[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

说明书

本发明公开了一种基于生成对抗网络的混合边界电磁逆散射成像方法，其步骤包括：1数据准备阶段，根据测量到的散射场，使用T‑矩阵方法进行统一建模，利用反向传播法BP快速生成低分辨率的散射体图像；2网络结构搭建阶段，采用生成对抗网络架构，同时在生成器中添加注意力机制模块；3设计损失函数，建立生成对抗网络的优化目标；4通过训练生成对抗网络，进行混合边界T‑矩阵系数的重建。本发明将生成对抗网络结合T‑矩阵方法应用到混合边界电磁逆散射成像中，在生成器中添加注意力机制模块，同时针对PEC和介电散射体T‑矩阵系数不平衡问题提出了一种数据平衡策略，从而实现快速高精度的混合边界电磁逆散射成像。

技术领域

本发明属于电磁逆散射成像的技术领域，尤其涉及一种使用深度学习结合T-矩阵方法进行混合边界电磁逆散射成像方法。

背景技术

电磁逆散射由测量的散射场结合反演算法来确定散射体的位置、形状和物理参数等信息。通常电磁逆散射是一个高度非线性且不适定的问题。经过多年的发展，研究人员提出了各种电磁逆散射重建算法，其中定量方法因为可以获得散射体的全部信息，是目前电磁逆散射研究的主流方向。

定量逆散射方法一般定义一个包含正则化项的非线性目标函数，再采用整体或局部线性化近似，对目标参数进行迭代优化求解。典型的定量方法逆散射包括变形波恩迭代方法(DBIM)、对比源反演(CSI)、子空间优化(SOM)和T-矩阵法等。传统的非线性定量电磁逆散射方法通常具有计算复杂度高，成像质量不稳定等瓶颈问题。

逆散射方法的建模一般需要假设单一且已知的散射体类型，比如绝缘体或导体。但这在地下埋藏物检测等复杂应用中通常无法预先确定，因为感兴趣区域内可能同时存在不同类型的散射体。虽然现有的基于T-矩阵的非线性迭代电磁逆散射方法，可无需先验信息地重建多种散射体的几何和电磁参数，并区分其物理性质，但此方法的计算复杂度高，求解速度较慢。

近年来，深度神经网络技术由于其强大的映射能力以及快速的计算速度，已被广泛应用于模式识别、分类和回归等人工智能领域问题。受其启发，最近研究人员将卷积神经网络技术(CNN)应用于求解电磁逆散射问题。比如说，Li等人通过类比传统非线性迭代方法与CNN的联系，提出了基于复卷积神经网络的‘DeepNIS’算法。Wei等人提出了一种快速构造目标参数近似图像的DCS算法，再利用简化的U-net将其与目标参数的准确图像进行映射。上述论文中的测试结果表明，深度逆散射方法的成像质量和速度超越了传统的非线性迭代方法，但这些方法都只能重建单一类型的散射体，目前的深度逆散射方法都需要事先知道散射体的边界类型，因此限制了它们的应用。

发明内容

本发明为了克服现有技术的不足之处，提出一种基于生成对抗网络的混合边界电磁逆散射成像方法，以期能使用T-矩阵方法对具有混合边界类型的散射体进行统一建模，利用目标散射体的零阶T-矩阵系数构造生成对抗网络输入输出图像，最终实现混合边界类型散射体的快速定量成像。

本发明为解决技术问题采用如下技术方案：

本发明一种基于生成对抗网络的混合边界电磁逆散射成像方法的特点在于，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；