab生成MEMS的灰度图像，按照以下方法在灰度图像中生成8～64个矩形，在灰度图像将矩形间重叠的部分和矩形以外的部分均设为零，得到了包含多个不重叠图形的灰度图像，作为模拟MEMS芯片表面结构的相位灰度图像：在灰度图像中随机选择一个坐标作为矩形的左下角的顶点，再随机生成两个限制在预设范围内的随机整数分别作为长和宽，从而建立填充的矩形；

最后再对相位灰度图像使用一次窗口大小为3×3的均值滤波处理得到物体相位图像。

4.根据权利要求1或2所述的一种基于深度学习的微结构测量数字全息连续相位降噪方法，其特征在于：所述的卷积神经网络具体包括依次连接设置的第一卷积模块、连续多个基本卷积层、子空间投影层SSA、第二卷积模块和相加层，第一卷积模块接收输入到卷积神经网络的连续相位图，第一卷积模块的输出输入到连续多个基本卷积层中，连续多个基本卷积层的输出和第一卷积模块的输出均共同输入到子空间投影层SSA中处理，子空间投影层SSA的输出输入到第二卷积模块中，第二卷积模块的输出和输入到卷积神经网络的连续相位图通过相加层相加后作为卷积神经网络的输出。

5.根据权利要求4所述的一种基于深度学习的微结构测量数字全息连续相位降噪方法，其特征在于：每个基本卷积层均主要由连续两个第一卷积模块和一个相加层依次连接构成，基本卷积层的输入经连续两个第一卷积模块处理后的结果再和基本卷积层的输入自身通过相加层相加处理后作为基本卷积层的输出。

6.根据权利要求4所述的一种基于深度学习的微结构测量数字全息连续相位降噪方法，其特征在于：所述的子空间投影层SSA包括卷积正则化模块和卷积操作、相加层、基向量处理操作Basic Vectors和投影操作Projection，连续多个基本卷积层的输出和第一卷积模块的输出先拼接后分别输入到卷积正则化模块和卷积操作中，卷积正则化模块的输出和卷积操作的输出通过相加层进行相加操作的结果再输入到基向量处理操作Basic Vectors中，基向量处理操作Basic Vectors的输出再和第一卷积模块的输出共同输入到投影操作Projection，投影操作Projection利用基向量处理操作Basic Vectors的输出对第一卷积模块的输出进行加权优化获得最终降噪后的物体相位图；

所述的卷积正则化模块主要由第一个卷积操作、第一个BatchNormal批量正则化操作、第一个激活函数、第二个卷积操作、第二个BatchNormal批量正则化操作、第二个激活函数依次连接构成。

7.根据权利要求1所述的一种基于深度学习的微结构测量数字全息连续相位降噪方法，其特征在于：所述步骤二，具体为：

2.1)采用CCD光敏电子成像器件记录待测物的全息干涉图，通过傅里叶变换得到频谱图，对频谱图中的正一级频谱进行提取并使用逆傅里叶变换重建全息图，再通过角谱衍射法对重建的全息图衍射后，得到含有待测物信息的物光场复振幅；

2.2)提取物光场复振幅U中的指数项并包裹到(‑π,π]之间得到包裹相位图。

8.根据权利要求1所述的一种基于深度学习的微结构测量数字全息连续相位降噪方法，其特征在于：所述步骤三，具体为：

3.1)对包裹相位图进行解包裹后，得到连续相位图，通常包含了待测物体相位、畸变相位和相位噪声；

3.2)对连续的相位图φc进行Zernike多项式拟合获得畸变相位的Zernike系数，通过拟合得到的Zernike系数计算畸变相位φa，最后用解包裹相位φc减去畸变相位φa得到包含待测物和噪声的相位图像。

9.根据权利要求1所述的一种基于深度学习的微结构测量数字全息连续相位降噪方法，其特征在于：所述步骤四，具体为：对于训练好的卷积神经网络模型，对每个待测连续相位图，得到一个降噪后的物体相位图：Y＝Γ(φ)

其中，Γ(·)代表训练好的卷积神经网络，φ是输入卷积神经网络的连续相位图，Y是卷积神经网络输出的降噪后的物体相位图。