【技术实现步骤摘要】
本专利技术涉及太赫兹无损检测与图像处理领域，具体涉及一种基于深度学习的稀疏角度thz-ct图像重建方法。
技术介绍
1、三维的太赫兹计算机断层扫描(terahertz computed tomography，thz-ct)成像技术能够可视化物体的内部信息，是非极性材料无损检测的有效手段。然而，对于太赫兹成像系统而言，结合探测器阵列的高功率发射器的成像系统仍在进一步研究中。现阶段的thz-ct成像系统大部分以点扫描的采集方式获取数据，即采用密集角度采样方式获取的thz-ct图像直接进行三维重建，通常几立方厘米的物体完全扫描需要超过10个小时。稀疏角度采样方式获取的thz-ct图像直接进行三维重建往往会导致断层图像的模糊和失真，造成稀疏角度的thz-ct重建方式的数据使用效率较低。因此，有必要探索一种能够利用稀疏角度的thz-ct数据进行三维重建的方法。
2、为此，许多研究者开始探索稀疏投影数据的重建方法。大量的研究借鉴了x-ct成像中成熟的算法和改进技术，以提高thz-ct重建结果的分辨率和准确性。例如，采用同时代数重建技术和有序子集期望最大化方法替代传统的滤波反投影方法，能够有效缓解波束硬化；加入梯度平滑正则化项的总变异迭代法(tv)和基于k-svd训练的字典去噪算法能够获得更高质量的重建结果。近期，基于深度学习方法的广泛应用为thz-ct重建提供了一种前沿的重建思路，在解决稀疏重建的欠定问题上具有明显优势。
技术实现思路
1、本专利技术的目的在于克服现有技术的不足，提
2、为了实现上述目的，本专利技术采用以下技术方案：
3、本专利技术涉及的一种基于深度学习的稀疏角度thz-ct图像重建方法，具体包括以下步骤：
4、(s1)采集训练样品的稀疏角度thz-ct图像和密集角度thz-ct图像，训练样品厚度方向上的稀疏角度thz-ct图像构成图像集，训练样品厚度方向上的密集角度thz-ct图像构成标签集，训练集包括标签集和图像集；
5、(s2)将训练集输入神经网络模型进行训练，得到训练好的神经网络模型；
6、神经网络为改进的unet网络，神经网络结构深度为4层，包括增强卷积块(enhanced conv)，基础卷积块(basic conv)，池化层(pooling)、上采样层(upsampling),编码器部分由增强卷积块和池化层组成一个下采样模块，经过多次操作获取抽象特征，然后解码器部分由上采样层和基础卷积块组成一个上采样模块，经过多次操作从抽象特征恢复目标图，最后接一层1*1卷积，降维处理至1通道数，得到目标输出，并且编码器和解码器中对应维度卷积层进行通道拼接，其中编码器的增强卷积块(enhanced conv)由3*3卷积块、非对称性卷积(acm conv)、通道注意力机制(se block)、线性整流激活函数和批量归一化层组成，解码器的基础卷积块(basic conv)由两层3*3卷积块、线性整流激活函数和批量归一化层组成；引入的通道注意力机制分为extract全局特征提取和transform通道加权的流形变换两部分，在3*3卷积块和非对称性卷积块引入，并进行相邻通道注意力特征的互连；整体网络其下采样通道数分别为64，128，256，512，上采样与其相反；
7、(s3)将待重建的稀疏角度thz-ct图像输入至训练后的神经网络模型，获得高分辨的thz-ct重建图像；
8、(s4)将待重构样品整个高度的稀疏角度thz-ct图像对应的thz-ct重建图像，沿thz-ct重建图像的平面轴进行深度堆叠获得待重构样品的三维图像。
9、具体地，步骤(s1)和步骤(s3)稀疏角度thz-ct图像采集方法为：样品在厚度方向上每移动设定高度，通过稀疏角度采样采集样品断面一周的太赫兹脉冲信号，获取正弦图像，对太赫兹透射成像系统的稀疏太赫兹脉冲信号进行预处理，得到预处理的正弦图像，通过滤波反投影算法对正弦图像进行处理得到对应断面的切片图像，即稀疏角度thz-ct图像，
10、同理，步骤(s1)密集角度thz-ct图像采集方法为：样品在厚度方向上每移动设定高度，通过密集角度采样采集样品断面一周的太赫兹脉冲信号，对太赫兹透射成像系统的密集太赫兹脉冲信号进行预处理，得到预处理的正弦图像，通过快速收缩阈值软迭代算法对预处理的正弦图像进行处理得到密集角度thz-ct图像。
11、具体地，所述预处理为包括滤波、截断、多次平均、本底去噪和频谱功率积分。
12、具体地，在步骤(s2)中，所述的神经网络，以密集角度的thz-ct图像作为标签图像，对应断面的稀疏角度thz-ct图像作为输入送入网络初步得到去噪的重建thz-ct图像；根据所定义的损失函数，计算标签图像与对应断面的thz-ct重建图像之间的差异值的损失，随后对损失函数的梯度值进行多次反向传播以更新神经网络的权重和偏置参数；根据预设的训练轮次反复训练卷积神经网络，直到整体训练轮次达到预设值，停止更新神经网络的权重和偏置参数，得到训练好的神经网络；
13、所述的神经网络的损失函数l由两部分损失组成，包含感知损失lmse和正则化损失l1：
14、
15、其中，和fi分别表示神经网络生成的去伪影图像和密集角度采集的图像的像素级数据，λ用于调整数据保真度和稀疏表示的正则化项权重，为0.01。
16、具体地，停止更新网络权重和偏置参数的训练轮次预设大于100次。
17、优选的，所述的神经网络采用adam优化算法，并采用图像增强技术，包括旋转、平移和剪裁等来增加训练样本。
18、本专利技术与现有技术相比具有以下的有益效果：
19、本专利技术以unet网络为基本模型架构，构建基于稀疏角度thz-ct重建去伪影的算法网络模型；在unet网络模型的基础上，将3×3、3×1、1×3卷积核级联组成的非对称性卷积块引入到基础卷积块中，并在3×3核卷积块和非对称卷积块之间使用特征互连的通道注意力机制紧密地连在一起，有利于从水平和垂直方向进行空间特征提取以及增强空间特征信息的流动性；采用了感知项和正则化项联合损失，能够使模型更加平滑和简化，并使其更具泛化能力；本专利技术的重建方法在thz-ct图像去伪影的同时，提升了图像的重建质量，能够增强边缘轮廓和特征的清晰度。
本文档来自技高网...【技术保护点】
1.一种稀疏角度的高分辨THz-CT图像重建方法，其特征在于，具体包括以下步骤：
2.根据权利要求1所述的基于深度学习的稀疏角度THz-CT图像重建方法，其特征在于，步骤(S1)和步骤(S3)稀疏角度THz-CT图像采集方法为：样品在厚度方向上每移动设定高度，通过稀疏角度采样采集样品断面一周的太赫兹脉冲信号，获取正弦图像，对太赫兹透射成像系统的稀疏太赫兹脉冲信号进行预处理，得到预处理的正弦图像，通过滤波反投影算法对正弦图像进行处理得到对应断面的切片图像，即稀疏角度THz-CT图像，
3.根据权利要求2所述的基于深度学习的稀疏角度THz-CT图像重建方法，其特征在于，所述预处理为包括滤波、截断、多次平均、本底去噪和频谱功率积分。
4.根据权利要求1所述的基于深度学习的稀疏角度THz-CT图像重建方法，其特征在于，在步骤(S2)中，所述的神经网络，以密集角度的THz-CT图像作为标签图像，对应断面的稀疏角度THz-CT图像作为输入送入网络初步得到去噪的重建THz-CT图像；根据所定义的损失函数，计算标签图像与对应断面的THz-CT重建图像之间的差异
5.根据权利要求4所述的基于深度学习的稀疏角度THz-CT图像重建方法，其特征在于，停止更新网络权重和偏置参数的训练轮次预设大于100次。
6.根据权利要求1所述的基于深度学习的稀疏角度THz-CT图像重建方法，其特征在于，所述的神经网络采用Adam优化算法，并采用图像增强技术，包括旋转、平移和剪裁等来增加训练样本。
...【技术特征摘要】
1.一种稀疏角度的高分辨thz-ct图像重建方法，其特征在于，具体包括以下步骤：
2.根据权利要求1所述的基于深度学习的稀疏角度thz-ct图像重建方法，其特征在于，步骤(s1)和步骤(s3)稀疏角度thz-ct图像采集方法为：样品在厚度方向上每移动设定高度，通过稀疏角度采样采集样品断面一周的太赫兹脉冲信号，获取正弦图像，对太赫兹透射成像系统的稀疏太赫兹脉冲信号进行预处理，得到预处理的正弦图像，通过滤波反投影算法对正弦图像进行处理得到对应断面的切片图像，即稀疏角度thz-ct图像，
3.根据权利要求2所述的基于深度学习的稀疏角度thz-ct图像重建方法，其特征在于，所述预处理为包括滤波、截断、多次平均、本底去噪和频谱功率积分。
4.根据权利要求1所述的基于深度学习的稀疏角度thz-ct图像重建方法，其特征在于，在步骤(s2)中...
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。