[發明專利]電容層析成像圖像重建方法、模型、設備及存儲介質

在審

• 申請號: 202210155372.6
• 申請日: 2022-02-21
• 公開（公告）號: CN114646671A
• 公開（公告）日: 2022-06-21
• 發明（設計）人: 李健;許傳龍;湯政;張彪
• 申請（專利權）人: 東南大學
• 主分類號: G01N27/22
• 分類號: G01N27/22
• 代理公司: 北京德崇智捷知識產權代理有限公司 11467
• 代理人: 王斌

1.一種電容層析成像圖像重建方法，其特征在于，包括：

采用第一級神經網絡，進行由電容向量到低分辨率介質分布的非線性圖像重建，其中第一級神經網絡的輸入層為歸一化電容向量重新排列所得的N×N維電容矩陣，N為電極數量；第一級神經網絡的輸出為S₁×1維介質分布列向量，S₁為低分辨率介質分布圖像的像素單元數量；

采用第二級神經網絡，進行由低分辨率介質分布到高分辨率介質分布的圖像超分辨率重建；其中，第二級神經網絡的輸入為第一級神經網絡的輸出，第二級神經網絡的輸出為S₂×1維介質分布列向量，S₂為高分辨率介質分布圖像的像素單元數量。

2.根據權利要求1所述的電容層析成像圖像重建方法，其特征在于，所述第一級神經網絡為第一級卷積神經網絡，包括輸入層、上采樣層、卷積層、全連接層以及輸出層；輸入層為歸一化電容向量重新排列所得的N×N維電容矩陣；在輸入層后對輸入電容矩陣進行反池化上采樣以擴充數據維度；卷積層采用二維卷積，設置m₁個n₁×n₁維卷積核，卷積核步長為1；全連接層位于卷積層后，通過l₁個神經元對卷積后的高度抽象化特征進行整合，最終輸出S₁×1維介質分布列向量。

3.根據權利要求2所述的電容層析成像圖重建方法，其特征在于，在所述第一級卷積神經網絡的卷積層與全連接層后均添加Dropout層，用于在訓練時隨機刪除部分神經元及其連接，增強網絡的泛化能力。

4.根據權利要求1所述的電容層析成像圖像重建方法，其特征在于，所述第二級神經網絡為第二級卷積神經網絡，包括輸入層、卷積層、池化層、全連接層和輸出層；輸入層為重建出的S₁×1維低分辨率介質分布列向量；卷積層采用一維卷積，設置m₂個n₂×1維卷積核，卷積核步長為1；池化層采用一維最大值池化，將列向量的長度縮短為原來的1/2；最后通過全連接層的l₂個神經元與輸出層各節點連接，輸出S₂×1維介質分布列向量。

5.根據權利要求4所述的電容層析成像圖像重建方法，其特征在于，在所述第二級卷積神經網絡的卷積層與全連接層后設置Dropout層。

6.一種電容層析成像圖像重建模型，其特征在于，包括：

第一級神經網絡，進行由電容向量到低分辨率介質分布的非線性圖像重建，其中第一級神經網絡的輸入層為歸一化電容向量重新排列所得的N×N維電容矩陣，N為電極數量；第一級神經網絡的輸出為S₁×1維介質分布列向量，S₁為低分辨率介質分布圖像的像素單元數量；

第二級神經網絡，進行由低分辨率介質分布到高分辨率介質分布的圖像超分辨率重建；其中，第二級神經網絡的輸入為第一級神經網絡的輸出，第二級神經網絡的輸出為S₂×1維介質分布列向量，S₂為高分辨率介質分布圖像的像素單元數量。