一种基于物理的深度展开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物理的深度展开网络的电磁逆散射成像方法，其步骤包括：1构建混合输入数据，包括数据的获取及预处理，丰富网络输入信息；2网络结构搭建阶段，使用深度展开技术结合传统子空间优化迭代算法，设计深度展开技术网络结构；3设计损失函数，在目标函数中使用图像结构相似性损失和逐像素损失外，特别使用感应电流损失和散射场损失，共同优化网络；4通过训练深度展开网络，可快速进行目标散射体的感应电流、散射场及对比度的高质量重建。本发明专利技术所提出的基于物理的深度展开网络能有效地替代传统SOM迭代算法，丰富网络的物理知识，实现快速且高精度的电磁逆散射成像。实现快速且高精度的电磁逆散射成像。实现快速且高精度的电磁逆散射成像。

【技术实现步骤摘要】
一种基于物理的深度展开网络的电磁逆散射成像方法


[0001]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有效替换传统SOM迭代方法进行电磁逆散射成像。

技术介绍

[0002]电磁逆散射是根据一定空间区域的散射场分布来确定该空间区域内的未知散射体的性质，例如位置、形状和物理参数等信息。但电磁逆散射问题(ISP)呈现高度非线性和病态性，非线性源于测量散射场和散射体之间的多重散射效应，病态性主要源于观测数据的微小扰动将导致解的较大误差。ISP可以通过传统的目标函数法来解决，主要包括线性近似的反向传播法(BP)，非线性迭代的变形波恩迭代方法(DBIM)、对比源反演(CSI)、子空间优化(SOM)等。传统方法将波动物理整合到模型中，但线性方法成像粗糙，迭代方法计算代价大，耗时长。
[0003]近年来，深度学习网络由于其强大的学习映射能力以及求解速度快，研究人员成功地将其应用于求解电磁逆散射问题。比如，Wei等人提出的直接反演方案(DIS)是利用神经网络实现从散射场到目标散射体映射的典型算法，但其只能在训练集范围内重建一些简单的散射体。Li等人通过类比传统非线性迭代方法与CNN的联系，提出了基于复卷积神经网络的
‘
DeepNIS
’
算法。一些研究将目标域从对比度域转化到电流域。Wei等人提出的
‘
ICLM
’
算法使用级联网络专门用于学习感应电流的模糊部分。Huang等人将逆散射问题简化为图像翻译问题，先使用反向传播法得到粗糙图像，再利用神经网络实现图像的高分辨率重建。上述论文中的测试结果表明，目前的深度逆散射方法在成像质量和速度均优于传统非线性优化方法。
[0004]上述方法受限于输入的质量和散射体边界类型的先验，特别地当网络缺乏物理知识引导时，泛化能力也会受到限制。所以深度逆散射方法需要考虑物理模型一致性和数据一致性。弥补传统目标函数法和以数据驱动的深度学习方法之间的差距，有效地将物理知识嵌入深度神经网络中实现高质量成像是关键技术难题。

技术实现思路

[0005]本专利技术是为解决上述关键技术难题，提出了一种基于物理的深度展开网络的电磁逆散射成像方法，以期能将深度展开技术、SOM迭代框架及现有物理知识更有效地结合，使得网络学习到物理知识和增强模型泛化能力，以实现快速且高精度的电磁逆散射成像，进而实现散射体的感应电流、散射场和对比度的高质量重建。
[0006]本专利技术为解决技术问题采用如下技术方案：
[0007]本专利技术一种基于物理的深度展开网络的电磁逆散射成像方法的特点在于，包括以下步骤：
[0008]步骤一、构建混合输入数据，包括数据的获取及预处理；
[0009]步骤1.1、电磁散射系统采用T根发射天线，R根接收天线，并在正方形的感兴趣区
域D中放置目标散射体所述发射天线依次向所述感兴趣区域D发射平面波信号，并由R根接收天线同时测量散射场；
[0010]步骤1.2、正演时，采用矩量法计算所述目标散射体的模拟感应电流和模拟散射场
[0011]步骤1.3、反演时，将所述感兴趣区域D离散成尺寸为M
×
M的网格，共形成M2个子网格；
[0012]步骤1.4、利用奇异值分解对所述模拟散射场进行处理，得到维度为[M2,T]的确定性部分电流其中，T表示有T个发射天线通道；
[0013]步骤1.5、改变确定性部分电流的维度，并得到维度为[T,M,M]的三维电流图像矩阵
[0014]步骤1.6、对三维电流图像矩阵增加一个维度用于存放所述三维电流图像矩阵的实部和虚部，从而得到维度为[T,N1,M,M]的确定性电流矩阵其中，N1表示所述确定性电流的实部虚部通道数；
[0015]步骤1.7、利用反向传播方法对所述模拟散射场进行处理，生成维度为[M,M]的低分辨率散射体图像χ
BP
；
[0016]步骤1.8、对所述低分辨率散射体图像χ
BP
增加一个维度用于存放所述低分辨率散射体图像χ
BP
的虚部，从而得到维度为[N2,M,M]的三维图像矩阵
[0017]步骤1.9、对所述三维图像矩阵增加一个维度用于存放T个三维图像矩阵得到维度为[T,N2,M,M]的低分辨率对比度图像其中，N2表示所述低分辨率对比度图像的虚部通道数；
[0018]步骤1.10、将所述确定性电流和所述低分辨率对比度图像在第二个维度上进行拼接，得到维度为[T,N,M,M]的混合输入数据x；其中，N＝N1+N2表示混合输入数据x1的实部虚部通道数量；
[0019]步骤二、搭建深度展开网络P
θ
，并将所述混合输入数据x1作为深度展开网络P
θ
的输入，由所述深度展开网络P
θ
输出所述目标散射体的近似真实的完整感应电流
[0020]步骤2.1、由K个级联的子网络{P
θ,k
|k∈[1,K]}构成深度展开网络P
θ
；其中，P
θ,k
表示第k个级联的子网络；且第k个级联的子网络P
θ,k
采用U
‑
net结构，包括收缩路径和扩展路径；
[0021]所述收缩路径是依次由两个卷积块后添加一个最大池化层组成，所述卷积块是由一个卷积核大小为a
×
a的卷积层、BN层、ReLU激活函数组成；
[0022]所述扩展路径是依次由一个反卷积操作后添加两个卷积块组成，所述反卷积操作是由一个卷积核大小为b
×
b的反卷积层组成，所述卷积块与所述收缩路径中的结构相同；
[0023]步骤2.2、当k＝1时，所述混合输入数据x1输入所述深度展开网络P
θ
中，并经过第k个子网络P
θ,k
的收缩路径处理，得到维度为c
×
c的特征图f
k
再经过扩展路径的处理，输出第k个子网络P
θ,k
预测的感应电流
[0024]根据所述感应电流利用状态方程、数据方程及SOM的对比度更新公式得到所述目标散射体的第k个预测总场第k个预测散射场及第k个预测对比度图像
[0025]当k＝2,3,...,K时，第k
‑
1个子网络P
θ,k
‑1输出的感应电流矩阵和第k
‑
1个散射场图像矩阵在第二个维度上进行拼接，得到第k个混合输入数据x
k
，并经过第k个子网络P
θ,k
的处理，输出第k个预测的感应电流矩阵从而由第K个子网络P
θ,K
输出第K个预测感应电流矩阵并作为深度展开网络P
θ
输出的近似真实的完整感应电流
[0026]再根据近似真实的完整感应电流利用状态方程、数据方程及SOM的对比度更新公式，进一步得到所述目标散射体的其他物理信息，包括预测总场预本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于物理的深度展开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、构建混合输入数据，包括数据的获取及预处理；步骤1.1、电磁散射系统采用T根发射天线，R根接收天线，并在正方形的感兴趣区域D中放置目标散射体所述发射天线依次向所述感兴趣区域D发射平面波信号，并由R根接收天线同时测量散射场；步骤1.2、正演时，采用矩量法计算所述目标散射体的模拟感应电流和模拟散射场步骤1.3、反演时，将所述感兴趣区域D离散成尺寸为M
×
M的网格，共形成M2个子网格；步骤1.4、利用奇异值分解对所述模拟散射场进行处理，得到维度为[M2,T]的确定性部分电流其中，T表示有T个发射天线通道；步骤1.5、改变确定性部分电流的维度，并得到维度为[T,M,M]的三维电流图像矩阵步骤1.6、对三维电流图像矩阵增加一个维度用于存放所述三维电流图像矩阵的实部和虚部，从而得到维度为[T,N1,M,M]的确定性电流矩阵其中，N1表示所述确定性电流的实部虚部通道数；步骤1.7、利用反向传播方法对所述模拟散射场进行处理，生成维度为[M,M]的低分辨率散射体图像χ
BP
；步骤1.8、对所述低分辨率散射体图像χ
BP
增加一个维度用于存放所述低分辨率散射体图像χ
BP
的虚部，从而得到维度为[N2,M,M]的三维图像矩阵步骤1.9、对所述三维图像矩阵增加一个维度用于存放T个三维图像矩阵得到维度为[T,N2,M,M]的低分辨率对比度图像其中，N2表示所述低分辨率对比度图像的虚部通道数；步骤1.10、将所述确定性电流和所述低分辨率对比度图像在第二个维度上进行拼接，得到维度为[T,N,M,M]的混合输入数据x；其中，N＝N1+N2表示混合输入数据x1的实部虚部通道数量；步骤二、搭建深度展开网络P
θ
，并将所述混合输入数据x1作为深度展开网络P
θ
的输入，由所述深度展开网络P
θ
输出所述目标散射体的近似真实的完整感应电流步骤2.1、由K个级联的子网络{P
θ,k
|k∈[1,K]}构成深度展开网络P
θ
；其中，P
θ,k
表示第k个级联的子网络；且第k个级联的子网络P
θ,k
采用U
‑
net结构，包括收缩路径和扩展路径；所述收缩路径是依次由两个卷积块后添加一个最大池化层组成，所述卷积块是由一个卷积核大小为a
×
a的卷积层、BN层、ReLU激活函数组成；所述扩展路径是依次由一个反卷积操作后添加两个卷积块组成，所述反卷积操作是由一个卷积核大小为b
×
b的反卷积层组成，所述卷积块与所述收缩路径中的结构相同；步骤2.2、当k＝1时，所述混合输入数据x1输入所述深度展开网络P
θ
中，并经过第k个子
网络P
θ,k
的收缩路径处理，...

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