基于卷积神经网络的电学层析成像图像重建方法.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CN109598768A(43)申请公布日2019.04.09(21)申请号201811183924.4(22)申请日2018.10.11(71)申请人天津大学地址300072天津市南开区卫津路92号(72)发明人谭超吕蜀华董峰(74)专利代理机构天津市北洋有限责任专利代理事务所12201代理人程毓英(51)Int.Cl.G06T11/00(2006.01)权利要求书2页说明书6页附图2页(54)发明名称基于卷积神经网络的电学层析成像图像重建方法(57)摘要本发明涉及一种基于卷积神经网络的电学层析成像图像重建方法，包括下列步骤：采用有限元方法求解电学层析成像的正问题；设计卷积神经网络结构使其适用于电学层析成像图像重建过程；确定损失函数；采用小批量梯度下降策略更新网络参数，并使用滑动平均模型将每一轮迭代得到的参数综合起来，确定最终的参数更新值；迭代结束后，得到连接权与阈值确定的卷积神经网络；图像重建时，将实测的边界测量值作为训练完毕的卷积神经网络输入层神经元，其输出层神经元的输出即为图像中各个像素点的值。CN109598768ACN109598768A权利要求书1/2页1.一种基于卷积神经网络的电学层析成像图像重建方法，包括下列步骤：(1)设采用N个电极，相邻激励模式下的测量数为N(N-3)，其中每一行代表在一次激励电极下获取的边界测量值，N电极循环激励，共测得N组数据；(2)采用有限元方法求解电学层析成像的正问题：y＝Ax，其中，x表示被测区域内部介质分布，A为灵敏度矩阵，y表示物理场的边界测量值，得到n组已知场分布和与其对应的边界测量值的训练样本{xn,yn}；(3)设计卷积神经网络结构使其适用于电学层析成像图像重建过程，方案如下：1)输入层：卷积神经网络输入为层析成像边界测量值y，卷积神经网络的输入层为3维矩阵，3维矩阵的长和宽代表测量值的大小，深度代表通道数，电学层析成像通道数为1，为了采用小批量梯度下降策略加快训练过程，小批量数选择为2γ，综上，输入层矩阵为2γ×N×(N-3)×1；2)第一卷积层：第一卷积层通过3x3的卷积核逐步对输入层的部分节点加以计算，其步长为1，深度为32，为避免尺寸的变化，在当前层矩阵的边界上加入全0填充，该卷积层的输出矩阵为2γ×N×(N-3)×32，即将原始输入映射成32个特征平面，以提取出更为有效的测量值；3)第一池化层：第一卷积层的输出通过2x2的过滤器进行最大池化操作，长和宽两个维度移动的步长分别为2和1，即不改变每一次激励电极下得到的测量值的个数，仅对N组电极对进行降维处理，以进行特征筛选，第一池化层产生的输出矩阵为2γ×N/2×(N-3)×32；4)第二卷积层：为进一步提取特征，采用与第一卷积层相同的参数配置，卷积核的深度设为64，将32个特征平面扩大为64个特征平面，产生的输出矩阵为2γ×N/2×(N-3)×64；5)第二池化层：采用与第一池化层相同的参数配置，进一步进行特征筛选，输出矩阵为2γ×N/4×(N-3)×64；6)dropout层：将第二池化层的输出矩阵重组成一维向量，采用dropout层随机地将一维向量中的1/2输出节点置为0，得到最终的输出；7)第一全连接层：经过两轮卷积层和池化层的处理之后，原始测量信息已经被抽象成更有利于进行图像重建的特征，特征提取完成后，使用全连接层完成图像重建任务，第一全连接层的输出节点个数为512，输出矩阵为2γ×512；8)第二全连接层：被测场域共划分为P个网格，与介质分布对应的像素点个数为P，若被测场域存在M种不同电导率的介质，则可用0到M之间的整数表示不同的电导率，图像重建问题转换成P个像素点的分类问题，第二全连接层2的输出节点个数为P，输出矩阵为2γ×P；9)softmax层：经过softmax层可以得到介质分布中每个像素点对应0到M之间不同整数的概率分布情况；10)输出层：输出层节点个数为P，对应介质分布x中的不同像素点，将得到的P个像素值逐点填充到P个网格内即得该测量值下对应的重建图像；(4)确定损失函数作为优化目标：其中y'表示期望输出对应的概率分布，y*表示网络输出对应的概率分布，l为被测区域内部介质分布对应的像素点的个数，λ为正则化系数，表示模型复杂损失在总损失中的比例，w为网络中的权重；(5)采用小批量梯度下降策略更新网络参数θt，并使用滑动平均模型将每一轮迭代得到2CN109598768A权利要求书2/2页的参数综合起来，确定最终的参数更新值β为滑动平均衰减率；迭代结束后，得到连接权与阈值确定的卷积神经网络；(6)图像重建时，将实测的边界测量值作为训练完毕的卷积神经网络输入层神经元，其输出层神经元的输出即为图像中各个像素点的值。3CN1095