一种基于编码和网络的高灵敏抗散射成像方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114187375A(43)申请公布日2022.03.15(21)申请号202111299993.3(22)申请日2021.11.04(71)申请人南京理工大学地址210094江苏省南京市玄武区孝陵卫200号(72)发明人柏连发孙岩郭恩来顾杰师瑛杰崔倩莹苗金烨(74)专利代理机构南京苏创专利代理事务所(普通合伙)32273代理人张学彪(51)Int.Cl.G06T11/00(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书5页附图5页(54)发明名称一种基于编码和网络的高灵敏抗散射成像方法(57)摘要本发明公开了一种基于编码和网络的高灵敏抗散射成像方法，包括以下步骤：1)、建立散斑采集光学系统，利用散斑采集光学系统得到携带有编码信息的目标散斑图像；2)、构建基于卷积神经网络的成像目标重建模型；3)、将对应的目标数据集与散斑信号数据集输入成像目标重建模型进行训练，得到训练好的成像目标重建模型；4)、将采集到的目标散斑图像输入训练好的成像目标重建模型，得到恢复的原始目标。本发明提出基于卷积神经网络的高灵敏抗散射成像目标重建模型，能够实现对隐藏在散射介质后原始目标的恢复。将编码引入前端光学系统，结构简单，前端光学系统采集光学系统输出信号后，直接用于后端算法重建，该方法能够显著提升光学系统灵敏度。CN114187375ACN114187375A权利要求书1/2页1.一种基于编码和网络的高灵敏抗散射成像方法，其特征在于，包括以下步骤：1)、建立散斑采集光学系统，所述散斑采集光学系统用于采集隐藏在散射介质后的携带有编码信息的目标散斑图像，利用所述散斑采集光学系统得到携带有编码信息的目标散斑图像；2)、构建基于卷积神经网络的成像目标重建模型；3)、将对应的目标数据集与散斑信号数据集输入步骤2)的所述成像目标重建模型进行训练，得到训练好的成像目标重建模型；4)、将步骤1)采集到的携带有编码信息的目标散斑图像输入步骤3)得到的所述训练好的成像目标重建模型，得到恢复的原始目标。2.根据权利要求1所述的一种基于编码和网络的高灵敏抗散射成像方法，其特征在于，所述散斑采集光学系统包括第一数字微镜阵列、散射介质和第二数字微镜阵列，所述第一数字微镜阵列和第二数字微镜阵列分别位于所述散射介质的两侧。3.根据权利要求2所述的一种基于编码和网络的高灵敏抗散射成像方法，其特征在于，所述散斑采集光学系统还包括光源和单像素探测器，所述第一数字微镜阵列、散射介质、第二数字微镜阵列依次设置在所述光源和单像素探测器之间的光路上。4.根据权利要求1所述的一种基于编码和网络的高灵敏抗散射成像方法，其特征在于，步骤2)中成像目标重建模型包括编码模块和解码模块，所述编码模块使用卷积层对输入的具有目标光强度幅值的信息进行特征提取，得到高维、低感官辨识度的特征信息；所述解码模块将编码模块得到的所述特征信息投影到低维、高感官辨识度的像素空间中。5.根据权利要求1所述的一种基于编码和网络的高灵敏抗散射成像方法，其特征在于，步骤2)中成像目标重建模型通过下式表示：I＝O*S其中，I为目标散斑图像，S为系统点扩散函数，O为目标图像；其中，Ii(x,y)为第i个目标散斑图像，Fi(x,y)为第i个二维散斑图像，Ti(x,y)为随机高斯编码矩阵，E(i)为散斑采集光学系统最终输出信号。6.根据权利要求1所述的一种基于编码和网络的高灵敏抗散射成像方法，其特征在于，步骤2)中所述成像目标重建模型采用跳层连接策略。7.根据权利要求1所述的一种基于编码和网络的高灵敏抗散射成像方法，其特征在于，步骤2)中所述成像目标重建模型采用随机丢弃的策略。8.根据权利要求1所述的一种基于编码和网络的高灵敏抗散射成像方法，其特征在于，步骤3)中对所述成像目标重建模型进行训练，采用均方误差函数作为损失函数。9.根据权利要求1所述的一种基于编码和网络的高灵敏抗散射成像方法，其特征在于，步骤4)中利用两步式重建方法或端到端重建方法进行重建。10.根据权利要求9所述的一种基于编码和网络的高灵敏抗散射成像方法，其特征在于，所述两步式重建方法包括以下步骤：2CN114187375A权利要求书2/2页一、基于压缩感知理论，先恢复出编码前的目标散斑图像；二、将步骤一得到的目标散斑图像作为所述成像目标重建模型的输入，得到恢复的原始目标。3CN114187375A说明书1/5页一种基于编码和网络的高灵敏抗散射成像方法技术领域[0001]本发明属于机器学习与图像重建领域，具体涉及一种基于编码和网络的高灵敏抗散射成像方法。背景技术[0002]散射介质的存在严重影响了成像质量，传统抗散射成像技术如散斑相关成像技术虽