[发明专利]基于循环神经网络的鬼成像方法、系统、设备及存储介质

说明书

基于循环神经网络的鬼成像方法、系统、设备及存储介质，方法包括：将一套随机散斑序列与训练集内的目标作用，使每个目标得到相应的桶探测信号序列；将每个目标的桶探测信号序列与相应的随机散斑序列进行拼接处理，得到探测序列；将训练集内的真实目标作为循环神经网络的训练目标，利用真实目标对应的探测序列作为第一网络输入序列训练循环神经网络，获取训练好的循环神经网络；使用训练循环神经网络时的同一套随机散斑对目标区域进行探测，并将随机散斑与桶探测信号序列经过拼接处理得到第二网络输入序列；将第二网络输入序列输入训练好的循环神经网络中，输出目标图像。本发明可以在低采样率下利用循环神经网络快速输出高分辨率的目标图像。

技术领域

本发明涉及鬼成像技术领域，具体涉及一种基于循环神经网络的鬼成像方法、系统、设备及存储介质。

背景技术

鬼成像又称关联成像，是利用复合探测恢复待测物体空间信息的一种新型成像技术。与传统的成像技术相比，现有的成像技术主要利用光场的一阶关联信息(强度与位相)，而经典鬼成像利用光场的二阶关联，被认为是一种强度波动的统计相关。其成像过程为，利用多个散斑对目标进行照射，收集桶探测信号，再用散斑和收集到的桶探测信号进行关联运算得到目标图像。此方法即为鬼成像领域中的基本相关法，该方法的优点是操作简单，缺点是成像分辨率较低，需要进行多次探测才可以得到较高分辨率图像。而多次探测则会带来较大的时间消耗，这也限制了鬼成像方法的应用前景。

发明内容

本发明的目的在于针对上述现有技术中的问题，提供一种基于循环神经网络的鬼成像方法、系统、设备及存储介质，实现在较低采样率下可以快速重构出清晰的目标图像。

为了实现上述目的，本发明有如下的技术方案：

一种基于循环神经网络的鬼成像方法，包括以下步骤：

将一套随机散斑序列与训练集内的目标作用，使每个目标得到相应的桶探测信号序列；

将每个目标的桶探测信号序列与相应的随机散斑序列进行拼接处理，得到探测序列；

将训练集内的真实目标作为循环神经网络的训练目标，利用真实目标对应的探测序列作为第一网络输入序列训练循环神经网络，获取训练好的循环神经网络；

使用训练循环神经网络时的同一套随机散斑对目标区域进行探测，并将随机散斑与桶探测信号序列经过拼接处理得到第二网络输入序列；

将第二网络输入序列输入训练好的循环神经网络中，输出目标图像。

作为优选，所述将每个目标的桶探测信号序列与相应的随机散斑序列进行拼接处理的步骤中，拼接处理的过程是先将二维散斑调整为一维结构，再将其对应的桶探测信号拼接到一维结构上并作为一次探测结果。

更进一步的，所述探测序列为目标多次与不同散斑作用后并经过拼接处理得到的相应探测序列。

作为优选，所述的循环神经网络采用长短期记忆网络，在训练网络时，将目标作为网络训练的标签，将得到的多个探测序列作为网络的输入数据，网络的输出为预测的目标图像。

更进一步的，所述的循环神经网络根据预测的目标图像和待识别目标计算损失函数，通过优化损失来更新网络参数；

所述损失函数表示为：

Loss_rec＝F(y_i,y_p)

式中，y_i为目标，y_p为预测的目标图像，F用于计算y_i与y_p之间误差。

作为优选，所述利用真实目标对应的探测序列作为第一网络输入序列训练循环神经网络包括：

将所述探测序列作为循环神经网络的输入，得到预测待识别目标图像；