一种计算鬼成像重构网络模型制造技术

本发明专利技术公开了一种计算鬼成像重构网络模型

【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被训练成一个“黑盒子”，在整个重建过程中缺乏严谨的理论分析，且无法分析中间迭代的数据特征
。

技术实现思路

[0004]针对上述存在的问题，本专利技术旨在提供一种计算鬼成像重构网络模型
、
系统
、
设备和存储介质，基于深度学习的迭代展开，获得了一种具有可解释性的深度学习模型，用于计算鬼成像重构，且该模型可以分析数字域“欠采样信号”到物理域“目标图像”的映射过程
。
[0005]为了实现上述目的，本专利技术所采用的技术方案如下：
[0006]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
。
[0007]进一步的，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
。
[0008]进一步的，优化层重构目标图像的具体过程包括以下步骤，
[0009]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)
，
[0010]r
(k)
＝
R
(k
‑
1)
‑
ρ
(k)
Φ
T
(
Φ
R
(k
‑
1)
‑
y)
；
[0011]式中，
y
＝
[b1，
b2，
...
，
b
M
]T
为将经过
M
次采样后得到的电信号写成的
M
×1的列向量形式；
k
＝
1,2,
…
，
N
，
N
为优化层的总个数；
R
(k
‑
1)
为第
k
‑1个优化层的输出，也即第
k
个优化层的输入；
ρ
(k)
为可学习的网络参数；
Φ
为
M
次采样后得到的
CCD
编码信息按行排列形成的
M
×
N2的测量矩阵；
[0012]S2
：用非线性算子稀疏自然图像，对于输入的信号
r
(k)
，非线性算子表述为
[0013]S3
：用硬阈值函数处理非线性变换后的数据，即
[0014][0015]式中，
θ
(k)
为可用于训练的网络参数，
Hard(
·
)
为硬阈值函数；
[0016]S4
：用非线性算子对进行逆变换，则第
k
个优化层的输出信号为
[0017][0018]进一步的，一种计算鬼成像重构的系统，其特征在于：所述系统内搭载有权利要求1‑3中任一项所述的网络模型
。
[0019]进一步的，一种计算鬼成像重构的设备，其特征在于：包括至少一个处理器，以及与所述处理器通信连接的存储器，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1‑3中任一项所述的网络模型的全部指令
。
[0020]进一步的，一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于：所述计算机指令用于使所述计算机执行权利要求1‑3中任一项所述的网络模型的全部指令
。
[0021]本专利技术的有益效果是：
[0022]1、
本专利技术中的计算鬼成像重构网络模型是一种全新的基于深度学习的迭代展开计算鬼成像重构网络，相较于传统方法对硬件要求低，重构效果好，重构时间短
。
[0023]2、
本专利技术中的计算鬼成像重构网络模型从数学上解释了展开网络优化层的工作原理，而不是“黑盒子”原理，鲁棒性更高，可以准确地预测计算鬼成像重构效果，不用“炼丹式”寻找最佳参数
。
附图说明
[0024]图1为传统的计算鬼成像的系统结构图
。
[0025]图2为本专利技术基于深度学习的迭代展开计算鬼成像重构网络模型结构
。
[0026]图3为本专利技术仿真实验用部分训练集图片
...

【技术保护点】

【技术特征摘要】
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
＝

【专利技术属性】
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：