[发明专利]具有多场景适应性的透过散射介质模块化成像方法

说明书

本发明涉及一种具有多场景适应性的透过散射介质模块化成像方法，包括构建散射介质成像卷积神经网络；改进基础结构；采用即插即用模块与基础结构结合组成新的网络结构；采集数据对卷积神经网络进行训练优化；利用优化后的卷积神经网络进行成像。本发明通过在UNet神经网络结构的基础上增加语义嵌入分支模块SEB，将更多的语义信息引入低级特征，更好地实现低级特征与高级特征之间的融合；结合感受野模块，扩大卷积神经网络的感受野，提升特征层的全局性，优化了成像质量；将特征融合模块、密集连接模块和感受野模块与基础结构结合作为即插即用的系列进行应用，提高了神经网络结构的灵活性。

技术领域

本发明涉及一种具有多场景适应性的透过散射介质模块化成像方法，属于机器学习与图像重建技术领域。

背景技术

从记录到的散斑恢复出原物体图像是一个欠定的逆问题，尤其在被厚散射体散射的情况下，弹道光的信号极弱而散射很强，导致经典的解逆问题的最优化算法都无能为力，随着计算机运算能力和数据量的飞速提升，各成像领域开始结合深度学习方法且都取得了不错的成效，光的散射问题亦然。很多的散射成像研究工作引入深度学习方法实现了成像效果提升，突破了经典成像局限。

光在复杂散射介质中的传播过程可等效为输入场经过随机传输矩阵的计算过程，则采集到的散斑图像与原始目标间存在着一定的映射关系，而从散斑到目标就是这个传输过程的逆变换求解。应用深度学习方法去学习模拟目标到散斑的这种光学映射的逆变换过程，从而实现在已知散斑时求解出未知目标。而对于散斑图像这种无结构特征，信息全局分布的图像来说，在别的领域运作很好的网络结构在散斑重建任务中就不一定很有效了。

目前深度学习方法在简单如字符、线条状结构的目标上的重建效果较好，但是在复杂如人脸、自然场景等高频信息丰富的目标上，则很难获得良好的重建结果。

散斑成像领域常见的CNN网络结构和插入模块，我们发现就其功能性它们基本可以被分为两类：感受野提升和多尺度特征融合。如何保证参与“决策”的特征层仍然具有全局性是提升构建CNN网络质量的一个重要依据，而提升全局性的常用手段就是扩大感受野和多尺度特征融合，二者通常合作提升决策层的全局性。

融合不同尺度的特征是提高分割性能的一个重要手段。低层特征分辨率更高，包含更多位置、细节信息，但是由于经过的卷积更少，其语义性更低，噪声更多。因此将更多的语义信息引入低级特征，在高级特征中嵌入更多的空间信息能够弥补低级特征与高级特征之间的差距，提升特征融合的质量。

因此，需要一种更适用于散斑重建任务的深度学习方法。

发明内容

为了解决上述技术问题，本发明提供一种具有多场景适应性的透过散射介质模块化成像方法，其具体技术方案如下：

一种具有多场景适应性的透过散射介质模块化成像方法，包括以下步骤：

步骤1：构建散射介质成像卷积神经网络，所述卷积神经网络选用UNet作为基础结构，所述UNet整体结构呈U形编码-解码对称结构，其中编码部分是多个由3x3的卷积操作和池化操作组成下采样模块提取目标特征，解码部分是与编码部分同样多个由3x3反卷积操作和上采样函数组成的上采样模块恢复信息和图像尺寸；

步骤2：对基础结构进行改进，调整基础网络深度和宽度，设置网络参数量，所述宽度通过改变每层通道数调整；

步骤3：采用即插即用模块与基础结构结合组成新的网络结构，所述即插即用模块为密集连接模块、特征融合模块或感受野模块中的一种，所述特征融合模块为语义嵌入分支模块SEB；

步骤4：采集数据对卷积神经网络进行训练优化，所述训练优化选用简单字符数据和复杂人脸数据两种不同复杂程度的数据，所述简单字符数据和复杂人脸数据均包括训练集、验证集和测试集；

步骤5：利用优化后的卷积神经网络进行成像。