CN111652813A - 一种横向束流截面处理方法及装置 - Google Patents
一种横向束流截面处理方法及装置 Download PDFInfo
- Publication number
- CN111652813A CN111652813A CN202010438571.9A CN202010438571A CN111652813A CN 111652813 A CN111652813 A CN 111652813A CN 202010438571 A CN202010438571 A CN 202010438571A CN 111652813 A CN111652813 A CN 111652813A
- Authority
- CN
- China
- Prior art keywords
- section
- transverse beam
- image
- generator
- cross
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000012545 processing Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 80
- 238000003384 imaging method Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000010606 normalization Methods 0.000 claims description 20
- 230000004913 activation Effects 0.000 claims description 18
- 238000012795 verification Methods 0.000 claims description 14
- 238000013139 quantization Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000005520 cutting process Methods 0.000 claims description 7
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 abstract description 20
- 238000004422 calculation algorithm Methods 0.000 abstract description 2
- 238000012634 optical imaging Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 13
- 230000005469 synchrotron radiation Effects 0.000 description 9
- 238000003860 storage Methods 0.000 description 6
- 230000001427 coherent effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种横向束流截面处理方法及装置，该方法包括：获取原始失真横向束流截面图像，对所述失真横向束流截面图像进行预处理，将所述预处理后的失真横向束流截面图像输入到预先训练得到的条件生成对抗网络模型的生成器，所述生成器用于对所述失真横向束流截面进行处理后输出，最后将所述生成器输出结果量化为真实横向束流截面图像。本发明基于条件生成对抗网络算法，通过条件生成对抗网络的生成器对失真横向束流截面图像的复原处理，解决了横向束流截面的测量受到光学成像系统点扩散函数影响，导致横向束流截面测量分辨率低，横向束流尺寸测量不精确的问题，在可见光成像的范畴内即可提高横向束流截面测量的分辨率，该方法可靠性高，研发成本低，实用性强。
Description
技术领域
本发明涉及同步辐射光源束流诊断技术领域，尤其涉及一种横向束流截面的处理方法及装置。
背景技术
横向束流截面为同步辐射光源的重要参数，通过测量横向束流截面及尺寸可以间接得到同步辐射光源的发射度参数，该参数是表征光源性能的核心要素。储存环为一种环形加速器，广泛应用于同步辐射光源及环形对撞机中。此外在同步辐射光源上，由于横向束流截面直观反映束流横向分布特征，因此横向束流截面的测量还可以用于监测束流轨道及束流不稳定性，可以作为逐束团反馈系统及轨道反馈系统调试的重要参照依据。下一代先进同步辐射光源如基于衍射极限储存环的同步辐射光源，横向完全相干需要储存环中的束流具有极低的发射度，其横向束流尺寸为微米量级，需要具有超高空间分辨率测量能力的技术才能实现如此微小的横向束流截面及尺寸的精确测量，因此横向束流截面的测量是一项非常重要又极具挑战性的任务。
当前，基于同步辐射光成像的已有横向束流截面测量方法由于受到成像系统点扩散函数的影响，导致横向束流截面的测量分辨率受限，横向束流尺寸测量的精度无法满足实际需求。
发明内容
本发明的目的是提供一种横向束流截面的处理方法及装置，克服已有横向束流截面测量方法的缺点和不足，提出利用条件生成对抗网络模型的生成器处理失真的横向束流截面图像的方法，由于基于同步辐射光的横向束流截面成像系统的点扩散函数可以通过建模及数值计算的方法得到，因此可以通过图像复原的手段对受到点扩散函数影响的失真横向束流截面进行处理，从而去除成像系统点扩散函数影响得到真实横向束流截面图像，因此本发明该方法可以去除成像系统点扩散函数的影响得到真实横向束流截面图像，突破衍射受限系统对横向束流截面测量分辨率的限制，提高横向束流截面尺寸的测量精度。
本发明的目的是通过以下技术方案实现的：一种横向束流截面处理方法，包括如下步骤：
步骤S101、获取原始失真的横向束流截面图像；
步骤S102、将所述原始失真横向束流截面图像进行预处理后，输入到预先训练得到的条件生成对抗网络模型的生成器，所述生成器对所述失真横向束流截面图像进行处理；其中：
所述预先训练得到的条件生成对抗网络模型通过下述步骤构建：
(A1)获取p组训练样本作为训练数据集，每组训练样本包括第一截面图像及第二截面图像，所述第一截面图像为失真横向束流截面图像，所述第二截面图像为真实横向束流截面图像；获取q组失真横向束流截面图像样本作为验证数据集；
(A2)构建条件生成对抗网络模型，所述条件生成对抗网络模型包括生成器和判别器：所述生成器为具有对称跳跃连接的编码器-解码器架构，其中所述编码器中的每一个模块包括卷积层、批归一化层及激活层，所述解码器中的每一个模块包括反卷积层、批归一化层、拼接层及激活层；所述判别器为PatchGAN架构，且所述判别器中的每一个模块包括卷积层、批归一化层及激活层；
(A3)通过交替训练判别器和生成器来训练所述条件生成对抗网络：首先将所述训练数据集的第一截面图像输入生成器，由所述生成器输出第三截面图像，然后由判别器对“第一截面/第二截面图像对”和“第一截面/第三截面图像对”进行判别，进一步计算判别损失，通过最小化判别损失，训练调整判别器的权重值；根据调整后的判别器，计算对抗损失，同时还计算第二截面图像与第三截面图像之间的距离误差，通过最小化对抗损失与距离误差的和，训练调整生成器的权重值；所述训练过程中采用小批量随机梯度下降和Adam优化器，并进行误差的反向传播优化更新所述条件生成对抗网络模型中的权重值直至模型收敛；
(A4)用验证数据集验证所述训练得到的条件生成对抗网络模型是否有效，并在确认有效后存储该条件生成对抗网络模型。
步骤S103、将所述生成器输出的结果进行量化处理得到真实横向束流截面图像。
进一步的，所述步骤S102中，将所述原始失真横向束流截面图像进行预处理，包括：
(B1)对原始失真的横向束流截面图像尺寸进行裁剪；
(B2)对裁剪后的图像进行归一化，得到预处理后横向束流截面图像。
进一步的，步骤S102中的步骤(A3)中，训练样本中第一截面图像为失真横向束流截面图像，所述第二截面图像为真实横向束流截面图像，所述第一截面图像由第二截面图像与成像系统的点扩散函数进行卷积计算得到。
进一步的，步骤S102中的步骤(A3)中所述的对抗损失具体为：
判别器将生成器输出的第三截面图像判断为真横向束流截面时的误差。
进一步的，步骤S102中的步骤(A3)中所述的判别损失包括：
判别器将“第一截面/第二截面图像对”判断为真横向束流截面时的误差；
判别器将“第一截面/第三截面图像对”判断为假横向束流截面时的误差。
根据本发明的另一方面，还提出一种横向束流截面处理装置，所述装置包括：
获取模块(201)，用于获取原始失真横向束流截面图像；
处理模块(202)，用于将所述原始失真横向束流截面图像进行预处理后输入到预先训练得到的条件生成对抗网络模型的生成器，所述生成器对所述失真横向束流截面图像进行处理；
条件生成对抗网络模型构建模块，用于构建所述的条件生成对抗网络模型：
(A1)训练样本获取模块：获取p组训练样本作为训练数据集，每组训练样本包括第一截面图像及第二截面图像，所述第一截面图像为失真横向束流截面图像，所述第二截面图像为真实横向束流截面图像；获取q组失真横向束流截面图像样本作为验证数据集；
(A2)对抗网络模型生成模块：构建条件生成对抗网络模型，所述条件生成对抗网络模型包括生成器和判别器：所述生成器为具有对称跳跃连接的编码器-解码器架构，其中所述编码器中的每一个模块包括卷积层、批归一化层及激活层，所述解码器中的每一个模块包括反卷积层、批归一化层、拼接层及激活层；所述判别器为PatchGAN架构，且所述判别器中的每一个模块包括卷积层、批归一化层及激活层；
(A3)对抗网络模型训练模块：通过交替训练判别器和生成器来训练所述条件生成对抗网络模型：首先将所述训练数据集的第一截面图像输入生成器，由所述生成器输出第三截面图像，然后由判别器对“第一截面/第二截面图像对”和“第一截面/第三截面图像对”进行判别，进一步计算判别损失，通过最小化判别损失，训练调整判别器的权重值；根据调整后的判别器，计算对抗损失，同时还计算第二截面图像与第三截面图像之间的距离误差，通过最小化对抗损失与距离误差的和，训练调整生成器的权重值；所述训练过程中采用小批量随机梯度下降和Adam优化器，并进行误差的反向传播优化更新所述条件生成对抗网络模型中的权重值直至模型收敛；
(A4)验证模块：用验证数据集验证所述训练得到的条件生成对抗网络模型是否有效，并在确认有效后存储该条件生成对抗网络模型。
输出模块(203)，用于将所述生成器输出的结果进行量化处理得到真实横向束流截面图像。
进一步的，所述处理模块中所述将所述原始失真横向束流截面图像进行预处理，为：
(B1)对原始失真横向束流截面图像尺寸进行裁剪；
(B2)对裁剪后的图像进行归一化，得到预处理后横向束流截面图像。
进一步的，所述条件生成对抗网络模型构建模块中所述训练样本中第一截面图像为失真横向束流截面图像，所述第二截面图像为真实横向束流截面图像，所述第一截面图像由第二截面图像与成像系统的点扩散函数进行卷积计算得到。
进一步的，所述条件生成对抗网络模型构建模块中，所述的对抗损失具体为：
判别器将生成器输出的第三截面图像判断为真横向束流截面时的误差。
进一步的，所述条件生成对抗网络模型构建模块中，所述的判别损失包括：
判别器将“第一截面/第二截面图像对”判断为真横向束流截面时的误差；
判别器将“第一截面/第三截面图像对”判断为假横向束流截面时的误差。
有益效果：
(1)本发明利用条件生成对抗网络模型的生成器进行图像复原处理得到去除成像系统点扩散函数的真实横向束流截面图像，使得横向束流截面的测量分辨率突破衍射极限，可以实现超分辨率的横向束流截面测量；
(2)通过预先训练好的生成器可以实时推理处理得到真实横向束流截面图像，可以实现对横向束流截面图像的在线处理；
(3)通过条件生成对抗网络模型去除成像系统的点扩散函数的影响，在基于可见光波段范围内的对横向束流截面的测量即可实现较高的分辨率，可以大大降低横向束流截面测量系统的研发成本。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些图获得其他的附图。
图1为本发明实施例提供的横向束流截面处理方法流程图；
图2为本发明实施例提供的横向束流截面处理装置结构图。
具体实施方式
为使得本发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域的技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面将结合附图1-附图2，对本发明实施例提供的横向束流截面处理方法进行详细介绍。
参照附图1，为本发明实施例提供的一种横向束流截面处理方法的流程图，包括以下步骤：
步骤S101，获取原始失真横向束流截面图像。
具体的，在本发明实施例中，所述原始失真的横向束流截面图像为二维数组数据，该数组的大小为M×N，其中M和N都为正整数，M为图像传感器的行数，N为图像传感器的列数。该图像数组中像素值的大小范围在0到255之间。
步骤S102，将所述原始失真横向束流截面图像进行预处理后输入到预先训练得到的条件生成对抗网络模型的生成器，所述生成器对所述失真横向束流截面图像进行处理。
具体的，在本发明实施例中，将原始失真横向束流截面图像进行预处理，得到经尺寸裁剪并归一化处理的横向束流截面图像数据，尺寸裁剪的大小由条件生成对抗网络生成器的输入层决定，如在本实施例中选择裁剪尺寸为256×256。然后将预处理后的横向束流截面图像输入到预先训练得到的条件生成对抗网络模型的生成器，由所述生成器对所述横向束流截面图像进行处理。
可选的，所述条件生成对抗网络模型的训练过程可以为：
(A1)获取p组训练样本作为训练数据集，每组训练样本包括第一截面图像及第二截面图像，所述第一截面图像为失真横向束流截面图像，所述第二截面图像为真实横向束流截面图像；获取q组失真横向束流截面图像样本作为验证数据集；
(A2)构建条件生成对抗网络模型，所述条件生成对抗网络模型包括生成器和判别器：所述生成器为具有对称跳跃连接的编码器-解码器架构，其中所述编码器中的每一个模块包括卷积层、批归一化层及激活层，所述解码器中的每一个模块包括反卷积层、批归一化层、拼接层及激活层；所述判别器为PatchGAN架构，且所述判别器中的每一个模块包括卷积层、批归一化层及激活层；
(A3)通过交替训练判别器和生成器来训练所述条件生成对抗网络：首先将所述训练数据集的第一截面图像输入生成器，由所述生成器输出第三截面图像，然后由判别器对“第一截面/第二截面图像对”和“第一截面/第三截面图像对”进行判别，进一步计算判别损失，通过最小化判别损失，训练调整判别器的权重值；根据调整后的判别器，计算对抗损失，同时还计算第二截面图像与第三截面图像之间的距离误差，通过最小化对抗损失与距离误差的和，训练调整生成器的权重值；所述训练过程中采用小批量随机梯度下降和Adam优化器，并进行误差的反向传播优化更新所述条件生成对抗网络模型中的权重值直至模型收敛；
(A4)用验证数据集验证所述训练得到的条件生成对抗网络模型是否有效，并在确认有效后存储该条件生成对抗网络模型。
具体的，所述训练样本中第一截面图像由第二截面图像与成像系统的点扩散函数进行卷积计算得到，本实施例中，如下式所示：
I(x,y)＝I1(x,y)*f(x,y)
所述I为第一截面图像，I1为第二截面图像，f为成像系统的点扩散函数，x、y为图像中的像素坐标，*表示为卷积运算。
具体的，所述的对抗损失具体为判别器将生成器输出的第三截面图像判断为真横向束流截面时的误差，本实施例中，对抗损失为：
LcGAN(G)＝Ex,z[logD(G(x,z))]
其中LcGAN(G)为对抗损失，E[]为期望值，x为第一截面图像，z为第三截面图像，G为生成器，D为判别器。
具体的，所述判别损失包括：判别器将“第一截面/第二截面图像对”判断为真横向束流截面时的误差；判别器将“第一截面/第三截面图像对”判断为假横向束流截面时的误差，在本实施例中，判别损失为：
LcGAN(D)＝Ex,y[logD(x,y)]+Ex,z[log(1-D(x,z))]
其中LcGAN(D)为判别损失，E[]为期望值，x为第一截面图像，y为第二截面图像，z为第三截面图像，G为生成器，D为判别器。
步骤S103，将所述生成器输出的结果进行量化处理得到真实横向束流截面图像。
具体的，生成器输出结果的数据值在0到1范围之间，通过量化处理将生成器输出结果的数据值量化到0到255范围内，得到正常图像像素值的真实横向束流截面图像。
参照图2，为本发明实施例提供的一种横向束流截面处理装置，包括获取模块201、处理模块202、输出模块203。
获取模块201，用于获取原始失真的横向束流截面图像；
在本发明实施例中，所述原始失真横向束流截面图像为二维数组数据，该数组的大小为为M×N，其中M和N都为正整数，M为图像传感器的行数，N为图像传感器的列数。该图像数组中像素值的大小范围在0到255之间。
处理模块202，用于将所述原始失真横向束流截面图像进行预处理后输入到预先训练得到的条件生成对抗网络模型的生成器，所述生成器对所述失真横向束流截面图像进行处理；
在本发明实施例中，将原始失真横向束流截面图像进行预处理，得到经尺寸裁剪并归一化处理的横向束流截面图像数据，尺寸裁剪的大小由条件生成对抗网络模型生成器的输入层决定，如在本实施例中选择裁剪尺寸为256×256。然后将预处理后的横向束流截面图像输入到预先训练得到的条件生成对抗网络模型的生成器，由所述生成器对所述横向束流截面图像进行处理。
可选的，所述条件生成对抗网络模型的训练过程可以为：
(A1)获取p组训练样本作为训练数据集，每组训练样本包括第一截面图像及第二截面图像，所述第一截面图像为失真横向束流截面图像，所述第二截面图像为真实横向束流截面图像；获取q组失真横向束流截面图像样本作为验证数据集；
(A2)构建条件生成对抗网络模型，所述条件生成对抗网络模型包括生成器和判别器：所述生成器为具有对称跳跃连接的编码器-解码器架构，其中所述编码器中的每一个模块包括卷积层、批归一化层及激活层，所述解码器中的每一个模块包括反卷积层、批归一化层、拼接层及激活层；所述判别器为PatchGAN架构，且所述判别器中的每一个模块包括卷积层、批归一化层及激活层；
(A3)通过交替训练判别器和生成器来训练所述条件生成对抗网络：首先将所述训练数据集的第一截面图像输入生成器，由所述生成器输出第三截面图像，然后由判别器对“第一截面/第二截面图像对”和“第一截面/第三截面图像对”进行判别，进一步计算判别损失，通过最小化判别损失，训练调整判别器的权重值；根据调整后的判别器，计算对抗损失，同时还计算第二截面图像与第三截面图像之间的距离误差，通过最小化对抗损失与距离误差的和，训练调整生成器的权重值；所述训练过程中采用小批量随机梯度下降和Adam优化器，并进行误差的反向传播优化更新所述条件生成对抗网络模型中的权重值直至模型收敛；
(A4)用验证数据集验证所述训练得到的条件生成对抗网络模型是否有效，并在确认有效后存储该条件生成对抗网络模型。
具体的，所述训练样本中第一截面图像由第二截面图像与成像系统的点扩散函数进行卷积计算得到，本实施例中，如下式所示：
I(x,y)＝I1(x,y)*f(x,y)
所述I为第一截面图像，I1为第二截面图像，f为成像系统的点扩散函数，x、y为图像中的像素坐标，*表示为卷积运算。
具体的，所述的对抗损失具体为判别器将生成器输出的第三截面图像判断为真横向束流截面时的误差，本实施例中，对抗损失为：
LcGAN(G)＝Ex,z[logD(G(x,z))]
其中LcGAN(G)为对抗损失，E[]为期望值，x为第一截面图像，z为第三截面图像，G为生成器，D为判别器。
具体的，所述判别损失包括：判别器将“第一截面/第二截面图像对”判断为真横向束流截面时的误差；判别器将“第一截面/第三截面图像对”判断为假横向束流截面时的误差，在本实施例中，判别损失为：
LcGAN(D)＝Ex,y[logD(x,y)]+Ex,z[log(1-D(x,z))]
其中LcGAN(D)为判别损失，E[]为期望值，x为第一截面图像，y为第二截面图像，z为第三截面图像，G为生成器，D为判别器。
输出模块203，用于将所述生成器输出的结果进行量化处理得到真实横向束流截面图像；
具体的，本实施例中，生成器输出结果的数据值在0到1范围之间，通过量化处理将生成器输出结果的数据值量化到0到255范围内，得到正常图像像素值的真实横向束流截面图像。
本发明实施例，获取原始失真横向束流截面图像，对所述失真横向束流截面图像进行预处理，将所述预处理后的失真横向束流截面图像输入到预先训练得到的条件生成对抗网络模型的生成器，所述生成器用于对所述失真横向束流截面进行处理后输出，最后将所述生成器输出结果量化为真实横向束流截面图像。本发明基于条件生成对抗网络算法，通过条件生成对抗网络的生成器对失真横向束流截面图像的复原处理，解决了横向束流截面的测量受到光学成像系统点扩散函数影响，导致横向束流截面测量分辨率低，横向束流尺寸测量不精确的问题，在可见光成像的范畴内即可提高横向束流截面测量的分辨率，该方法可靠性高，研发成本低，实用性强。
本领域普通技术人员可以理解实现上述实施方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，附图2所示处理装置对应的程序可存储在设备的可读存储介质内，并被该设备中的至少一个处理器所执行，以实现上述处理方法，该方法包括图1中方法实施例所述的流程。其中，所述的存储介质可以为磁盘、光盘、只读存储器(Read-Only Memory，ROM)或随机存储器(Random Access Memory，RAM)等。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。
Claims (10)
1.一种横向束流截面处理方法，其特征在于，包括如下步骤：
步骤S101、获取原始失真的横向束流截面图像；
步骤S102、将所述原始失真横向束流截面图像进行预处理后，输入到预先训练得到的条件生成对抗网络模型的生成器，所述生成器对所述失真横向束流截面图像进行处理；其中：
所述预先训练得到的条件生成对抗网络模型通过下述步骤构建：
(A1)获取p组训练样本作为训练数据集，每组训练样本包括第一截面图像及第二截面图像，所述第一截面图像为失真横向束流截面图像，所述第二截面图像为真实横向束流截面图像；获取q组失真横向束流截面图像样本作为验证数据集；
(A2)构建条件生成对抗网络模型，所述条件生成对抗网络模型包括生成器和判别器：所述生成器为具有对称跳跃连接的编码器-解码器架构，其中所述编码器中的每一个模块包括卷积层、批归一化层及激活层，所述解码器中的每一个模块包括反卷积层、批归一化层、拼接层及激活层；所述判别器为PatchGAN架构，且所述判别器中的每一个模块包括卷积层、批归一化层及激活层；
(A3)通过交替训练判别器和生成器来训练所述条件生成对抗网络：首先将所述训练数据集的第一截面图像输入生成器，由所述生成器输出第三截面图像，然后由判别器对“第一截面/第二截面图像对”和“第一截面/第三截面图像对”进行判别，进一步计算判别损失，通过最小化判别损失，训练调整判别器的权重值；根据调整后的判别器，计算对抗损失，同时还计算第二截面图像与第三截面图像之间的距离误差，通过最小化对抗损失与距离误差的和，训练调整生成器的权重值；所述训练过程中采用小批量随机梯度下降和Adam优化器，并进行误差的反向传播优化更新所述条件生成对抗网络模型中的权重值直至模型收敛；
(A4)用验证数据集验证所述训练得到的条件生成对抗网络模型是否有效，并在确认有效后存储该条件生成对抗网络模型；
步骤S103、将所述生成器输出的结果进行量化处理得到真实横向束流截面图像。
2.根据权利要求1所述的横向束流截面处理方法，其特征在于，所述步骤S102中，将所述原始失真横向束流截面图像进行预处理，包括：
(B1)对原始失真的横向束流截面图像尺寸进行裁剪；
(B2)对裁剪后的图像进行归一化，得到预处理后横向束流截面图像。
3.根据权利要求1所述的横向束流截面处理方法，其特征在于，步骤S102中的步骤(A3)中，训练样本中第一截面图像为失真横向束流截面图像，所述第二截面图像为真实横向束流截面图像，所述第一截面图像由第二截面图像与成像系统的点扩散函数进行卷积计算得到。
4.根据权利要求1所述的横向束流截面处理方法，其特征在于，步骤S102中的步骤(A3)中所述的对抗损失具体为：
判别器将生成器输出的第三截面图像判断为真横向束流截面时的误差。
5.根据权利要求1所述的横向束流截面处理方法，其特征在于，步骤S102中的步骤(A3)中所述的判别损失包括：
判别器将“第一截面/第二截面图像对”判断为真横向束流截面时的误差；
判别器将“第一截面/第三截面图像对”判断为假横向束流截面时的误差。
6.一种横向束流截面处理装置，其特征在于，所述装置包括：
获取模块(201)，用于获取原始失真横向束流截面图像；
处理模块(202)，用于将所述原始失真横向束流截面图像进行预处理后输入到预先训练得到的条件生成对抗网络模型的生成器，所述生成器对所述失真横向束流截面图像进行处理；
条件生成对抗网络模型构建模块，用于构建所述的条件生成对抗网络模型：
(A1)训练样本获取模块：获取p组训练样本作为训练数据集，每组训练样本包括第一截面图像及第二截面图像，所述第一截面图像为失真横向束流截面图像，所述第二截面图像为真实横向束流截面图像；获取q组失真横向束流截面图像样本作为验证数据集；
(A2)对抗网络模型生成模块：构建条件生成对抗网络模型，所述条件生成对抗网络模型包括生成器和判别器：所述生成器为具有对称跳跃连接的编码器-解码器架构，其中所述编码器中的每一个模块包括卷积层、批归一化层及激活层，所述解码器中的每一个模块包括反卷积层、批归一化层、拼接层及激活层；所述判别器为PatchGAN架构，且所述判别器中的每一个模块包括卷积层、批归一化层及激活层；
(A3)对抗网络模型训练模块：通过交替训练判别器和生成器来训练所述条件生成对抗网络模型：首先将所述训练数据集的第一截面图像输入生成器，由所述生成器输出第三截面图像，然后由判别器对“第一截面/第二截面图像对”和“第一截面/第三截面图像对”进行判别，进一步计算判别损失，通过最小化判别损失，训练调整判别器的权重值；根据调整后的判别器，计算对抗损失，同时还计算第二截面图像与第三截面图像之间的距离误差，通过最小化对抗损失与距离误差的和，训练调整生成器的权重值；所述训练过程中采用小批量随机梯度下降和Adam优化器，并进行误差的反向传播优化更新所述条件生成对抗网络模型中的权重值直至模型收敛；
(A4)验证模块：用验证数据集验证所述训练得到的条件生成对抗网络模型是否有效，并在确认有效后存储该条件生成对抗网络模型；
输出模块(203)，用于将所述生成器输出的结果进行量化处理得到真实横向束流截面图像。
7.根据权利要求6所述的横向束流截面处理装置，其特征在于，所述处理模块中所述将所述原始失真横向束流截面图像进行预处理，为：
(B1)对原始失真横向束流截面图像尺寸进行裁剪；
(B2)对裁剪后的图像进行归一化，得到预处理后横向束流截面图像。
8.根据权利要求6所述的横向束流截面处理装置，其特征在于，所述条件生成对抗网络模型构建模块中所述训练样本中第一截面图像为失真横向束流截面图像，所述第二截面图像为真实横向束流截面图像，所述第一截面图像由第二截面图像与成像系统的点扩散函数进行卷积计算得到。
9.根据权利要求6所述的横向束流截面处理装置，其特征在于，所述条件生成对抗网络模型构建模块中，所述的对抗损失具体为：
判别器将生成器输出的第三截面图像判断为真横向束流截面时的误差。
10.根据权利要求6所述的横向束流截面处理装置，其特征在于，所述条件生成对抗网络模型构建模块中，所述的判别损失包括：
判别器将“第一截面/第二截面图像对”判断为真横向束流截面时的误差；
判别器将“第一截面/第三截面图像对”判断为假横向束流截面时的误差。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010438571.9A CN111652813B (zh) | 2020-05-22 | 2020-05-22 | 一种横向束流截面处理方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010438571.9A CN111652813B (zh) | 2020-05-22 | 2020-05-22 | 一种横向束流截面处理方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111652813A true CN111652813A (zh) | 2020-09-11 |
| CN111652813B CN111652813B (zh) | 2023-03-28 |
Family
ID=72348273
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010438571.9A Active CN111652813B (zh) | 2020-05-22 | 2020-05-22 | 一种横向束流截面处理方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111652813B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109118438A (zh) * | 2018-06-29 | 2019-01-01 | 上海航天控制技术研究所 | 一种基于生成对抗网络的高斯模糊图像复原方法 |
| CN109559287A (zh) * | 2018-11-20 | 2019-04-02 | 北京工业大学 | 一种基于DenseNet生成对抗网络的语义图像修复方法 |
| CN110119780A (zh) * | 2019-05-10 | 2019-08-13 | 西北工业大学 | 基于生成对抗网络的高光谱图像超分辨重建方法 |
| CN110363716A (zh) * | 2019-06-25 | 2019-10-22 | 北京工业大学 | 一种基于条件生成对抗网络复合降质图像高质量重建方法 |
| EP3581961A1 (en) * | 2018-06-13 | 2019-12-18 | Technische Universität München | Method and apparatus for ultrasound imaging with improved beamforming |
| EP3614336A1 (en) * | 2018-08-24 | 2020-02-26 | Canon Kabushiki Kaisha | Image processing method, image processing apparatus, imaging apparatus, lens apparatus, program, and image processing system |
| CN111062880A (zh) * | 2019-11-15 | 2020-04-24 | 南京工程学院 | 一种基于条件生成对抗网络的水下图像实时增强方法 |
-
2020
- 2020-05-22 CN CN202010438571.9A patent/CN111652813B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3581961A1 (en) * | 2018-06-13 | 2019-12-18 | Technische Universität München | Method and apparatus for ultrasound imaging with improved beamforming |
| CN109118438A (zh) * | 2018-06-29 | 2019-01-01 | 上海航天控制技术研究所 | 一种基于生成对抗网络的高斯模糊图像复原方法 |
| EP3614336A1 (en) * | 2018-08-24 | 2020-02-26 | Canon Kabushiki Kaisha | Image processing method, image processing apparatus, imaging apparatus, lens apparatus, program, and image processing system |
| CN109559287A (zh) * | 2018-11-20 | 2019-04-02 | 北京工业大学 | 一种基于DenseNet生成对抗网络的语义图像修复方法 |
| CN110119780A (zh) * | 2019-05-10 | 2019-08-13 | 西北工业大学 | 基于生成对抗网络的高光谱图像超分辨重建方法 |
| CN110363716A (zh) * | 2019-06-25 | 2019-10-22 | 北京工业大学 | 一种基于条件生成对抗网络复合降质图像高质量重建方法 |
| CN111062880A (zh) * | 2019-11-15 | 2020-04-24 | 南京工程学院 | 一种基于条件生成对抗网络的水下图像实时增强方法 |
Non-Patent Citations (2)
| Title |
|---|
| SHUAI ZHENG 等: ""Edge Heuristic GAN for Non-Uniform Blind Deblurring"", 《IEEE SIGNAL PROCESSING LETTERS》 * |
| 刘鹏飞等: "多尺度卷积神经网络的噪声模糊图像盲复原", 《红外与激光工程》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111652813B (zh) | 2023-03-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110074813B (zh) | 一种超声图像重建方法及系统 | |
| CN109858408B (zh) | 一种基于自编码器的超声信号处理方法 | |
| CN117523299B (zh) | 一种基于计算机网络图像识别方法、系统和存储介质 | |
| CN115081920B (zh) | 考勤签到调度管理方法、系统、设备及存储介质 | |
| CN116524299A (zh) | 一种图像样本生成方法、装置、设备及存储介质 | |
| CN115062675A (zh) | 一种基于神经网络的全光谱污染溯源方法及云系统 | |
| CN110619467A (zh) | 一种基于告警大数据信息的电力设备状态评估方法 | |
| CN114812528B (zh) | 一种运用在高速公路病害边坡上的自动监测系统 | |
| CN115130546A (zh) | 异常参数检测方法、装置、计算机可读介质及电子设备 | |
| Khlamov et al. | The astronomical object recognition and its near-zero motion detection in series of images by in situ modeling | |
| CN113487223B (zh) | 一种基于信息融合的风险评估方法和评估系统 | |
| US11989013B2 (en) | Abnormality detection apparatus, abnormality detection system, and learning apparatus, and methods for the same and non-temporary computer-readable medium storing the same | |
| CN111652813B (zh) | 一种横向束流截面处理方法及装置 | |
| Hoffmann et al. | Deep neural networks for computational optical form measurements | |
| CN109657907B (zh) | 地理国情监测数据的质量控制方法、装置和终端设备 | |
| CN115934484B (zh) | 基于扩散模型数据增强的异常检测方法、存储介质及设备 | |
| CN116090216A (zh) | 一种基于典型相关分析的发电功率预测方法和系统 | |
| CN111652803B (zh) | 一种横向束流截面超分辨率重建方法 | |
| CN112395280B (zh) | 一种数据质量检测方法及其系统 | |
| CN112926534B (zh) | 一种基于变换域信息融合的sar图形船只目标检测方法 | |
| Kim et al. | SIGNAL FAULT IDENTIFICATION IN NUCLEAR POWER PLANTS BASED ON DEEP NEURAL NETWORKS. | |
| CN113375597B (zh) | 基于rf-nsga-ii的结构件三维激光扫描方法及设备 | |
| CN117437230B (zh) | 基于图像修复的光伏电站功率预测方法及系统 | |
| CN116953808B (zh) | 一种地磁信号噪声压制方法及系统 | |
| CN117851953B (zh) | 用水异常检测方法、装置、电子设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |