[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

本發明公開了一種基于物理的深度展開網絡的電磁逆散射成像方法，其步驟包括：1構建混合輸入數據，包括數據的獲取及預處理，豐富網絡輸入信息；2網絡結構搭建階段，使用深度展開技術結合傳統子空間優化迭代算法，設計深度展開技術網絡結構；3設計損失函數，在目標函數中使用圖像結構相似性損失和逐像素損失外，特別使用感應電流損失和散射場損失，共同優化網絡；4通過訓練深度展開網絡，可快速進行目標散射體的感應電流、散射場及對比度的高質量重建。本發明所提出的基于物理的深度展開網絡能有效地替代傳統SOM迭代算法，豐富網絡的物理知識，實現快速且高精度的電磁逆散射成像。

技術領域

本發明屬于電磁逆散射成像的技術領域，尤其涉及一種使用深度學習方法有效替換傳統SOM迭代方法進行電磁逆散射成像。

背景技術

電磁逆散射是根據一定空間區域的散射場分布來確定該空間區域內的未知散射體的性質，例如位置、形狀和物理參數等信息。但電磁逆散射問題(ISP)呈現高度非線性和病態性，非線性源于測量散射場和散射體之間的多重散射效應，病態性主要源于觀測數據的微小擾動將導致解的較大誤差。ISP可以通過傳統的目標函數法來解決，主要包括線性近似的反向傳播法(BP)，非線性迭代的變形波恩迭代方法(DBIM)、對比源反演(CSI)、子空間優化(SOM)等。傳統方法將波動物理整合到模型中，但線性方法成像粗糙，迭代方法計算代價大，耗時長。

近年來，深度學習網絡由于其強大的學習映射能力以及求解速度快，研究人員成功地將其應用于求解電磁逆散射問題。比如，Wei等人提出的直接反演方案(DIS)是利用神經網絡實現從散射場到目標散射體映射的典型算法，但其只能在訓練集范圍內重建一些簡單的散射體。Li等人通過類比傳統非線性迭代方法與CNN的聯系，提出了基于復卷積神經網絡的‘DeepNIS’算法。一些研究將目標域從對比度域轉化到電流域。Wei等人提出的‘ICLM’算法使用級聯網絡專門用于學習感應電流的模糊部分。Huang等人將逆散射問題簡化為圖像翻譯問題，先使用反向傳播法得到粗糙圖像，再利用神經網絡實現圖像的高分辨率重建。上述論文中的測試結果表明，目前的深度逆散射方法在成像質量和速度均優于傳統非線性優化方法。

上述方法受限于輸入的質量和散射體邊界類型的先驗，特別地當網絡缺乏物理知識引導時，泛化能力也會受到限制。所以深度逆散射方法需要考慮物理模型一致性和數據一致性。彌補傳統目標函數法和以數據驅動的深度學習方法之間的差距，有效地將物理知識嵌入深度神經網絡中實現高質量成像是關鍵技術難題。

發明內容

本發明是為解決上述關鍵技術難題，提出了一種基于物理的深度展開網絡的電磁逆散射成像方法，以期能將深度展開技術、SOM迭代框架及現有物理知識更有效地結合，使得網絡學習到物理知識和增強模型泛化能力，以實現快速且高精度的電磁逆散射成像，進而實現散射體的感應電流、散射場和對比度的高質量重建。

本發明為解決技術問題采用如下技術方案：

本發明一種基于物理的深度展開網絡的電磁逆散射成像方法的特點在于，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