[發明專利]一種基于物理的深度展開網絡的電磁逆散射成像方法

在審

• 申請號: 202210307192.5
• 申請日: 2022-03-25
• 公開（公告）號: CN114626987A
• 公開（公告）日: 2022-06-14
• 發明（設計）人: 劉羽;趙浩;宋仁成;成娟;李暢;陳勛
• 申請（專利權）人: 合肥工業大學
• 主分類號: G06T3/40
• 分類號: G06T3/40;G06T5/00;G06N3/04;G06N3/08
• 代理公司: 安徽省合肥新安專利代理有限責任公司 34101
• 代理人: 陸麗莉;何梅生

1.一種基于物理的深度展開網絡的電磁逆散射成像方法，其特征在于，包括以下步驟：

步驟一、構建混合輸入數據，包括數據的獲取及預處理；

步驟1.1、電磁散射系統采用T根發射天線，R根接收天線，并在正方形的感興趣區域D中放置目標散射體所述發射天線依次向所述感興趣區域D發射平面波信號，并由R根接收天線同時測量散射場；

步驟1.2、正演時，采用矩量法計算所述目標散射體的模擬感應電流和模擬散射場

步驟1.3、反演時，將所述感興趣區域D離散成尺寸為M×M的網格，共形成M²個子網格；

步驟1.4、利用奇異值分解對所述模擬散射場進行處理，得到維度為[M²,T]的確定性部分電流其中，T表示有T個發射天線通道；

步驟1.5、改變確定性部分電流的維度，并得到維度為[T,M,M]的三維電流圖像矩陣

步驟1.6、對三維電流圖像矩陣增加一個維度用于存放所述三維電流圖像矩陣的實部和虛部，從而得到維度為[T,N₁,M,M]的確定性電流矩陣其中，N₁表示所述確定性電流的實部虛部通道數；

步驟1.7、利用反向傳播方法對所述模擬散射場進行處理，生成維度為[M,M]的低分辨率散射體圖像χ_BP；

步驟1.8、對所述低分辨率散射體圖像χ_BP增加一個維度用于存放所述低分辨率散射體圖像χ_BP的虛部，從而得到維度為[N₂,M,M]的三維圖像矩陣

步驟1.9、對所述三維圖像矩陣增加一個維度用于存放T個三維圖像矩陣得到維度為[T,N₂,M,M]的低分辨率對比度圖像其中，N₂表示所述低分辨率對比度圖像的虛部通道數；

步驟1.10、將所述確定性電流和所述低分辨率對比度圖像在第二個維度上進行拼接，得到維度為[T,N,M,M]的混合輸入數據x；其中，N＝N₁+N₂表示混合輸入數據x₁的實部虛部通道數量；

步驟二、搭建深度展開網絡P_θ，并將所述混合輸入數據x₁作為深度展開網絡P_θ的輸入，由所述深度展開網絡P_θ輸出所述目標散射體的近似真實的完整感應電流

步驟2.1、由K個級聯的子網絡{P_θ,k|k∈[1,K]}構成深度展開網絡P_θ；其中，P_θ,k表示第k個級聯的子網絡；且第k個級聯的子網絡P_θ,k采用U-net結構，包括收縮路徑和擴展路徑；

所述收縮路徑是依次由兩個卷積塊后添加一個最大池化層組成，所述卷積塊是由一個卷積核大小為a×a的卷積層、BN層、ReLU激活函數組成；

所述擴展路徑是依次由一個反卷積操作后添加兩個卷積塊組成，所述反卷積操作是由一個卷積核大小為b×b的反卷積層組成，所述卷積塊與所述收縮路徑中的結構相同；

步驟2.2、當k＝1時，所述混合輸入數據x₁輸入所述深度展開網絡P_θ中，并經過第k個子網絡P_θ,k的收縮路徑處理，得到維度為c×c的特征圖f_k再經過擴展路徑的處理，輸出第k個子網絡P_θ,k預測的感應電流

根據所述感應電流利用狀態方程、數據方程及SOM的對比度更新公式得到所述目標散射體的第k個預測總場第k個預測散射場及第k個預測對比度圖像

當k＝2,3,...,K時，第k-1個子網絡P_θ,k-1輸出的感應電流矩陣和第k-1個散射場圖像矩陣在第二個維度上進行拼接，得到第k個混合輸入數據x_k，并經過第k個子網絡P_θ,k的處理，輸出第k個預測的感應電流矩陣從而由第K個子網絡P_θ,K輸出第K個預測感應電流矩陣并作為深度展開網絡P_θ輸出的近似真實的完整感應電流

再根據近似真實的完整感應電流利用狀態方程、數據方程及SOM的對比度更新公式，進一步得到所述目標散射體的其他物理信息，包括預測總場預測散射場及預測對比度圖像

步驟三、設計損失函數，建立深度展開網絡P_θ的優化目標；

步驟3.1、利用式(1)構建深度展開網絡P_θ的目標損失函數L_P：

L_P＝L_J+L_E+λ₁L_SSIM+λ₂L_MSE (1)

式(1)中，L_J表示感應電流損失，并通過式(2)得到；L_E表示散射場損失，并通過式(3)得到；L_SSIM表示對比度圖像質量損失，并通過式(3)得到；L_MSE表示逐像素損失，并通過式(4)得到；λ₁，λ₂是超參數，用來平衡圖像質量損失和逐像素損失的影響；

式(2)中，表示第j根發射天線對應的目標散射體的近似真實的感應電流矩陣表示第j根發射天線對應的目標散射體的模擬感應電流；

式(3)中，表示第l根接收天線對應的深度展開網絡所預測的散射場，表示第l根接收天線對應的目標散射體的真實散射場；

式(4)中，SSIM表示圖像結構相似性損失；

式(5)中，N表示一張對比度圖像的像素點數量；表示預測對比度圖像的第q個像素點對應的對比度值；表示目標散射體的第q個像素點對應的對比度值；

步驟四、通過訓練深度展開網絡，進行散射體感應電流、散射場、對比度重建；

基于所述混合輸入數據x₁對所述深度展開網絡P_θ進行學習，并在計算損失函數L_P的過程中不斷優化網絡參數θ，使得網絡重建輸出的感應電流、散射場和對比度圖像逐漸擬合到真實散射體對應的物理量，從而得到最優網絡模型，用于實現高質量的感應電流、散射場和對比度圖像重建。