基于lstm的电容层析成像系统的图像重建算法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115937340A(43)申请公布日2023.04.07(21)申请号202211439354.7G06N3/08(2023.01)(22)申请日2022.11.17(71)申请人辽宁大学地址110000辽宁省沈阳市沈北新区道义南大街58号(72)发明人吴新杰高明玉(74)专利代理机构沈阳杰克知识产权代理有限公司21207专利代理师王洋(51)Int.Cl.G06T11/00(2006.01)G01N27/22(2006.01)G06F30/23(2020.01)G06N3/0442(2023.01)G06N3/049(2023.01)权利要求书2页说明书4页附图2页(54)发明名称基于lstm的电容层析成像系统的图像重建算法(57)摘要本发明涉及一种基于LSTM的电容层析成像系统的图像重建方法，其方法如下：(1)构建电容层析成像系统模型，通过Comsol有限元仿真软件获得电容层形成像系统的灵敏度场，以及获得不同位置、不同形状的物场分布情况下的电容向量。(2)利用Landweber算法得到重建图像。(3)按“行”确定“时间序列”样本，并利用LSTM神经网络模型得到图像重建结果。(4)按“列”确定“时间序列”样本，并利用LSTM神经网络模型得到图像重建结果。(5)融合两图像结果，得到最后图像重建结果。本发明通过上述方法提高了重建图像质量，使重建的介质分布更接近真实分布。CN115937340ACN115937340A权利要求书1/2页1.基于LSTM的电容层析成像系统的图像重建方法，其特征在于，包括以下步骤：(1)构建电容层析成像系统模型，通过Comsol有限元仿真软件获得电容层析成像系统的灵敏度场；获得不同位置、不同形状的物场分布情况下的电容向量；(2)根据步骤(1)所得到的灵敏度场和电容向量，利用Landweber算法得到重建图像；(3)按“行”确定“时间序列”样本，并利用LSTM神经网络模型得到图像重建结果；(4)按“列”确定“时间序列”样本，并利用LSTM神经网络模型得到图像重建结果；(5)融合两图像结果，得到最后图像重建结果。2.根据权利要求1所述的基于LSTM的电容层析成像系统的图像重建方法，其特征在于，所述的步骤(3)中，具体方法为：(3.1)把步骤(2)所得到的重建图像转化为具有时间步的输入“时间序列”：将步骤(2)所得到的重建图像按照“行”首尾连接变成一维向量；并把此一维向量重新整理变成N*M维矩阵，这N行看成具有时间步的输入“时间序列”，每行向量就是表示此输入序列单词的“词嵌入向量”；(3.2)把步骤(1)所得到的Comsol有限元仿真软件设定的流型图像转化为具有时间步的输出“时间序列”：将步骤(1)Comsol有限元仿真软件设定的流型图像按照“行”首尾连接变成一维向量；把此一维向量重新整理变成N*M维矩阵，这N行看成具有时间步的输出“时间序列”，每行向量就是表示此输出序列单词的“词嵌入向量”；(3.3)利用步骤(3.1)和(3.2)得到的输入样本集和输出样本集训练LSTM神经网络的神经网络，在训练结束后，保存神经网络模型；(3.4)在推理阶段，加载神经网络模型，把Landweber算法得到的重建图像按照行首尾连接变成一维向量；将此一维向量重新整理变成N*M维矩阵，然后将这N行向量依次送入LSTM神经网络，最后神经网络输出得到N*M维矩阵；再将此N*M维矩阵按行首尾相连重新整理成一维向量，此向量可重新整理成二维正方形矩阵n*n，这便是相应的重建图像。3.根据权利要求1所述的基于LSTM的电容层析成像系统的图像重建方法，其特征在于，所述的步骤(4)中，具体方法为：(4.1)把步骤(2)所得到的重建图像转化为具有时间步的输入“时间序列”：将步骤(2)所得到的重建图像按照“列”首尾连接变成一维向量；并把此一维向量重新整理变成N*M维矩阵，这N行就可以看成具有时间步的输入“时间序列”，每行向量就是表示此输入序列单词的“词嵌入向量”；(4.2)把步骤(1)所得到的Comsol有限元仿真软件设定的流型图像转化为具有时间步的输出“时间序列”：将步骤(1)Comsol有限元仿真软件设定的流型图像按照“列”首尾连接变成一维向量；把此一维向量重新整理变成N*M维矩阵，这N行就可以看成具有时间步的输出“时间序列”，每行向量就是表示此输出序列单词的“词嵌入向量”；(4.3)利用步骤(4.1)和(4.2)得到的输入样本集和输出样本集训练LSTM神经网络的神经网络，在训练结束后，保存神经网络模型；(4.4)在推理阶段，加载神经网络模型，把Landweber算法得到重建图像的按照“列”首尾连接变成一维向量；将此一维向量重新整理变成N*M维矩阵，然后将这N行向量依次送入LST