[發明專利]一種橫向束流截面處理方法及裝置

有效

• 申請號: 202010438571.9
• 申請日: 2020-05-22
• 公開（公告）號: CN111652813B
• 公開（公告）日: 2023-03-28
• 發明（設計）人: 唐雷雷;周澤然;孫葆根;劉功發
• 申請（專利權）人: 中國科學技術大學
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06T3/40
• 代理公司: 北京科迪生專利代理有限責任公司 11251
• 代理人: 鄧治平

1.一種橫向束流截面處理方法，其特征在于，包括如下步驟：

步驟S101、獲取原始失真的橫向束流截面圖像；

步驟S102、將所述原始失真橫向束流截面圖像進行預處理后，輸入到預先訓練得到的條件生成對抗網絡模型的生成器，所述生成器對所述失真橫向束流截面圖像進行處理；其中：

所述預先訓練得到的條件生成對抗網絡模型通過下述步驟構建：

(A1)獲取p組訓練樣本作為訓練數據集，每組訓練樣本包括第一截面圖像及第二截面圖像，所述第一截面圖像為失真橫向束流截面圖像，所述第二截面圖像為真實橫向束流截面圖像；獲取q組失真橫向束流截面圖像樣本作為驗證數據集；

(A2)構建條件生成對抗網絡模型，所述條件生成對抗網絡模型包括生成器和判別器：所述生成器為具有對稱跳躍連接的編碼器-解碼器架構，其中所述編碼器中的每一個模塊包括卷積層、批歸一化層及激活層，所述解碼器中的每一個模塊包括反卷積層、批歸一化層、拼接層及激活層；所述判別器為PatchGAN架構，且所述判別器中的每一個模塊包括卷積層、批歸一化層及激活層；

(A3)通過交替訓練判別器和生成器來訓練所述條件生成對抗網絡：首先將所述訓練數據集的第一截面圖像輸入生成器，由所述生成器輸出第三截面圖像，然后由判別器對“第一截面/第二截面圖像對”和“第一截面/第三截面圖像對”進行判別，進一步計算判別損失，通過最小化判別損失，訓練調整判別器的權重值；根據調整后的判別器，計算對抗損失，同時還計算第二截面圖像與第三截面圖像之間的距離誤差，通過最小化對抗損失與距離誤差的和，訓練調整生成器的權重值；所述訓練過程中采用小批量隨機梯度下降和Adam優化器，并進行誤差的反向傳播優化更新所述條件生成對抗網絡模型中的權重值直至模型收斂；訓練樣本中第一截面圖像為失真橫向束流截面圖像，所述第二截面圖像為真實橫向束流截面圖像，所述第一截面圖像由第二截面圖像與成像系統的點擴散函數進行卷積計算得到；

所述的判別損失包括：

判別器將“第一截面/第二截面圖像對”判斷為真橫向束流截面時的誤差；

判別器將“第一截面/第三截面圖像對”判斷為假橫向束流截面時的誤差

(A4)用驗證數據集驗證所述訓練得到的條件生成對抗網絡模型是否有效，并在確認有效后存儲該條件生成對抗網絡模型；

所述步驟S102中，將所述原始失真橫向束流截面圖像進行預處理，包括：

(B1)對原始失真的橫向束流截面圖像尺寸進行裁剪；

(B2)對裁剪后的圖像進行歸一化，得到預處理后橫向束流截面圖像；

步驟S103、將所述生成器輸出的結果進行量化處理得到真實橫向束流截面圖像。

2.根據權利要求1所述的橫向束流截面處理方法，其特征在于，步驟S102中的步驟(A3)中所述的對抗損失具體為：

判別器將生成器輸出的第三截面圖像判斷為真橫向束流截面時的誤差。

3.一種橫向束流截面處理裝置，其特征在于，所述裝置包括：

獲取模塊(201)，用于獲取原始失真橫向束流截面圖像；

處理模塊(202)，用于將所述原始失真橫向束流截面圖像進行預處理后輸入到預先訓練得到的條件生成對抗網絡模型的生成器，所述生成器對所述失真橫向束流截面圖像進行處理；

條件生成對抗網絡模型構建模塊，用于構建所述的條件生成對抗網絡模型：

(A1)訓練樣本獲取模塊：獲取p組訓練樣本作為訓練數據集，每組訓練樣本包括第一截面圖像及第二截面圖像，所述第一截面圖像為失真橫向束流截面圖像，所述第二截面圖像為真實橫向束流截面圖像；獲取q組失真橫向束流截面圖像樣本作為驗證數據集；

(A2)對抗網絡模型生成模塊：構建條件生成對抗網絡模型，所述條件生成對抗網絡模型包括生成器和判別器：所述生成器為具有對稱跳躍連接的編碼器-解碼器架構，其中所述編碼器中的每一個模塊包括卷積層、批歸一化層及激活層，所述解碼器中的每一個模塊包括反卷積層、批歸一化層、拼接層及激活層；所述判別器為PatchGAN架構，且所述判別器中的每一個模塊包括卷積層、批歸一化層及激活層；

(A3)對抗網絡模型訓練模塊：通過交替訓練判別器和生成器來訓練所述條件生成對抗網絡模型：首先將所述訓練數據集的第一截面圖像輸入生成器，由所述生成器輸出第三截面圖像，然后由判別器對“第一截面/第二截面圖像對”和“第一截面/第三截面圖像對”進行判別，進一步計算判別損失，通過最小化判別損失，訓練調整判別器的權重值；根據調整后的判別器，計算對抗損失，同時還計算第二截面圖像與第三截面圖像之間的距離誤差，通過最小化對抗損失與距離誤差的和，訓練調整生成器的權重值；所述訓練過程中采用小批量隨機梯度下降和Adam優化器，并進行誤差的反向傳播優化更新所述條件生成對抗網絡模型中的權重值直至模型收斂；

(A4)驗證模塊：用驗證數據集驗證所述訓練得到的條件生成對抗網絡模型是否有效，并在確認有效后存儲該條件生成對抗網絡模型；

輸出模塊(203)，用于將所述生成器輸出的結果進行量化處理得到真實橫向束流截面圖像所述處理模塊中所述將所述原始失真橫向束流截面圖像進行預處理，為：

(B1)對原始失真橫向束流截面圖像尺寸進行裁剪；

(B2)對裁剪后的圖像進行歸一化，得到預處理后橫向束流截面圖像；

所述條件生成對抗網絡模型構建模塊中所述訓練樣本中第一截面圖像為失真橫向束流截面圖像，所述第二截面圖像為真實橫向束流截面圖像，所述第一截面圖像由第二截面圖像與成像系統的點擴散函數進行卷積計算得到；所述條件生成對抗網絡模型構建模塊中，所述的對抗損失具體為：

判別器將生成器輸出的第三截面圖像判斷為真橫向束流截面時的誤差；

所述條件生成對抗網絡模型構建模塊中，所述的判別損失包括：

判別器將“第一截面/第二截面圖像對”判斷為真橫向束流截面時的誤差；

判別器將“第一截面/第三截面圖像對”判斷為假橫向束流截面時的誤差。