[發明專利]基于物理約束和數據驅動的雙階段散射成像方法

有效

• 申請號: 202011343947.4
• 申請日: 2020-11-26
• 公開（公告）號: CN112150341B
• 公開（公告）日: 2021-05-28
• 發明（設計）人: 韓靜;郭恩來;柏連發;趙壯;張毅;程倩倩;顧杰
• 申請（專利權）人: 南京理工大學
• 主分類號: G06T1/00
• 分類號: G06T1/00;G06N3/04;G01N21/47
• 代理公司: 南京蘇創專利代理事務所(普通合伙) 32273
• 代理人: 張學彪

本發明涉及基于物理約束和數據驅動的雙階段散射成像方法，包括以下步驟：1.設計算法結構，2.建立卷積神經網絡，3.求解目標信息，4.消除干擾信息，5.獲得原始目標。本發明中的雙階段成像算法結合物理約束和數據驅動的算法框架，適用于噪聲干擾的復雜成像系統，雙階段成像算法的除噪和泛化能力，在不同等級高斯噪聲、探測器和光子噪聲下，增強階段的PSNR從20dB提高到38dB；與無物理約束的方法相比，在已知散射介質和噪聲的條件下，恢復目標的PSNR提高4dB；在未知散射介質條件下，成功恢復隱藏的目標；基于u型結構和殘差網絡，構建雙階段卷積神經網絡提取特征，恢復目標信息。

技術領域

本發明涉及一種基于物理約束和數據驅動的雙階段散射成像方法，屬于圖像處理技術領域。

背景技術

透過散射介質成像是一個十分重要且具有挑戰性的問題，在很多領域內具有廣泛的應用，例如生物醫學成像和天文成像等。由于光波在透過介質時產生的強散射，傳統光學成像系統無法直接觀測隱藏在散射介質之后的目標信息。另一方面，不完美的成像環境往往會引發噪聲干擾，因此，恢復目標信息的難度加大。

為了恢復隱藏在無序散斑中的目標信息，人們主要提出了包含基于光學相位共軛原理的波前調制技術和基于光學記憶效應的散斑相關成像技術。其中，基于波前調制的反饋調節聚焦技術通過控制空間光調制器調整入射光波的相位分布，補償由于散射引起的相位畸變，恢復目標信息；基于光學傳輸矩陣的方法則是用矩陣變換來近似描述包含散射介質在內的光學輸入場和輸出場的對應關系，通過求解光學傳輸矩陣恢復目標信息；基于光學記憶效應的散斑相關技術結合自相關和相位恢復算法可實現非侵入式恢復目標信息。然而傳統的相位恢復算法難以擺脫病態逆問題或無法收斂至全局最優解的陰影。由于傳統散斑相關技術要求高質量散斑來消除噪聲干擾，其成像系統要求采用高分辨率高靈敏度相機，噪聲魯棒性較差。

近些年來，基于深度學習的計算成像研究在解決病態逆問題上提供了很好的解決方法。其中，有人提出的IDiffNet實現了對散斑圖像的重建，并且首次使用NPCC，即negative Pearson correlation coefficient作為損失函數。有人構建了一個“一對多”卷積神經網絡，可以重建隱藏在未經訓練的磨砂玻璃后的目標信息，前提是這種未經訓練和已訓練的磨砂玻璃屬于同一類散射介質。有人通過構建一個GAN網絡，恢復了隱藏在動態散射介質，如脂肪乳化液中的目標信息。以上工作都有其各自的優勢，證明了深度學習可以在一定范圍內恢復目標信息。目前，基于深度學習的重建方法一般直接映射散斑和目標的對應關系，這種純數據驅動的端到端模型適用性有限，尤其無法解決噪聲干擾或多種散射介質等復雜問題。

在實際應用中，成像環境往往是不完美的，會在無序散斑中引發噪聲，因此在散射成像中提高噪聲魯棒性是一個亟待解決的問題。同時，散射介質的性質較復雜，重構算法應具有較強的噪聲魯棒性和泛化能力，能夠適應復雜成像環境下不同散射介質的恢復任務。

發明內容

為了解決上述技術問題，本發明提供一種基于物理約束和數據驅動的雙階段散射成像方法，其具體技術方案如下：

基于物理約束和數據驅動的雙階段散射成像方法，包括以下步驟：

步驟一：設計算法結構：結合散斑相關成像算法原理，設計基于物理約束的雙階段算法結構，通過自相關作為物理先驗知識，指導網絡學習過程；

步驟二：建立卷積神經網絡：基于u型結構和殘差網絡，結合物理先驗知識約束，建立雙階段卷積神經網絡ACR-CNN；

步驟三：求解目標信息：采用卷積神經網絡ACR-CNN提取特征，在光學記憶效應內求解隱藏在噪聲和無序散斑中的目標信息；

步驟四：消除干擾信息：在光學記憶效應內，利用自相關作為物理先驗知識設計增強網絡ACR-1，由含噪聲的低質量散斑自相關出發，獲得不含噪的高質量自相關，消除噪聲影響，通過公式（1）消除噪聲和多種散射介質影響，

(1)