[发明专利]基于convGRU-U-Net的计算鬼成像重建算法

权利要求书

1.基于convGRU-U-Net的计算鬼成像重建算法，其特征在于，具体按照以下步骤实施：

步骤1，利用相位掩模照射在目标物体上，通过桶探测器获得总光强，将所述总光强和对应相位掩模输入到convGRU网络中，模拟关联成像过程，直到convGRU网络的损失函数保持稳定；

步骤1具体为：

利用Hadamard矩阵生成的相位掩模作为随机相位掩模，具体表述如下：

H₁＝[1] (1)，

式(1)、(2)、(3)中，为克罗内克积；n代表阶数；H_N为N阶Hadamard矩阵的结果；

将所述随机相位掩模依次投影到目标物体上，通过桶探测器获得总光强，其中，第t张相位掩模得到的总光强为B_t；对所述总光强进行repeat操作，使其变为一个大小为32*32的图像，将所述图像和其对应的相位掩模均作为convGRU神经元单个状态下的输入；

步骤2，将步骤1的输出结果输入到U-Net网络中来进行图像增强，直到convGRU-U-Net网络的损失函数保持稳定，获得计算鬼成像的成像结果。

2.根据权利要求1所述的基于convGRU-U-Net的计算鬼成像重建算法，其特征在于，将步骤1处理好的相位掩模x_t及其对应的图像输入到convGRU网络中；除了第一个神经元，其他每个神经元还将其上一个时刻的神经元输出结果h_t-1均作为当前时刻convGRU神经元的输入；convGRU神经元的前向传播公式如下：

z_t＝σ(W_z*[h_t-1，x_t]+b_z) (4)，

r_t＝σ(W_r*[h_t-1，x_t]+b_r) (5)，

式(4)、(5)、(6)、(7)中，z_t为更新门；h_t-1为t-1时刻的神经元输出；x_t为处理后的相位掩模；r_t为重置门；为中间状态；h_t为t时刻convGRU的输出结果；W_Z是对于z的卷积操作的权重矩阵；bz是对于z的卷积操作的偏移矩阵；是对于的卷积操作的权重矩阵；是对于的卷积操作的偏移矩阵；W_r是对于r的卷积操作的权重矩阵；b_r是对于r的卷积操作的偏移矩阵；

将输入结果合并，然后进行卷积操作，再通过layer normalization和relu激活函数得到重置门和更新门，将r_t与h_t-1的点乘结果、x_t和B_t均作为输入，进行卷积操作，并通过LN和sigmoid激活函数得到当前状态下的输出结果；

数据具体处理过程为：

当前相位掩模x经过repeat处理的对应的桶探测器值B以及上个convGRU神经元的输出h作为当前convGRU神经元的输入；通过对输入信息做卷积运算，并且通过LN正则化和relu激活函数得到r；将得到的r和上一个convGRU神经元的输出结果h进行点乘；将得到的结果和当前相位掩模x经过repeat处理的对应的桶探测器值B做卷积运算，并伴随LN和sigmoid激活函数得到结果w；当前相位掩模x经过repeat处理的对应的桶探测器值B以及上个convGRU神经元的输出h作为当前convGRU神经元的输入，通过对输入信息做卷积运算，并且由LN正则化和relu激活函数得到z；将z和w点乘的结果与h和(1-z)点乘的结果相加，就得到了当前convGRU神经元的输出结果。

3.根据权利要求2所述的基于convGRU-U-Net的计算鬼成像重建算法，其特征在于，所述convGRU网络中包含N个神经元，每经过一次convGRU神经元相当于一次采样，即采样N次，convGRU网络最终输出的结果就为N次采样后关联计算的结果。