[发明专利]基于U-Net网络的计算鬼成像重建恢复的方法

说明书

本发明公开的基于U‑Net网络的计算鬼成像重建恢复的方法，首先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；然后构建U‑Net网络模型，将得到的数据分为训练集和测试集，通过训练集数据训练U‑Net网络模型；最后通过测试集验证训练好的U‑Net网络模型并输出结果，实现计算鬼成像重建。本发明公开的方法能够将随机相位掩模的个数减少到7％并得到很好的结果，有效的提高计算鬼成像的重建效果，并提高重建速度。

技术领域

本发明属于量子成像和人工智能技术领域，具体涉及一种基于U-Net网络的计算鬼成像重建恢复的方法。

背景技术

近年来鬼成像的重建恢复得到广泛的关注。计算鬼成像是一种经典的光场鬼成像，它利用计算全息技术产生已知的关联光场，省去了探测光场分布的空闲光路，使得光学系统结构更为简单，抵抗外界的干扰能力更强，像的重建更高效。计算鬼成像不仅继承了鬼成像在成像原理方面的重要特性，而且相比双光子对鬼成像和赝热源鬼成像，对其研究具有更为重要的实际应用价值。鬼成像技术目前正从实验研究逐步走向实际应用，在诸多领域体现出重要的应用价值，如高分辨光刻、密码技术、隐身技术、雷达成像等。

鬼成像的恢复传统方法是通过压缩感知进行恢复的。压缩感知采用了低维的观测方法，利用信号的稀疏特性(即信号的少量线性投影包含了重构的足够信息)，其信号的重构过程就是将观测向量Y在对应的测量矩阵中获得稀疏分解的过程，所要解的信号X就是该分解的系数向量。压缩鬼成像技术可以在测量数据较小的前提下更好的重构出目标图像，它允许一个包含N²个像素点的图像的测量次数小于N²次，如果将随机散斑强度函数I_i(x,y)转换为行向量，表示为Ir_i，将目标图像的分布函数为w(x,y)转换为列向量T_c，那么由桶探测器接收的光照强度B_i可以表示为B_i＝Ic_i×T_c，为了从测量值中重构出原始图像信息，求解稀疏解的最优化问题必须解决，换句话说，如果列向量T_c是稀疏的，那么采用重构算法将可以从行向量Ir_i以及光照强度B_i中恢复出T_c。目前，很多有效的方法被提出来解决这个问题，如匹配追踪(MP)、正交匹配追踪(OMP)、SL0算法等。

自2012年起，卷积神经网络(convolutional neural networks，CNN)在图像处理领域发展迅猛，突破了很多传统方法无法解决的瓶颈，在很多行业得到了成功应用。Long等将CNN结构改造成全卷积神经网络，通过卷积和反卷积过程完成对每个像素的分类，提出全卷积神经网络(fully convolutional networks，FCN)的图像语义分割算法，使图像分割效果取得了突破性进展。但FCN由于多次下采样导致对图像中的细节不够敏感，且没有充分考虑像素与像素之间的关系，缺乏空间一致性。

发明内容

本发明的目的是提供一种基于U-Net网络的计算鬼成像重建恢复的方法，有效提高了计算鬼成像重建效果并且提高了重建速度。

本发明所采用的技术方案是，基于U-Net网络的计算鬼成像重建恢复的方法，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。

本发明的其他特点还在于，

步骤1的具体过程如下：