【技术实现步骤摘要】
本专利技术涉及高欠采样的成像方法，具体为一种基于ista-net重构算法对高欠采样的成像方法。
技术介绍
1、ista-net(iterative shrinkage-thresholding algorithm network)是一种用于图像重构的深度学习算法，它结合了迭代收缩阈值算法(ista)和神经网络的优点。这个算法主要用于解决图像重构问题，特别是在图像欠采样和高欠采样情况下。高欠采样成像方法是指从有限的观测数据中恢复出高分辨率图像的过程。在传统的成像方法中，由于缺乏足够的观测数据，重建的图像往往会受到模糊和失真的影响。ista-net算法通过结合迭代收缩阈值算法和神经网络的训练，可以在高欠采样情况下提高图像重建的质量。
2、但是计算复杂度较高，ista-net方法需要进行迭代优化过程，每一步都需要进行信号收缩和阈值处理操作，这导致了较高的计算复杂度，特别是在处理大尺寸图像和大规模数据时，可能需要较长的计算时间，另外迭代次数的选择困难：ista-net方法的性能很大程度上依赖于迭代次数的选择。迭代次数过少可能无法充分恢复图像的细节信息，而迭代次数过多则会增加计算负担和可能导致过拟合。
技术实现思路
1、(一)解决的技术问题
2、针对现有技术的不足，本专利技术提供了一种基于ista-net重构算法对高欠采样的成像方法，解决了计算复杂度较高、迭代次数过少可能无法充分恢复图像的细节信息，而迭代次数过多则会增加计算负担和可能导致过拟合的问题。
3
4、为实现以上目的，本专利技术通过以下技术方案予以实现：一种基于ista-net重构算法对高欠采样的成像方法，包括以下步骤：
5、s1、收集能够经过欠采样的图像或其他形式的测量数据的观测数据；
6、s2、对观测数据进行预处理，例如归一化或去噪处理，以提高重建结果的质量；
7、s3、定义ista算法的迭代，具体步骤如下：
8、a.初始化重建图像为零或随机噪声；
9、b.根据观测数据和系统模型，计算当前估计图像与观测数据之间的残差；
10、c.应用信号收缩操作，通过对残差进行阈值处理来促使图像稀疏化；
11、d.更新重建图像，将信号收缩后的残差添加到当前估计图像上；
12、e.重复上述步骤，设置终止准则，根据重建质量或重建误差的变化情况来动态调整迭代次数，当重建图像的质量或误差达到一定的阈值时停止迭代
13、动态迭代模型的基本框架：
14、初始化：
15、设置最大迭代次数：nmax
16、设置误差停止阈值：∈
17、设置连续不改进的迭代轮数nstall
18、迭代过程:对于t＝1,2，...nmax
19、计算重建图像xt
20、计算重建误差et＝error(x,xt)
21、如果et＜∈，则停止迭代；
22、如果et在连续nstall次迭代中没有显著改善，则停止迭代；
23、s4、将ista算法的迭代过程表示为神经网络结构(即ista-net)；
24、s5、准备训练数据集，包括输入图像和对应的高质量参考图像，使用训练数据集对ista-net进行端到端的深度学习训练，减少滤波器数量、减小卷积核的大小实现简化ista-net的网络结构，减少网络参数和层数，以降低计算复杂度，通过以学习图像重建的优化过程；
25、s6、训练过程中使用适当的损失函数，来衡量重建图像与参考图像之间的差异；
26、s7、使用经过训练的ista-net模型对高欠采样的观测数据进行图像重建，对观测数据应用ista-net模型，得到重建图像的估计结果，根据需要进行多次迭代，以进一步提高重建图像的质量；
27、s8、根据具体应用，对重建图像进行后处理步骤。
28、优选的，所述后处理步骤包括去噪、增强、超分辨率处理。
29、优选的，s3中所述终止准则为残差收敛与迭代次数限制，监测迭代过程中的残差收敛情况，残差是原始图像与当前重建图像之间的差异，当残差逐渐收敛到稳定状态，不再显著变化时，可以认为重建已经足够准确，可以停止迭代，迭代次数限制为100次-130次，满足任一条件时停止。
30、优选的，所述归一化采用最小-最大归一化：
31、归一化的计算公式如下：
32、x_normalized＝(x-xmin)/(xmax-xmin)
33、其中，xnormalized是归一化后的数据，x是原始数据，xmin是原始数据的最小值，xmax是原始数据的最大值，通过这种方法，数据的最小值被映射到0，最大值被映射到1，其他值则在这个范围内线性变换。
34、优选的，所述信号收缩方法为线性收缩，具体的计算公式如下：
35、y＝a*x+b
36、其中，y是缩放后的信号，x是原始信号，a是缩放系数，用于控制幅度的缩放比例，b是偏移量，用于调整缩放后信号的基准值，通过调整a和b的值，可以将信号的幅度范围缩小或放大到所需的范围。
37、优选的，所述损失函数为交叉熵损失，具体公示如下：
38、crossentropy＝-(y_true*log(y_pred)+(1-y_true)*log(1-y_pred))
39、其中，crossentropy是交叉熵损失，y_pred是模型的预测概率，y_true是真实标签，交叉熵损失越小表示模型的预测结果与真实标签越吻合。
40、(三)有益效果
41、本专利技术提供了一种基于ista-net重构算法对高欠采样的成像方法。具备以下有益效果：
42、通过减少滤波器数量、减小卷积核的大小或使用轻量级模型等方式实现简化，进行迭代优化过程，避免每一步都需要进行信号收缩和阈值处理操作避免较高的计算复杂度降低计算时间，迭代次数选择和自适应调整，保证充分恢复图像的细节信息，避免迭代次数过多导致增加计算负担、导致过拟合。
本文档来自技高网...【技术保护点】
1.一种基于ISTA-Net重构算法对高欠采样的成像方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于ISTA-Net重构算法对高欠采样的成像方法，其特征在于：所述后处理步骤包括去噪、增强、超分辨率处理。
3.根据权利要求1所述的一种基于ISTA-Net重构算法对高欠采样的成像方法，其特征在于：S3中所述终止准则为残差收敛与迭代次数限制，监测迭代过程中的残差收敛情况，残差是原始图像与当前重建图像之间的差异，当残差逐渐收敛到稳定状态，不再显著变化时，可以认为重建已经足够准确，可以停止迭代，迭代次数限制为100次-130次，满足任一条件时停止。
4.根据权利要求1所述的一种基于ISTA-Net重构算法对高欠采样的成像方法，其特征在于：所述归一化采用最小-最大归一化：
5.根据权利要求1所述的一种基于ISTA-Net重构算法对高欠采样的成像方法，其特征在于：所述信号收缩方法为线性收缩，具体的计算公式如下：
6.根据权利要求1所述的一种基于ISTA-Net重构算法对高欠采样的成像方法，其特征在于：所述损失函数为交
...【技术特征摘要】
1.一种基于ista-net重构算法对高欠采样的成像方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于ista-net重构算法对高欠采样的成像方法，其特征在于：所述后处理步骤包括去噪、增强、超分辨率处理。
3.根据权利要求1所述的一种基于ista-net重构算法对高欠采样的成像方法，其特征在于：s3中所述终止准则为残差收敛与迭代次数限制，监测迭代过程中的残差收敛情况，残差是原始图像与当前重建图像之间的差异，当残差逐渐收敛到稳定状态，不再显著变化时，可以认为重建已经足...
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。