[发明专利]基于卷积神经网络的电学层析成像图像重建方法

说明书

本发明涉及一种基于卷积神经网络的电学层析成像图像重建方法，包括下列步骤：采用有限元方法求解电学层析成像的正问题；设计卷积神经网络结构使其适用于电学层析成像图像重建过程；确定损失函数；采用小批量梯度下降策略更新网络参数，并使用滑动平均模型将每一轮迭代得到的参数综合起来，确定最终的参数更新值；迭代结束后，得到连接权与阈值确定的卷积神经网络；图像重建时，将实测的边界测量值作为训练完毕的卷积神经网络输入层神经元，其输出层神经元的输出即为图像中各个像素点的值。

技术领域

本发明属于层析成像领域，涉及一种基于卷积神经网络的电学层析成像图像重建方法，用于复杂介质分布图像重建。

技术背景

电学层析成像技术(Electrical tomography,ET)是自上世纪80年代后期出现的一种基于介质电特性敏感机理的过程层析成像技术，以其非侵入性、便捷性、价格低廉、响应快速等技术优势，作为一种复杂过程的可视化测量手段，受到广泛关注。它的物理基础是不同的媒质具有不同的电特性(电导率/介电系数/复导纳/磁导率)，通过判断敏感场内物体的电特性分布便可推知该场中媒质的分布情况。电学层析成像技术主要包括电阻层析成像(Electrical Resistance Tomography,ERT)、电容层析成像(Electrical CapacitanceTomography,ECT)、电阻抗层析成像(Electrical Impedance Tomography,EIT)和电磁层析成像(Electrical Magnetic Tomography,EMT)。由于在似稳场条件下，ERT/ECT/EIT/EMT的敏感场所遵循的规律相同，因而三种成像模式具有诸多相似之处。

电学层析成像利用电极敏感阵列通过建立电学敏感场获取被测区域内介质的分布信息，并采用适当的图像重建算法重建出被测区域内介质空间分布图像。图像重建算法是电学层析成像技术的核心，但由于电学敏感场具有“软场”特性，即探测信号的分布(如指向)与被测区域的物质分布存在复杂的非线性关系，被测区域的物质分布影响电场线的指向，且与检测信号的强度存在复杂的非线性对应关系，其图像重建过程属于典型的欠定、病态的非线性逆问题求解过程。针对逆问题求解的病态性，通常采用正则化方法提高逆问题求解的稳定性。常用的正则化方法有L₁正则化和L₂正则化。L₁正则化对具有光滑物体分布的场域进行求解时会出现过稀疏的问题，重建结果不能充分体现场域物体的真实大小。L₂正则化求解逆问题时会出现过光滑现象，导致重建图像具有较大的伪影。此外，在正则化求解算法中需要进行大量计算，导致图像重建的速度难以满足快速变化的生产过程的需要。

发明内容

本发明的目的是在现有电学层析成像的基础上，提出一种基于卷积神经网络的图像重建新方法，无需引入过多的先验知识和人为干预，可以有效避免正则化等现有算法中的过稀疏和过光滑问题。此外，该方法的计算时间集中于神经网络的训练过程，训练完成后，其求解速度较已有算法具有显著优势，并具有良好的抗噪性和泛化能力，可用于解决快速复杂过程在线可视化测量问题。本发明的技术方案如下：

一种基于卷积神经网络的电学层析成像图像重建方法，包括下列步骤：

(1)设采用N个电极，相邻激励模式下的测量数为N(N-3)，其中每一行代表在一次激励电极下获取的边界测量值，N电极循环激励，共测得N组数据。

(2)采用有限元方法求解电学层析成像的正问题：y＝Ax，其中，x表示被测区域内部介质分布，A为灵敏度矩阵，y表示物理场的边界测量值，得到n组已知场分布和与其对应的边界测量值的训练样本{x_n,y_n}。

(3)设计卷积神经网络结构使其适用于电学层析成像图像重建过程，方案如下：