[发明专利]一种基于生成对抗网络的混合边界电磁逆散射成像方法

权利要求书

1.一种基于生成对抗网络的混合边界电磁逆散射成像方法，其特征在于，包括以下步骤：

步骤一、数据处理；

步骤1.1、定义M×M的网格，在所述网格中设置有不同物理性质的混合边界散射体，并采用T-矩阵法计算所述网格内的散射场；所述混合边界散射体包括：完美电导体和介电散射体；

步骤1.2、使用T-矩阵方法对所述混合边界散射体进行统一建模，得到完美电导体和介电散射体分别对应的真实的T-矩阵系数；

步骤1.3、根据所述散射场，利用反向传播法生成低分辨率混合边界散射体图像集合{x_i|i＝1,2,…,N}；x_i表示第i张低分辨率的输入图像，N表示一个批量中的图片数量；

步骤1.4、对标签图像中完美电导体所对应的真实的T-矩阵系数进行缩放，使得与介电散射体所对应的真实的T-矩阵系数处在同一个数量级上；

步骤二、生成对抗网络的结构搭建；

步骤2.1、构建空间注意力模块AG；

所述空间注意力模块AG包括两个支路，一个为线性变换W_g支路，另一个为线性变换W_x支路；两个支路的输出通过加法器依次与ReLU激活函数、线性变换ψ模块、Sigmoid激活函数相连；且所述Sigmoid激活函数的输出通过乘法器与空间注意力模块AG的输入相连，所述线性变换W_g、W_x和ψ均是对输入张量按通道进行卷积核为q×q×q的卷积计算；

步骤2.2、构建生成器G_θ；

设置所述生成器G_θ的结构是由解码部分、编码部分和空间注意力模块AG构成；

所述编码部分是以一个卷积模块和一个最大池化层为一组而构成的a组结构，所述卷积模块是由一对卷积核大小为n×n的卷积层、批标准化层和ReLU激活函数组成；

所述解码部分是以一个卷积核大小为p×p的反卷积层和一个所述卷积模块而构成的a组结构；

步骤2.3、搭建生成器G_θ；

步骤2.3.1、定义变量b，并初始化b＝1；

步骤2.3.2、将所述生成器G_θ的第b个卷积模块的输出与所述空间注意力模块AG相连，并将所述空间注意力模块AG的输出与第a-b+1个反卷积层的输出串联，所述第a-b+1个反卷积层的输出与第2a+2-b个卷积模块的输入相连，其中，b∈[1,a]；

步骤2.3.3、将b+1赋值给b，并判断ba是否成立，若成立，则执行步骤2.3.4；否则，返回步骤2.3.2；

步骤2.3.4、在所述生成器G_θ的第2a+1个卷积模块后添加一个卷积核大小为q×q的卷积层；

步骤2.3.5、将所述低分辨率混合边界散射体图像集合{x_i|i＝1,2,…,N}输入所述生成器G_θ中，从而输出近似真实的重建图像集合{G_θ(x_i)|i＝1,2,…,N}；

步骤2.4、搭建判别器D_φ；

所述判别器D_φ采用卷积神经网络，且所述判别器D_φ由c个卷积层依次串联而成，以所述低分辨率混合边界散射体图像集合{x_i|i＝1,2,…,N}作为一个条件，并与重建图像集合{G_θ(x_i)|i＝1,2,…,N}配对或者与真实的目标图像集合{y_i|i＝1,2,…,N}配对后输入所述判别器D_φ中，输出特征判别矩阵，其中，y_i表示目标图像集合{y_i|i＝1,2,…,N}中对应的第i张目标图像；所述特征判别矩阵中的每一个判别值表示所述判别器D_φ对重建图像集合{G_θ(x_i)|i＝1,2,…,N}或者真实的目标图像集合{y_i|i＝1,2,…,N}的特征级别的判断结果；

步骤三、设计损失函数，建立生成对抗网络的优化目标；

步骤3.1、利用式(1)设计生成器G_θ的目标损失函数L_G：

L_G＝αL₁+L_A (1)

式(1)中，L₁表示1范数损失，并通过式(2)得到；L_A表示生成器G_θ和判别器D_φ之间的对抗损失，并通过式(3)得到；α是超参数，用来平衡1范数损失和对抗损失的影响；

式(2)中，||·||₁表示1范数；

步骤3.2、利用式(4)设计判别器D_φ的目标函数L_D：

式(4)中，对于第i张真实的目标图像y_i，期望所述判别器D_φ对其输出特征级别的判断为1，对于生成器G_θ生成的重建图像G_θ(x_i)，期望所述判别器D_φ对其输出特征级别的判断为0；

步骤3.3、使用ADAM优化器对所述目标损失函数L_G和L_D进行最小化求解，并在反向传播过程中，所述判别器D_φ和生成器G_θ进行交替对抗训练，并不断优化生成器G_θ和判别器D_φ的参数，其中，目标损失函数L_G的优化参数为生成器G_θ的未知参数θ，优化目标损失函数L_G时，固定判别器D_φ的未知参数φ；目标函数L_D的优化参数为判别器D_φ的未知参数φ，优化目标函数L_D时，固定生成器G_θ的未知参数θ；从而得到最优生成器用于对低分辨率混合边界散射体图像进行高质量重建。