[发明专利]一种基于复数域神经网络的太赫兹图像超分辨重建方法

说明书

本发明涉及一种基于复数域神经网络的太赫兹图像超分辨重建方法，包括以下过程：制作样本图像；测量成像系统的点扩散函数的幅度和相位；将样本图像与点扩散函数的矩阵进行卷积操作，得到模拟太赫兹成像的模糊图像；将原样本图像与模糊图像作为一个训练对，将训练对分为训练集、验证集和测试集；设计复数域神经网络；训练数据并进行测试，将模糊图像恢复成高分辨率的图像。本发明利用太赫兹成像系统相对于光学图像独有的相位信息，首次将复数域神经网络引入太赫兹图像的超分辨率重建领域，实现图像复原，相对于实数域神经网络能够取得更好的超分辨率重建效果，提高太赫兹成像系统的分辨率，提升了成像系统的性能。

技术领域

本发明涉及太赫兹超分辨率成像领域，具体地说是一种基于训练复数域神经网络以重建太赫兹超分辨图像的方法。

背景技术

太赫兹光谱图像不仅包含物质的外观几何信息，而且还包含物质对太赫兹脉冲响应的理化信息。太赫兹波以其独特的瞬态、超宽光谱和低光子能量的物理特性而被认为是最有发展前途的技术之一。自1995年太赫兹成像被提出开始，该技术在生物医学诊断、医学成像、无损检测、工业和安全检查等诸多应用领域得到了广泛的应用。然而，由于长波长导致的衍射现象和成像系统信噪比低等原因太赫兹成像相对于光学成像分辨率低。因此，如何提高这些图像的分辨率已成为一个亟待解决的问题。

在之前的工作中，已经采用了基于数据的超分辨率重建算法和基于硬件的方法来提高太赫兹成像系统的分辨率。然而，改进硬件需要更高的成本。因此，讨论和比较一种快速有效的超分辨率重建算法是非常重要的。在早期的研究过程中采用了基于滤波器的去噪方法，如高斯滤波、中值滤波、高通滤波等，既简单高效，又平滑了图像边缘。同时，提出了基于插值的增强分辨率的方法。然而，这些方法在实际应用中存在的问题还没有解决，并没有从根本上改进成像分辨率。为解决这一问题，在此基础上采用了基于图像先验的非局部相似度先验和稀疏度先验等改进算法。尽管它们可以灵活地生成相对高质量的太赫兹图像，但当图像统计数据与之前的图像存在偏差时，它们仍然会造成时间复杂度的增加和超分辨性能的下降。

随着神经网络、人工智能等相关技术快速发展，基于神经网络的超分辨率重建技术得到了广泛的关注和研究。近年来，基于神经网络的方法被应用于实现太赫兹图像反褶积和超分辨率重建，该方法直接学习低分辨率和高分辨率图像之间的端到端映射。由于神经网络对图像恢复问题强大的映射能力，该方法可以取得比解析算法更好的图像增强效果。尽管现有方法可以灵活地生成相对高质量的THz图像，但当图像统计数据与之前的图像存在偏差时，仍然会造成耗时和性能下降，无法满足实际应用过程中对成像系统的分辨率越来越高的需求。

发明内容

复数域神经网络对音频、图像和生理信号的潜在表征能力，且太赫兹成像系统在成像过程中受到衍射现象的影响，衍射模糊的过程与相位有关，因此图像的降质过程建模为复数模型更接近实际。为此本发明提出一种太赫兹图像超分辨重建方法，利用复数域神经网络对包含幅值信息和相位信息的复数数据矩阵进行模型的训练，通过训练好的模型权值矩阵对模糊图像进行超分辨率重建，从而提高其成像分辨率，解决了太赫兹成像系统由于衍射、噪声等干扰导致的成像质量差的问题。

本发明为实现上述目的所采用的技术方案是：

一种基于复数域神经网络的太赫兹图像超分辨重建方法，包括以下步骤：

步骤1：制作样本图像；

步骤2：测量太赫兹成像系统的点扩散函数的幅度和相位；

步骤3：将每一个样本图像与成像系统的复数矩阵进行卷积操作，分别得到模拟太赫兹成像的模糊图像；

步骤4：将原始样本图像与模糊图像作为一组图像对，将多组训练图像对作为输入用于训练；

步骤5：搭建复数域神经网络，将训练图像对输入该网络用于训练优化该网络参数，使得该网络能将模糊图像恢复成高分辨率的图像实现图像重建。