[发明专利]一种基于深度学习模型的脉冲式强度关联三维成像方法

摘要

本发明涉及一种三维成像方法，尤其涉及一种基于深度学习模型的脉冲式强度关联三维成像方法，属于光电成像技术领域。本发明的目的是为了解决现有脉冲式强度关联三维成像方法在以强湍流为代表的强噪声环境下工作时，成像速率慢，成像质量不佳的问题。本发明利用深度学习模型，相比传统和结合压缩感知的关联成像方法，可实现在少量关联次数下的高质量低噪声重建图像输出，抗噪声能力和鲁棒性强。

主权项

1.一种基于深度学习模型的脉冲式强度关联三维成像方法，其特征在于：具体步骤如下：步骤一、在探测臂上获取经目标表面反射或透射调制的总光强信息，在参考臂上获取系统所用同一光源的二维光强分布信息，进行M组N次数据信息记录；步骤二、利用脉冲式强度关联算法，对步骤一采集到的M组N次的总光强信息和光源的二维光强分布信息进行运算，经过M*N次关联迭代运算后，重建出含有大量噪声以及目标表面反射率分布或透射率分布信息的M组图像；步骤三、对步骤二中重建的M组图像构建原始重建图像的训练样本张量和原始重建图像的测试样本张量；并构建与原始重建图像的训练样本张量对应的目标真值图像训练张量；其中，目标真值图像训练张量与原始重建图像的训练样本张量一一对应；在步骤二重建的M组图像中，随机抽取p％的样本作为原始重建图像的训练样本，余下的(1‑p)％样本作为原始重建图像的测试样本；每幅图像按照像素排列顺序压成一维信号，分别构建原始重建图像的训练样本张量和原始重建图像的测试样本张量；原始重建图像的训练样本张量、原始重建图像的测试样本张量和目标真值图像训练张量的张量形式为[样本数量，一维信号，通道数]，其中样本数量表示图像数量；一维信号表示每幅图像按照像素排列顺序构成的一维信号；通道数表示图像通道的数量；步骤四、搭建深度学习模型中的深度自编码网络结构，并初始化网络结构的参数；深度自编码网络结构，包含编码结构和解码结构，其中编码结构与解码结构呈对偶形式；编码结构首先将输入数据升维，然后随着深度的增加对升维后的数据进行维度压缩，以达到去除噪声的目的，得到压缩后的数据；解码结构与编码结构对称，将压缩后的数据升维，然后降维，实现解码重建，达到输出原图像的目的；深度自编码网络结构使用全连接的方式构建，使用均值为m、方差为n的均匀分布初始化网络参数；步骤五、将步骤三的原始重建图像的训练样本张量，以及目标真值图像训练张量输入至步骤四搭建的深度自编码网络结构中，对深度自编码网络结构进行循环训练，直至网络输出的损失函数(loss function)低于设定阈值时停止训练；将步骤三中的原始重建图像的训练样本张量，作为输入信号，输入至步骤四中的深度自编码网络结构中；同时，将步骤三中的目标真值图像训练张量，作为参考信号，输入至步骤四中的深度自编码网络结构中；随后，对深度自编码网络结构进行训练；训练过程为：以深度自编码网络结构为训练对象，最小化原始重建图像的训练样本张量输入至深度自编码网络后的网络输出与目标真值图像训练张量之间的损失；网络输出的损失函数以原始重建图像的训练样本张量与目标真值图像训练张量的均方根误差表达，损失函数计算公式为：其中，i为样本序号，N为样本数量，为原始重建图像的训练样本张量，f(·)为网络输出，w为网络参数，y_i为目标真值图像训练张量；深度自编码网络使用典型算法训练参数w，当网络输出的损失函数低于设定阈值H时，则完成当前网络结构训练，停止循环训练过程；步骤六、将步骤三中的原始重建图像的测试样本张量输入至步骤五中经过优化的深度自编码网络，输出经过网络重构后的一维信号，将输出的网络重构后的一维信号逆向还原即得到高质量低噪声三维切片图像。