[发明专利]一种基于深度学习求解高度非线性逆散射问题的实时成像方法

说明书

本发明属于电磁成像技术领域，公开了一种基于深度学习求解高度非线性逆散射问题的实时成像方法，包括步骤1：利用FBE‑CIE‑I迭代方法对未知散射体进行初步重建，获取数据集；步骤2：利用步骤1得到的数据集训练U‑net网络；步骤3：将U‑net网络的输出作为GAN网络的输入，真实图像作为GAN网络的标签进行训练。本发明通过共轭梯度法和最小二乘法交替更新对比源和修改的对比度函数最小化损失函数。由于只需要使用少量的傅里叶基来获得对比源，反演计算成本大大降低。本发明仅需要经过较少地迭代次数，就可以有效地获得含有低频分量的初始图像。

技术领域

本发明属于电磁成像技术领域，尤其涉及一种基于深度学习求解高度非线性逆散射问题的实时成像方法。

背景技术

电磁逆散射问题旨在通过接收到的散射场数据恢复在有界感兴趣区域D内的未知散射体的位置、几何形状以及介电常数，基于逆散射问题的成像技术具有广泛的应用前景，它在遥感、医学成像、穿墙成像等领域都有着应用。逆散射问题分为前向过程和逆向过程，前向问题的目的是通过入射场和目标在感兴趣区域的分布得到散射场数据，反问题的目的是通过已知入射场和散射场数据重建未知散射体的形状、位置和材料。由于多重散射效应以及较少的测量数据，电磁成像面临着非线性以及病态性两大挑战。传统逆散射算法可以被分为线性方法和非线性方法。线性方法实现快速重建，不过它仅适用于一些弱散射体，比较典型的有Born近似法(BA)。非线性方法在处理较强散射体时有着更好的性能，比如对比源逆方法(CSI)、子空间方法(SOM)以及一些牛顿类算法，但是它需要耗费较大的计算代价并容易陷入局部最优解。传统的定量成像算法都是基于Lippmann-Schwinger电流和电场积分方程组(LSIE)的框架下建模。但由于散射体内部存在的多重散射效应，基于LSIE进行建模的反演算法在求解时会存在严重的非线性，导致不收敛甚至反演失败等问题。近年来一些研究者致力于探索逆散射问题新模型，试图通过研究逆散射问题的物理机制和数学方程来减少模型本身的非线性，提出了一种用于逆过程的收缩积分方程(CIE-I)，显著缓解了模型的非线性，虽然解决非线性逆散射问题的能力得到了很大的提高，但这些方法需要花费大量的迭代和计算资源才能收敛。近年来，为了加快反演速度，深度学习被应用到电磁成像中。基于深度学习的反演方法一般可分为三类，第一种方法是直接用神经网络学习散射场数据到散射体信息的非线性映射(即黑盒子方法)，网络需要学习全部反演物理规律。第二种方法是使用常规的迭代反演方法来最小化损失函数，并用神经网络代替一些关键算子(通常需要大量的计算量，比如梯度)来加速反演。第三种方法是物理启发学习方法，此类方法先用传统反演算子(线性反投影或非线性反演)使之成为初始模型，然后网络对初始模型进行增强。现有的基于学习的反演方法虽然在计算速度和成像质量方面取得了一定的成功，但在求解高度非线性的逆散射问题时仍面临较大的困难。基于CIE-I的反演方法重建性能优良以及收敛速度快，只需要少量的低频分量，就能通过CIE-I的傅里叶基展开(FBE-CIE-I)有效地获得粗略图像，但该方法仍需迭代一定的次数，无法实现实时成像，为了增强反演能力并加速计算，本发明提出了一种利用U-net网络代替新模型CIE-I并用GAN网络进行超分辨率重建的数据驱动学习方法。通过U-net网络可以得到含有低频分量的粗略图像，然后利用GAN网络对得到的粗略图像进行学习，得到具有高频分量的超分辨率图像。其中，平均绝对比误差和结构相似度结合组成的加权损失函数被用于GAN网络中。

发明内容

本发明目的在于提供一种基于深度学习求解高度非线性逆散射问题的实时成像方法,以解决上述技术问题。

为解决上述技术问题，本发明的一种基于深度学习求解高度非线性逆散射问题的实时成像方法的具体技术方案如下：

一种基于深度学习求解高度非线性逆散射问题的实时成像方法，包括如下步骤：

步骤1：利用FBE-CIE-I迭代方法对未知散射体进行初步重建，获取数据集；

步骤2：利用步骤1得到的数据集训练U-net网络；