[发明专利]一种基于自编码器的单探头声学成像方法及装置

说明书

本发明公开了一种基于自编码器的单探头声学成像方法及装置，首先，构建基于自编码器的超宽频单探头成像系统；将预先获取的图像数据分为训练集和测试集；其次，初始化超构神经网络和深度神经网络的参数；然后，将训练集中的图片输入到成像系统，通过变换N次超构神经网络的参数来得到N个声强值；将N个声强值输入到深度神经网络中以取得重建的图像；最后，计算重建图像与原图像的损失函数，并用梯度下降法更新声学超构神经网络和深度神经网络的参数，直到测试集的损失函数的值趋于稳定。本发明突破传统成像机制中对于高分辨率传感器阵列或者声场扫描的依赖，将其转换为对超构神经网络的亚波长超材料单元的依赖，降低传感器的工艺要求和成本。

技术领域

本发明属于声学领域，具体涉及一种基于自编码器的单探头声学成像方法及装置。

背景技术

在科学研究和技术实践中，快速且高质量地记录图像有着显著的意义和重要的应用，比如各类光学相机、医学超声成像。但传统的声学高质量成像往往依赖于复杂的高分辨率换能器阵列，或者耗时的声场逐点扫描。而且，由换能器采集的图像信息量相对庞大，其中包含了很多的噪声信号和冗余信息，给图像的存储和后处理带来了极大负担。因此，设计并制造一种高效的小型化高分辨率声学成像系统具有非常重要的意义。

另一方面，深度神经网络已经在许多领域取得了惊人的进展，深度学习技术也被整合到图像的后处理中，来完成诸如图像降噪、增强和识别等任务。但是这些工作仍然依赖于由前端的高精度小尺度探头或者探头阵列采集的高分辨率图像数据。这也导致了原始图像的数据量非常庞大，处理所用的神经网络结构也会非常复杂且需要巨大的算力支持和时间消耗。

之前学者提出的由亚波长大小的声学超构材料单元构成的声学超构神经网络，已经可以用来处理诸如物体形状识别等复杂任务。声学超构神经网络比起传统的神经网络有着诸多的优点，比如并行地处理输入的物理场数据，处理过程与波传播相融合极大地缩短了耗时，被动声学材料与波相互作用实现零能耗等。本发明引入声学超构神经网络为基础，类比于自编码器，提出了一种新型的超宽带单探头成像系统构建方法。

发明内容

发明目的：本发明提出了一种基于自编码器的单探头声学成像方法及装置，旨在突破传统成像机制中对于高分辨率传感器阵列或者声场扫描的依赖，将其转换为对超构神经网络的亚波长超材料单元的依赖，降低传感器的工艺要求和成本。

技术方案：本发明提供一种基于自编码器的单探头声学成像方法，具体包括以下步骤：

(1)构建基于自编码器的超宽频单探头成像系统；所述成像系统包括参数可调的超构神经网络构成的编码器和由深度神经网络组成的解码器；

(2)将预先获取的图像数据分为训练集和测试集；

(3)初始化超构神经网络和深度神经网络的参数；

(4)将训练集中的图片输入到成像系统，通过变换N次超构神经网络的参数来得到N个声强值；将N个声强值输入到深度神经网络中以取得重建的图像；

(5)计算重建图像与原图像的损失函数，并用梯度下降法更新声学超构神经网络和深度神经网络的参数；

(6)重复步骤(4)和步骤(5)直到测试集的损失函数的值趋于稳定。

进一步地，步骤(1)所述的参数可调的超构神经网络的编码器每层超构神经网络由M个超构神经元构成，超构神经元对入射波施加可调控的幅值与相位变化，作为网络的训练参数，表示为：

其中，W是超构神经元的参数，t和分别是其对入射波施加的幅值和相位变化且可以通过相应的方法进行物理调控。

进一步地，所述步骤(3)包括以下步骤：