CN111652949A - 一种基于AdaFM-Net的太赫兹聚焦层析图像重构方法 - Google Patents
一种基于AdaFM-Net的太赫兹聚焦层析图像重构方法 Download PDFInfo
- Publication number
- CN111652949A CN111652949A CN202010303038.1A CN202010303038A CN111652949A CN 111652949 A CN111652949 A CN 111652949A CN 202010303038 A CN202010303038 A CN 202010303038A CN 111652949 A CN111652949 A CN 111652949A
- Authority
- CN
- China
- Prior art keywords
- network
- terahertz
- interpolation
- adafm
- image
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于AdaFM‑Net的太赫兹聚焦层析图像重构方法,首先建立聚焦层析图像的成像退化模型,进而根据成像距离确定太赫兹层析像的退化等级;利用最高退化等级数据集对AdaFM‑Net可调卷积神经网络除插值层以外的其它层参数进行训练,将网络的复原能力匹配到最高退化等级L1,然后利用最低退化等级数据集对插值层参数训练,使网络的复原能力匹配到最低的退化等级L2,进而通过插值实现网络复原能力从L1到L2的连续调节;最后,基于太赫兹图像,完成网络插值系数与太赫兹聚焦层析图像测试距离的对应,进而匹配地对太赫兹聚焦层析图像进行重构,取得更好的图像重构效果,并使处理后的不同成像距离的太赫兹图像空间分辨率相统一,有效地提升并统一其空间分辨率。
Description
技术领域
本发明属于图像数据处理技术领域,尤其涉及一种基于AdaFM-Net的太赫兹聚焦层析图像重构方法。
背景技术
采用准光聚焦的太赫兹成像系统,可以实现太赫兹波束的空间汇聚,从而提升太赫兹成像的方位向分辨率。再辅助以二维波束扫描和太赫兹波的带宽信息,进而实现三维的太赫兹层析成像(CT)。现有的太赫兹聚焦层析成像系统,如时域光谱系统、调频连续波成像系统等,均可以实现对被测物体外部及内部的三维聚焦层析成像,从而广泛被用于材料无损检测、人体安检、艺术品保存修复等领域。然而由于太赫兹波相对较长的波长,导致其空间分辨率相对较低。同时由于聚焦太赫兹波束的空间分布特性,在不同距离处聚焦波束的波束半径有所差异,进而导致不同成像距离的太赫兹层析像的空间分辨率有所不同,最终给上述实际应用带来了诸多不便。因而,采用数字图像处理的方法,对太赫兹聚焦层析图像进行图像重构,提升并统一不同成像距离的太赫兹聚焦层析图像的空间分辨率具有很重要的意义与应用价值。
在进行图像重构时,重构方法的图像复原能力应与被重构图像的退化等级相匹配,否则会引起图像的欠复原或过复原,致使图像重构效果的严重恶化。
发明内容
有鉴于此,本发明的目的是提供一种基于AdaFM-Net的太赫兹聚焦层析图像重构方法,可以取得更好的重构效果,提升图像分辨率,并使得处理后的不同成像距离的太赫兹图像空间分辨率相统一。
一种基于AdaFM-Net的太赫兹聚焦层析图像重构方法,包括如下步骤:
步骤一、根据聚焦太赫兹波束的空间分布PSF(x,y,z)、二维波束扫描间隔Ds、系统噪声n,确定太赫兹聚焦层析图像的成像退化模型:
二维太赫兹波束沿着x,y轴方向扫描,z轴方向为波束的传播方向,z表示成像距离,z=0面为聚焦太赫兹波束的束腰位置所对应的平面,即聚焦面;
将聚焦太赫兹波束近似为TEM00模式的高斯波束:
其中ω(z)为聚焦波束的波束半径:
式中,c为真空中光速;f为系统的工作频率;ω0为聚焦波束的束腰半径;
步骤二、根据成像距离范围,制作训练数据集Dataset1和Dataset2,具体为:
生成最高退化等级L1所对应的多组图像对{HR、LR[PSF(|zmax|),Ds,n]},从而得到数据集Dataset1;生成最低退化等级L2所对应的多组图像对{HR、LR[PSF(0),Ds,n]},从而得到数据集Dataset2;其中:
其中,zmax为偏移聚焦面的最远成像距离;HR为任意的一幅分辨率大于设定阈值的图像;
将AdaFM-Net网络结构中插值层AdaFM(λ)写为:
AdaFM(X,λ)=G*(λ)*X+B*(λ) (6)
G*(λ)=I+λ(g-I),B*(λ)=λb,0≤λ≤1 (7)
其中,*表示卷积;X为插值层的输入,g和b分别为插值层的滤波器和偏置,λ为插值系数,I为单位矩阵;
首先,令网络插值参数λ=0,此时插值层AdaFM(X,0)=X,将此时AdaFM-Net网络定义为网络利用数据集Dataset1对网络进行训练,完成对除插值层外的其它网络参数的优化;然后,令训练后网络的网络插值参数λ=1,此时插值层为:AdaFM(X,1)=g×X+b;固定之前网络中的参数,利用数据集Dataset2对新网络中插值层的参数g和b进行优化训练;
先根据不同的测试距离|zi|得到对应的退化图像对{HR、LR[PSF(|zi|),Ds,n]},其中i=1,2,…M;|z1|<|z2|…<|zM|;然后调节网络的插值系数,获取匹配的网络插值系数λi;最后,将成像距离|zi|与匹配的网络插值参数λi进行拟合,得到成像距离z与插指参数λ之间的关系λ=F(|z|),然后将公式(7)修正为:
G*(γ)=I+F((1-γ)·|zmax|)·(g-I),B*(γ)=F((1-γ)·|zmax|)·b,0≤γ≤1, (8)
步骤五、由测试得到的太赫兹聚焦层析图像的成像距离z,计算确定修正的图像重构网络的插值参数的值γ=1-(|z|/|zmax|),依照公式(8)生成特定的AdaFM-Net网络的参数;依照生成的网络对图像进行重构。
较佳的,所述步骤四中,将峰值信噪比或结构相似度的作为图像评价指标,获取匹配的网络插值系数λi。
本发明具有如下有益效果:
本发明的一种基于AdaFM-Net的太赫兹聚焦层析图像重构方法,首先根据太赫兹成像系统的实际参数,建立聚焦层析图像的成像退化模型,进而根据成像距离确定太赫兹层析像的退化等级,为后续的匹配的图像重构奠定基础;利用最高退化等级数据集对AdaFM-Net可调卷积神经网络除插值层以外的其它各层参数进行训练,将网络的复原能力匹配到最高退化等级L1,然后利用最低退化等级数据集对插值层参数训练,使网络的复原能力匹配到最低的退化等级L2,进而通过插值实现网络复原能力从L1到L2的连续调节;最后,基于太赫兹图像,完成网络插值系数(网络复原能力)与太赫兹聚焦层析图像测试距离(图像退化等级)的对应,进而匹配地对太赫兹聚焦层析图像进行重构,取得更好的图像重构效果,并使处理后的不同成像距离的太赫兹图像空间分辨率相统一,有效地提升并统一其空间分辨率。
附图说明
图1是本发明实施例提供的一种典型的AdaFM-Net结构示意图。
图2是本发明的一种基于AdaFM-Net的太赫兹聚焦层析图像重构方法流程图。
图3(a)-(c)分别为不同测试距离所得的太赫兹聚焦层析图像;图3(d)-(f)分别对应图3(a)-(c)重构后的效果。
具体实施方式
下面结合附图并举实施例,对本发明进行详细描述。
本发明为一种基于AdaFM-Net的太赫兹聚焦层析图像重构方法,方法实施流程如图2所示,具体包括以下步骤:
步骤一、根据太赫兹成像系统的参数,确定聚焦层析图像的成像退化模型;
由于聚焦太赫兹波束的空间分布特性,在不同距离处聚焦波束的波束半径有所差异,进而导致不同成像距离处的太赫兹层析像的空间分辨率(退化等级)有所不同。在进行图像重构时,重构方法的图像复原能力应与被重构图像的退化等级相匹配,否则会引起图像的欠复原或过复原,致使图像重构效果的严重恶化。
因此本步骤首先根据太赫兹成像系统的实际参数,确定聚焦层析图像的成像退化模型,进而根据成像距离确定太赫兹层析像的退化等级,为后续的匹配的图像重构奠定基础。
根据聚焦太赫兹波束的空间分布PSF(x,y,z)、二维波束扫描间隔Ds、系统噪声n,确定太赫兹聚焦层析图像的成像退化模型:
二维太赫兹波束沿着x,y轴方向扫描,z轴方向为波束的传播方向,z表示成像距离,z=0面为聚焦太赫兹波束的束腰位置所对应的平面,即聚焦面。
一般的聚焦太赫兹波束可以近似为TEM00模式的高斯波束:
其中ω(z)为聚焦波束的波束半径:
其中c为真空中光速;f为系统的工作频率;ω0为聚焦波束的束腰半径(最小聚焦光斑半径),由工作频率和聚焦系统配置决定。
至此,便可以根据系统参数和系统的实际成像距离z,确定太赫兹聚焦层析图像的退化等级。
步骤二、根据成像距离范围,制作训练数据集Dataset1和Dataset2;
根据系统的实际成像距离范围及步骤一中的成像退化模型,制作用于网络训练的两个固定退化等级的数据集:最高退化等级L1所对应的数据集Dataset1{HR、LR[PSF(|zmax|),Ds,n]}和最低退化等级L2所对应的数据集Dataset2{HR、LR[PSF(0),Ds,n]},用于后续的网络训练。其中,zmax为偏移聚焦面的最远成像距离;HR为典型高分辨率图像,例如可以选择标准数据集DIV2K中的HR图像;LR[PSF(|zmax|),Ds,n]和LR[PSF(0),Ds,n]分别为依照步骤一中模型退化得到的图像:
AdaFM-Net网络结构如图1所示,其中Input为输入图像,Conv为卷积层,ReLU为激活层,PixelShuffle为上采样层,Output为网络输出图像,AdaFM(λ)为插值层:
AdaFM(X,λ)=G*(λ)*X+B*(λ) (6)
G*(λ)=I+λ(g-I),B*(λ)=λb,0≤λ≤1, (7)
其中,X为插值层的输入,g和b分别为插值层的滤波器和偏置,λ为插值系数,I为单位矩阵。
首先,令网络插值参数λ=0,此时插值层为直通层(无参数):AdaFM(X,0)=X。根据Dataset1对AdaFM-Net网络进行训练,完成对除插值层外的其它网络参数的优化,使网络的复原能力和L1匹配。
值得说明的是,本步骤中使用的AdaFM-Net并不唯一,其它的可调卷积神经网络也可以实现相同的功能。
虽然步骤三中实现了网络复原能力从L1到L2的连续调节,但是插值系数λ对网络复原能力的调节并不线性,且调节能力随着退化等级L1与L2的变化而发生变化。因而无法实现网络复原能力与图像退化等级的匹配。
基于上述问题,先根据不同的测试距离|zi|得到对应的退化图像对{HR、LR[PSF(|zi|),Ds,n]},其中i=1,2,…M;|z1|<|z2|…<|zM|;然后调节网络的插值系数,基于峰值信噪比(PSNR)或结构相似度(SSIM)等图像评价指标,获取匹配的网络插值系数λi。最后,将获得的多个成像距离|zi|与匹配的网络插值参数λi进行拟合,得到成像距离z与插指参数λ之间的关系λ=F(|z|),然后将公式(7)修正为:
G*(γ)=I+F((1-γ)·|zmax)·(g-I),B*(γ)=F((1-γ)·|zmax|)·b,0≤γ≤1 (1)
由测试得到的太赫兹聚焦层析图像的成像距离z,计算确定修正的图像重构网络的插值参数的值γ=1-(|z|/|zmax|),依照公式(8)生成特定的重构网络参数。依照生成的网络对图像进行重构,有效地完成其空间分辨率的提升。同时统一不同测试距离图像的空间分辨率。
一个典型的实施例如图3所示,图3(a)-(c)分别为测试所得的太赫兹聚焦层析图像,测试距离分别为z1、z2、z3(|z1|>|z2|>|z3|)。可以看出,成像距离偏移聚焦面越远,得到的像越模糊。图3(d)-(f)分别对应图3(a)-(c)重构后的效果,重构后图像的空间分辨率得到提升和统一。
综上所述,以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (2)
1.一种基于AdaFM-Net的太赫兹聚焦层析图像重构方法,其特征在于,包括如下步骤:
步骤一、根据聚焦太赫兹波束的空间分布PSF(x,y,z)、二维波束扫描间隔Ds、系统噪声n,确定太赫兹聚焦层析图像的成像退化模型:
二维太赫兹波束沿着x,y轴方向扫描,z轴方向为波束的传播方向,z表示成像距离,z=0面为聚焦太赫兹波束的束腰位置所对应的平面,即聚焦面;
将聚焦太赫兹波束近似为TEM00模式的高斯波束:
其中ω(z)为聚焦波束的波束半径:
式中,c为真空中光速;f为系统的工作频率;ω0为聚焦波束的束腰半径;
步骤二、根据成像距离范围,制作训练数据集Dataset1和Dataset2,具体为:
生成最高退化等级L1所对应的多组图像对{HR、LR[PSF(|zmax|),Ds,n]},从而得到数据集Dataset1;生成最低退化等级L2所对应的多组图像对{HR、LR[PSF(0),Ds,n]},从而得到数据集Dataset2;其中:
其中,zmax为偏移聚焦面的最远成像距离;HR为任意的一幅分辨率大于设定阈值的图像;步骤三、基于生成的数据集Dataset1和Dataset2,对AdaFM-Net进行训练,生成重构能力可调的图像重构网络具体为:
将AdaFM-Net网络结构中插值层AdaFM(λ)写为:
AdaFM(X,λ)=G*(λ)*X+B*(λ) (6)
G*(λ)=I+λ(g-I),B*(λ)=λb,0≤λ≤1 (7)
其中,*表示卷积;X为插值层的输入,g和b分别为插值层的滤波器和偏置,λ为插值系数,I为单位矩阵;
首先,令网络插值参数λ=0,此时插值层AdaFM(X,0)=X,将此时AdaFM-Net网络定义为网络利用数据集Dataset1对网络进行训练,完成对除插值层外的其它网络参数的优化;然后,令训练后网络的网络插值参数λ=1,此时插值层为:AdaFM(X,1)=g×X+b;固定之前网络中的参数,利用数据集Dataset2对新网络中插值层的参数g和b进行优化训练;
先根据不同的测试距离|zi|得到对应的退化图像对{HR、LR[PSF(|zi|),Ds,n]},其中i=1,2,…M;|z1|<|z2|…<|zM|;然后调节网络的插值系数,获取匹配的网络插值系数λi;最后,将成像距离|zi|与匹配的网络插值参数λi进行拟合,得到成像距离z与插指参数λ之间的关系λ=F(|z|),然后将公式(7)修正为:
G*(γ)=I+F((1-γ)·|zmax|)·(g-I),B*(γ)=F((1-γ)·|zmax|)·b,0≤γ≤1, (8)
2.如权利要求1所述的一种基于AdaFM-Net的太赫兹聚焦层析图像重构方法,其特征在于,所述步骤四中,将峰值信噪比或结构相似度的作为图像评价指标,获取匹配的网络插值系数λi。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010303038.1A CN111652949B (zh) | 2020-04-17 | 2020-04-17 | 一种基于AdaFM-Net的太赫兹聚焦层析图像重构方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010303038.1A CN111652949B (zh) | 2020-04-17 | 2020-04-17 | 一种基于AdaFM-Net的太赫兹聚焦层析图像重构方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111652949A true CN111652949A (zh) | 2020-09-11 |
CN111652949B CN111652949B (zh) | 2022-08-12 |
Family
ID=72348274
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010303038.1A Active CN111652949B (zh) | 2020-04-17 | 2020-04-17 | 一种基于AdaFM-Net的太赫兹聚焦层析图像重构方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111652949B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114636704A (zh) * | 2022-03-10 | 2022-06-17 | 电子科技大学 | 一种基于深度学习的太赫兹连续波三维层析成像方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050253071A1 (en) * | 2002-11-13 | 2005-11-17 | Bradley Ferguson | Diffraction mode terahertz tomography |
CN107036549A (zh) * | 2016-12-30 | 2017-08-11 | 华中科技大学 | 一种基于相干层析的太赫兹成像装置 |
CN107631995A (zh) * | 2016-07-18 | 2018-01-26 | 华中科技大学 | 一种三维太赫兹层析成像系统及扫描和图像重建方法 |
CN108267418A (zh) * | 2018-03-30 | 2018-07-10 | 北京农业信息技术研究中心 | 基于太赫兹层析技术的种子内部形态获取方法及装置 |
CN109785237A (zh) * | 2019-01-25 | 2019-05-21 | 广东工业大学 | 一种太赫兹图像超分辨率重建方法、系统及相关装置 |
-
2020
- 2020-04-17 CN CN202010303038.1A patent/CN111652949B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050253071A1 (en) * | 2002-11-13 | 2005-11-17 | Bradley Ferguson | Diffraction mode terahertz tomography |
CN107631995A (zh) * | 2016-07-18 | 2018-01-26 | 华中科技大学 | 一种三维太赫兹层析成像系统及扫描和图像重建方法 |
CN107036549A (zh) * | 2016-12-30 | 2017-08-11 | 华中科技大学 | 一种基于相干层析的太赫兹成像装置 |
CN108267418A (zh) * | 2018-03-30 | 2018-07-10 | 北京农业信息技术研究中心 | 基于太赫兹层析技术的种子内部形态获取方法及装置 |
CN109785237A (zh) * | 2019-01-25 | 2019-05-21 | 广东工业大学 | 一种太赫兹图像超分辨率重建方法、系统及相关装置 |
Non-Patent Citations (1)
Title |
---|
李运达等: "太赫兹计算机辅助层析图像重构算法仿真研究", 《红外与激光工程》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114636704A (zh) * | 2022-03-10 | 2022-06-17 | 电子科技大学 | 一种基于深度学习的太赫兹连续波三维层析成像方法 |
CN114636704B (zh) * | 2022-03-10 | 2023-05-26 | 电子科技大学 | 一种基于深度学习的太赫兹连续波三维层析成像方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111652949B (zh) | 2022-08-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI555514B (zh) | 用於實施具遞迴最佳化之高效率電腦斷層掃描之系統、工作站及方法 | |
CN104318536B (zh) | Ct图像的校正方法及装置 | |
JP5587743B2 (ja) | 超音波画像処理装置 | |
CN112348936B (zh) | 一种基于深度学习的低剂量锥束ct图像重建方法 | |
JP2007516760A5 (zh) | ||
CN111292386A (zh) | 一种基于U-net的CT投影金属迹线补全金属伪影校正方法 | |
CN109685877A (zh) | 一种基于自适应投影图像特征区域匹配的微纳ct焦点漂移校正方法 | |
CN109523458B (zh) | 一种结合稀疏诱导动态引导滤波的高精度稀疏角度ct重建方法 | |
CN112102428B (zh) | Ct锥形束扫描图像重建方法、扫描系统及存储介质 | |
CN111652949B (zh) | 一种基于AdaFM-Net的太赫兹聚焦层析图像重构方法 | |
CN110060315B (zh) | 一种基于人工智能的图像运动伪影消除方法及系统 | |
CN110916708A (zh) | 一种ct扫描投影数据伪影校正方法、ct图像重建方法 | |
CN107655405A (zh) | 利用自聚焦迭代算法消除物体与ccd间轴向距离误差的方法 | |
CN110349234A (zh) | 一种ct锥形束图像重建方法及其系统 | |
AU2013273647B2 (en) | Improvements in and relating to ophthalmoscopes | |
CN114359126A (zh) | 三维图像的几何校正方法、装置、电子设备及存储介质 | |
Hakakzadeh et al. | A Hilbert-based coherence factor for photoacoustic imaging | |
CN106859695B (zh) | 应用于超声探头的q帧t孔径复合发射成像方法及系统 | |
CN116485925A (zh) | 一种ct图像环状伪影抑制方法、装置、设备和存储介质 | |
CN115131201A (zh) | 基于叠层重建的远场漫反射合成孔径超分辨成像方法 | |
CN116029934A (zh) | 一种低剂量dr图像和ct图像去噪方法 | |
CN115690254A (zh) | 用于光相干层析成像的色散校正处理方法及电子设备 | |
CN113192155B (zh) | 螺旋ct锥束扫描图像重建方法、扫描系统及存储介质 | |
CN115144373A (zh) | 基于角度自校准的反射式叠层衍射成像方法、装置和系统 | |
Luo et al. | Geometric calibration based on a simple phantom for multi-lens microscopic CT |
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 |