[發明專利]基于卷積神經網絡對經散射介質后的物體進行成像的方法

在審

• 申請號: 202010696635.5
• 申請日: 2020-07-20
• 公開（公告）號: CN111739117A
• 公開（公告）日: 2020-10-02
• 發明（設計）人: 韓靜;柏連發;張毅;趙壯;孫巖;郭恩來;朱碩;師瑛杰;顧杰;崔倩瑩;戚浩存;左葦;呂嫩晴
• 申請（專利權）人: 南京理工大學
• 主分類號: G06T11/00
• 分類號: G06T11/00;G06N3/04;G06N3/08;G06K9/48;G06K9/62
• 代理公司: 南京蘇創專利代理事務所(普通合伙) 32273
• 代理人: 鳳婷

1.基于卷積神經網絡對經散射介質后的物體進行成像的方法，其特征在于，具體包括以下步驟：

步驟1、設計編碼器-解碼器結構，該編碼器-解碼器結構通過跳層連接，增強局部特征和細節提取能力；

步驟2、設計卷積神經網絡PDSNet；

步驟3、結合散斑相關成像算法原理，對卷積神經網絡PDSNet進行設計優化，以數據驅動的方式消除光學記憶效應OME對成像視場角FOV的限制。

2.根據權利要求1所述的基于卷積神經網絡對經散射介質后的物體進行成像的方法，其特征在于，步驟2中融合低層信息與高層信息，檢索缺失的特征信息，對像素級信息和語義級特征進行充分挖掘，從u型結構出發，對光學記憶效應范圍內散射問題的求解中，采用分解卷積的方式，用n*1和1*n來代替常用的n*n卷積方式形成卷積神經網絡PDSNet結構。

3.根據權利要求1所述的基于卷積神經網絡對經散射介質后的物體進行成像的方法，其特征在于，所述散斑相關成像算法原理通過下列公式（1）求解原始目標分布，

其中，O表示待測目標，M表示光學系統測量得到的輸出結果，即散射圖像，F表示成像過程的前向模型。

4.根據權利要求1所述的基于卷積神經網絡對經散射介質后的物體進行成像的方法，其特征在于，所述散斑相關成像算法原理通過下列公式（2）從散射圖像中求解原始目標分布，公式表示為:

式中R(O)為正則化項，λ為正則化項系數，由散斑圖像出發，求解原始待測目標，就是求解公式（2）所代表的優化問題。

5.根據權利要求1所述的基于卷積神經網絡對經散射介質后的物體進行成像的方法，其特征在于，光信號加載著目標信息，被散射介質調制的過程由如下公式（3）表示:

其中，n表示目標分布于n個不同光學記憶效應范圍內，O_i為第i個待成像目標，S_i為其對應的點擴散函數，點擴散函數S的自相關是沖擊函數，當目標完全處于光學記憶效應范圍時，對散斑圖像進行自相關處理由如下公式（4）表示：

（4）

若目標分布于n個光學記憶效應范圍內，則散斑圖像的自相關分布可表示為如下公式（5）：

（5）。

6.根據權利要求1所述的基于卷積神經網絡對經散射介質后的物體進行成像的方法，其特征在于，按照傳統迭代型相位恢復算法原理，第k+1次初始圖像迭代的初始圖像，是通過上一次迭代的輸出圖像中逐像素點進行條件約束而生成，HIO算法如下公式（6）表示：

（6）

式中，k0，為滿足物理約束的點集，為第k次迭代的輸入，為第k次迭代的輸出，為反饋控制參數。

7.根據權利要求1所述的基于卷積神經網絡對經散射介質后的物體進行成像的方法，其特征在于，在仿真數據實驗過程中，散射介質由雙高斯隨機矩陣來表征，兩次空間自由傳輸過程由菲涅爾衍射理論來仿真。

8.根據權利要求1所述的基于卷積神經網絡對經散射介質后的物體進行成像的方法，其特征在于，送入卷積神經網絡PDSNet訓練的散斑數據以及待測試的散斑數據獲取方式為，采用實際光學系統采集含有待還原目標信息的散斑圖像。