[发明专利]基于U-Net网络的计算鬼成像重建恢复的方法

权利要求书

1.基于U-Net网络的计算鬼成像重建恢复的方法，其特征在于，具体操作过程包括如下步骤：

步骤1，获取计算鬼成像得到的MNSIT数据集相对应的基于Hadamard矩阵的鬼成像数据集；

步骤2，构建U-Net网络模型，将步骤1得到的数据分为训练集、测试集和验证集，通过训练集数据训练U-Net网络模型中的参数；

步骤3，通过测试集数据训练U-Net网络模型中的超参数；

步骤4，通过验证集验证训练好的U-Net网络模型并输出结果，实现计算鬼成像重建；

所述步骤1的具体过程如下：

通过现有生成鬼成像图像的仪器得到鬼成像图像记为O(x,y)，如式(1)所示：

O(x,y)＝δSδI_r(x,y) (1)

其中，·为系综平均；

其中，B_r通过桶探测器得出；

其中，是R_r的共轭函数；

其中，z表示光的传播距离，λ是激光的波长，E_r是SLM的复振幅；

其中，E(in)是射入SLM的复振幅；是随机相位掩模，随机相位掩模由随机Hadamard矩阵生成，则鬼成像的最终结果由式(6)表示：

2.如权利要求1所述的基于U-Net网络的计算鬼成像重建恢复的方法，其特征在于，所述步骤2的具体过程如下：

步骤2.1，构建U-Net网络模型，并初始化网络中的所有参数，将步骤1中的训练集数据作为输入通过给定参数的卷积层，再进行实例正则化层，最后通过激活函数层输出；

步骤2.2，定义损失函数，通过比较损失函数将步骤2.1的输出结果与训练集数据的原始图像，根据损失函数对网络进行反向传播，保持网络中的超参数不变对网络中的参数进行训练，直至损失函数稳定，则U-Net网络模型训练完成，否则重复执行步骤2.1和步骤2.2。

3.如权利要求2所述的基于U-Net网络的计算鬼成像重建恢复的方法，其特征在于，所述步骤2.1中实例正则化的公式如式(7)所示：

其中，γ和β都是超参数，μ(x)为图像x的均值，σ(x)为图像x的方差。

4.如权利要求2所述的基于U-Net网络的计算鬼成像重建恢复的方法，其特征在于，所述步骤2.1中，最后一个卷积模块的激活函数层为sigmoid激活函数，其他卷积模块的激活函数层为relu激活函数。

5.如权利要求2所述的基于U-Net网络的计算鬼成像重建恢复的方法，其特征在于，所述步骤2.1中构建U-Net网络模型的具体过程如下：

步骤2.1.1，将训练集数据作为输入，进行5个卷积模块的操作，其中卷积核的大小为9*9，步长为1，特征层为64，并将经过最后一个卷积模块的输出保存；

步骤2.1.2，对步骤2.1.1的输出结果运用最大池化操作进行池化；

步骤2.1.3，对步骤2.1.2的输出结果进行5个卷积模块的操作，其中卷积核的大小为7*7，步长为1，特征层为128，并将经过最后一个卷积模块的输出保存；

步骤2.1.4，将上述输出结果重复步骤2.1.2的操作并输出，对其输出进行5个卷积模块的操作，其中卷积核的大小为5*5，步长为1，特征层为256，对其输出的输出运用反卷积操作进行上采样；

步骤2.1.5，将步骤2.1.3的输出结果与步骤2.1.4的上采样结果运用concat操作连接起来，并对其进行5个卷积模块的操作，其中卷积核的大小为7*7，步长为1，特征层为128，对其出输出再进行一次上采样；

步骤2.1.6，将步骤2.1.1的输出结果与步骤2.1.5的上采样结果用concat操作连接起来，执行步骤2.1.1的过程并输出，将输出结果进行1个卷积模块的操作，其中卷积核的大小为1*1，步长为1，特征层为1，得到网络的输出结果，网络模型训练完成。