[发明专利]一种基于卷积神经网络和光场图像的气泡流场三维重建方法

权利要求书

1.一种基于卷积神经网络和光场图像的气泡流场三维重建方法，其特征在于，包括如下步骤：

步骤1：选择训练数据集和测试数据集；

步骤2：利用卷积神经网络从训练数据集的图像中提取图像序列特征信息和图像的多尺度特征信息，在每个尺度上使用空间特征变换层将图像序列特征与图像特征进行整合，整合后的结果再次经过特征提取，最后将提取结果输出网络；

步骤3：对步骤2中所述的卷积神经网络输出结果与实际值进行比对评价，并将均方根误差损失函数作为卷积神经网络的评价误差，利用均方根误差损失函数对卷积神经网络进行训练，直到其收敛至最优精度；

步骤4：将步骤1中所述的测试数据集中的任意一张气泡图像输入步骤3中已训练好的卷积神经网络模型中，得到该气泡深度的预测值；

步骤5：将步骤4中所述的气泡深度预测值与气泡的尺寸和位置信息进行融合，重建气泡的三维空间信息。

2.如权利要求1所述的一种基于卷积神经网络和光场图像的气泡流场三维重建方法，其特征是，步骤1所述训练数据集的获取包括以下子步骤：

步骤1.1、训练数据集的获取；将大小W*H*3的彩色气泡图像作为卷积神经网络的图像输入数据，彩色气泡图像的序列号作为卷积神经网络的序号输入数据，彩色气泡图像中气泡的实际深度值作为卷积神经网络的输出数据，所述的彩色气泡图像、序列号和实际深度值作为样本对，生成训练数据集文件；

步骤1.2、测试数据集的获取；将大小W*H*3的彩色气泡图像作为测试卷积神经网络模型的图像输入数据，彩色气泡图像的序列号作为测试卷积神经网络模型的序号输入数据，所述的彩色气泡图像和序列号作为样本对，生成测试数据集文件。

3.如权利要求1所述的一种基于卷积神经网络和光场图像的气泡流场三维重建方法，其特征是，步骤2的实现包括以下子步骤：

步骤2.1、图像序列号特征信息的提取；将大小W*H*3的彩色气泡图像的序列号重构为大小W*H*1的矩阵，其中矩阵中各位置上的值均为所述彩色气泡图像的序列号值，所述的重构矩阵输入由卷积和非线性激活构成的卷积层，编码阶段共1个处理块，得到特征图大小为W*H*16，其中W为原彩色图的宽度，H为原彩色图的高度；

步骤2.2、图像特征信息的提取；首先，将大小W*H*3的彩色气泡图像输入由卷积和非线性激活构成的卷积层，得到大小W*H*16的特征图，然后，将所述的特征图输入由池化和非线性激活构成的池化层，得到大小(0.5*W)*(0.5*H)*16的特征图，其次，将所述的特征图输入由卷积和非线性激活构成的卷积层，得到大小(0.5*W)*(0.5*H)*32的特征图，最后，将所述的特征图输入由池化和非线性激活构成的池化层，得到大小(0.25*W)*(0.25*H)*32的特征图，其中，W为原图的宽度，H为原图的高度；

步骤2.3、图像序列特征与图像特征整合；将步骤2.1中所述的大小W*H*16的特征图剪裁为大小(0.25*W)*(0.25*H)*16的特征图，并将所述大小(0.25*W)*(0.25*H)*16的特征图与的步骤2.2中所得大小(0.25*W)*(0.25*H)*32特征图进行通道叠加，整合为大小(0.25*W)*(0.25*H)*48的特征图；

步骤2.4、进一步挖掘整合后的特征；将步骤2.3所述的整合后的特征图输入由卷积和非线性激活构成的卷积层，得到特征图大小为(0.25*W)*(0.25*H)*128，将所述的特征图输入由池化和非线性激活构成的池化层，得到特征图大小为(k*W)*(k*H)*1，其中k＝0.125，l＝128；

步骤2.5、将步骤2.4输出的特征图拉伸为一维向量，将所述的一维向量与全连接层连接并输出气泡深度。

4.如权利要求1所述的一种基于卷积神经网络和光场图像的气泡流场三维重建万法，其特征是，步骤3的实现包括以下子步骤：

步骤3.1、定义均方根误差损失函数RMSE：

其中，m为每批次输入训练数据量，为第i个预测深度值，为第i个实际深度值；

步骤3.2、利用损失函数RMSE对网络进行训练，直到整个网络收敛至最优精度为止。