【技术实现步骤摘要】
一种计算鬼成像重构网络模型、系统、设备和存储介质
[0001]本专利技术涉及图像处理
,尤其涉及一种计算鬼成像重构网络模型
、
系统
、
设备和存储介质
。
技术介绍
[0002]计算鬼成像属于计算成像的一种,它将光学系统前端调制和欠采样信号后端处理相结合,以实现特定成像功能的新型成像技术
。
在过去研究中,许多鬼成像重构方法被提出,其中最经典的是
2009
年
Katz
等将压缩感知理论引入鬼成像,该方案把图像的稀疏性作为先验信息,将图像重构转化为一个经典的
LASSO
优化问题,并以迭代的方式求解
。
压缩感知理论表明,这极大地提高了成像效率,减轻了数据存储压力,降低了计算功耗,且在大多数情况下有着收敛性强
、
理论分析严谨的优势
。
然而,在实现高维信号重建或者噪声信号重建时,压缩感知算法也会带来算法复杂性高
、
计算时间过长和重构精度差的问题
。
这是由于求解过程中的最佳变换选择和参数设置都是手动设计的,很难获得最佳的优化效果
。
自
2019
年起,一些学者提出利用深度网络重建图像,例如
CNN
网络等,直接学习数字域“欠采样信号”到物理域“目标图像”的映射,通过数据驱动极大地降低了成像时间,实现了高质量重构
。
[0003]然而,现有的计算鬼成像重建网络都
【技术保护点】
【技术特征摘要】 【专利技术属性】
1.
一种计算鬼成像重构网络模型,包括输入层和输出层,其特征在于:输入层和输出层之间设有多个优化层,每个优化层均包括非线性算子和非线性算子非线性算子和非线性算子之间通过硬阈值函数
Hard(
·
)
连接,且非线性算子为的左逆
。2.
根据权利要求1所述的一种计算鬼成像重构网络模型,其特征在于:非线性算子由两个不含偏置项的卷积层构成,第一个卷积层
A
为
Nf
个3×3滤波器,第二个卷积层
B
对应于另一组
Nf
滤波器,卷积层
A
与卷积层
B
之间通过
ReLU
激活函数连接;非线性算子也由两个不含偏置项的卷积层构成,第一个卷积层
C
为
Nf
个3×3滤波器,第二个卷积层
D
对应于另一组
Nf
滤波器,卷积层
C
与卷积层
D
之间也通过
ReLU
激活函数连接
。3.
根据权利要求2所述的一种计算鬼成像重构网络模型,其特征在于:优化层重构目标图像的具体过程包括以下步骤,
S1
:由采集的欠采样数据
y
=
[b1,
b2,
...
,
b
M
]
T
得到第
k
个优化层的中间辅助变量
r
(k)
,
r
(k)
=
R
(k
‑
1)
‑
ρ
(k)
Φ
T
(
Φ
R
(k
‑
1)
‑
y)
;式中,
y
=
技术研发人员:陈熠,解博,朱斌,程正东,李晓霞,赵大鹏,吴江,许梅英子,
申请(专利权)人:中国人民解放军国防科技大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。