一种基于感知生成对抗网络的电磁逆散射成像方法技术

本发明专利技术公开了一种基于感知生成对抗网络的电磁逆散射成像方法，其步骤包括：1根据测量到的散射场，利用反向传播法快速生成低分辨率的散射体图像；2网络结构搭建阶段，采用生成对抗网络架构，设计生成器和判别器结构；3损失函数设计阶段，在目标函数中加入感知对抗损失，利用判别器的隐藏层提取感知对抗损失，使得重建图像与目标图像同时在像素和特征上实现匹配；4通过训练感知生成对抗网络，进行散射体相对介电常数重建。本发明专利技术能更有效地使生成网络学习到目标特征信息，从而更好的提升成像质量。

【技术实现步骤摘要】
一种基于感知生成对抗网络的电磁逆散射成像方法
本专利技术属于电磁逆散射成像的
，尤其涉及一种使用深度学习方法进行电磁逆散射成像。
技术介绍
电磁逆散射由测量的散射场结合反演算法来确定散射体的位置、形状和物理参数等信息。通常电磁逆散射是一个高度非线性且不适定的问题。经过多年的发展，研究人员提出了各种电磁逆散射重建算法，其中定量方法因为可以获得散射体的全部信息，是目前电磁逆散射研究的主流方向。定量方法一般定义一个包含正则化项的非线性目标函数，再采用整体或局部线性化近似，对目标参数进行迭代优化求解。典型的定量方法包括变形波恩迭代方法(DBIM)、对比源反演(CSI)、子空间优化(SOM)等。传统的非线性定量电磁逆散射方法通常具有计算复杂度高，成像质量不稳定等瓶颈问题。近年来，深度神经网络技术由于其强大的映射能力以及快速的计算速度，已被广泛应用于模式识别、分类和回归等人工智能领域问题。受其启发，最近研究人员将卷积神经网络技术(CNN)应用于求解电磁逆散射问题。比如说，Li等人通过类比传统非线性迭代方法与CNN的联系，提出了基于复卷本文档来自技高网...

【技术保护点】
1.一种基于感知生成对抗网络的电磁逆散射成像方法，其特征在于，包括以下步骤：/n步骤一、数据生成：/n步骤1.1、在M×M的网格上采用矩量法计算散射场；/n步骤1.2、根据所述散射场，利用反向传播法生成低分辨率的散射体图像x；/n步骤二、感知生成对抗网络的结构搭建：/n步骤2.1、由生成器G

【技术特征摘要】
1.一种基于感知生成对抗网络的电磁逆散射成像方法，其特征在于，包括以下步骤：
步骤一、数据生成：
步骤1.1、在M×M的网格上采用矩量法计算散射场；
步骤1.2、根据所述散射场，利用反向传播法生成低分辨率的散射体图像x；
步骤二、感知生成对抗网络的结构搭建：
步骤2.1、由生成器Gθ和判别器Dφ构成感知生成对抗网络的结构；
步骤2.2、所述生成器Gθ采用U-net网络，其输入为所述散射体图像x，所述生成器Gθ的输出为近似真实的重建图像Gθ(x)；
步骤2.3、所述判别器Dφ采用卷积神经网络，所述判别器Dφ的输入有两个通道，其中一个通道输入所述散射体图像x并作为一个条件，另一个通道输入所述重建图像Gθ(x)或者真实的目标图像y，所述判别器Dφ的输出为特征判别矩阵；
所述判别器Dφ作为特征提取器用于提取不同隐藏层的特征，所述特征提取器对各个隐藏层后输出的特征做出特征级别判断，对于真实的目标图像，期望所述判别器Dφ对其特征级别判断为“1”，对于重建图像Gθ(x)，期望所述判别器Dφ对其特征级别判断为“0”；
步骤三、设计感知生成和判别网络的损失函数；
步骤3.1、利用式...

【专利技术属性】
技术研发人员：宋仁成，黄优优，刘羽，李畅，成娟，陈勋，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：安徽;34