CN114037609A - 一种基于学习太赫兹成像逆过程的太赫兹图像超分辨算法 - Google Patents
一种基于学习太赫兹成像逆过程的太赫兹图像超分辨算法 Download PDFInfo
- Publication number
- CN114037609A CN114037609A CN202111227085.3A CN202111227085A CN114037609A CN 114037609 A CN114037609 A CN 114037609A CN 202111227085 A CN202111227085 A CN 202111227085A CN 114037609 A CN114037609 A CN 114037609A
- Authority
- CN
- China
- Prior art keywords
- resolution
- terahertz
- image
- super
- complex
- 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
- 238000003384 imaging method Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000008569 process Effects 0.000 title claims abstract description 29
- 238000013507 mapping Methods 0.000 claims abstract description 21
- 238000012360 testing method Methods 0.000 claims description 19
- 238000003062 neural network model Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 abstract description 15
- 238000006731 degradation reaction Methods 0.000 abstract description 13
- 230000006870 function Effects 0.000 abstract description 12
- 230000015556 catabolic process Effects 0.000 abstract description 6
- 230000000694 effects Effects 0.000 abstract description 3
- 238000004088 simulation Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000000704 physical effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06T3/4076—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 using the original low-resolution images to iteratively correct the high-resolution images
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Image Analysis (AREA)
Abstract
本发明提出一种基于学习太赫兹成像逆过程的太赫兹图像超分辨算法，直接学习一对从参考的高分辨率图像到太赫兹图像的映射关系，通过复数域神经网络建立成像系统降质的逆过程模型。将这一模型应用于太赫兹图像实现超分辨，从而由得到的映射关系将输入的低分辨太赫兹图像恢复到高分辨图像。本发明不依赖于数据集，解决了太赫兹成像速度限制的数据集获取困难的问题；有效减少了点扩展函数本身误差对超分辨结果的影响；提高了太赫兹成像过程中的多种不确定影响条件中的自适应能力，能够更精确地建立太赫兹图像与高分辨率图像之间映射关系；进一步地，由于不需要训练大量的数据，时间成本得到显著的降低；相对于基于数据集的神经网络方法在提高太赫兹系统的成像分辨率方面得到了更好的效果，能够有效提升太赫兹成像系统的性能。
Description
技术领域
本发明涉及太赫兹超分辨率重建领域，具体地说是一种基于学习太赫兹成像逆过程的太赫兹图像超分辨算法。
背景技术
太赫兹波介于光学与电子学波段之间，频率介于0.1到10太赫兹。近年来，由于太赫兹波具有较强的穿透性、安全性以及谱信息，太赫兹波的应用越来越广泛。太赫兹成像是其中一个重要的应用，主动式太赫兹成像系统的原理为：首先，通过光学器件发射太赫兹波照射到检测样品；然后，通过探测器采集样品透射或反射的太赫兹波的信息；最后，通过对得到的信息进行处理，转换为图像的形式输出。太赫兹成像在安全检查、无损检测、医学成像等领域均具有较好的应用前景。但是，受限于太赫兹波的波长导致的衍射现象，成像系统的焦平面处成像分辨率较低。因此，进一步提高太赫兹成像系统的分辨率是十分必要的。
卷积神经网络在提高光学图像的分辨率方面非常有效，它根据测量的强度对实数进行处理。与光学相比，在太赫兹成像中同时获得振幅和相位信息是十分可行的。考虑到波的物理性质，相位信息在太赫兹超分辨中起着重要的作用。相关研究验证了将传统的卷积神经网络扩展到复数域能够有效提高太赫兹超分辨算法的性能。但是，众所周知，相对于光学相机成像方式，通过逐点扫描的方式进行成像的太赫兹系统成像速度极慢。因此，通过实际测量的方式建立数据集是不可行的。在以往的研究中，采用仿真或测量的点扩展函数，通过建立的降质模型得到仿真的数据集作为训练数据。由于估计的点扩展函数是不准确的，测量的点扩展函数存在测量误差，因此在仿真数据集的过程引入了大量的误差。同时，在实际的太赫兹成像过程中还存在很多不确定的因素同样影响太赫兹成像系统的分辨率，如系统噪声，控制器位移的抖动导致的分辨率降低的问题等。这些因素大部分是随机的，很难估计和建模。因此，太赫兹图像的超分辨率重建算法提升分辨率的能力受到限制。
发明内容
本发明考虑到太赫兹成像速度慢导致的数据集获取困难的问题，以及仿真数据集引入误差限制分辨率提升能力的问题，提出了一种不依赖数据集的基于复数域神经网络的太赫兹超分辨率重建算法。该算法通过学习一对参考的太赫兹图像与对应的高分辨图像之间的映射关系，建立太赫兹成像系统降质的逆过程模型。通过这一模型，对太赫兹图像进行恢复，得到超分辨结果。该方法能够直接对复数的太赫兹数据进行处理，充分利用了波的物理性质。由于训练过程不需要大量的数据集，减少了迭代次数，有效降低了时间成本。同时，这种直接学习映射关系的方法，解决了多种不确定因素导致的超分辨能力受限的问题，有效提高了超分辨性能以及网络的自适应能力。且该方法不需要复杂的模型，通过一个轻量级的神经网络模型就可以得到较好的超分辨结果。该方法实现将低分辨太赫兹图像到高分辨率之间的转换，解决了由于衍射导致的太赫兹成型系统分辨率低的问题。
本发明为实现上述目的所采用的技术方案是：一种基于学习太赫兹成像逆过程的太赫兹图像超分辨算法，包括以下步骤：
S1、测量一个参考的低分辨率太赫兹图像并设置与之对应的目标高分辨率图像；
所述测量的用于参考的太赫兹图像为LRtrain(ai+jbi)；设置的与其相对应的高分辨率图像为groundtruthtrain(ai+jbi)；
所述的算法对于反射式或透射式、近场或远场太赫兹成像系统均适用，且能够同时测量成像数据的幅值和相位信息得到太赫兹图像；
所述低分辨率太赫兹图像来源于实际测量的太赫兹图像，适用于不同尺度的图像；
S2、构建一个轻量级的复数域神经网络模型；
所述的轻量级复数域神经网络模型，包括依次连接的复数域输入层、复数域卷积层、复数域激活层、复数域输出层；
S3、利用构建的复数域神经网络模型学习参考的低分辨率太赫兹图像与对应的目标高分辨率图像之间的映射关系，得到太赫兹成像系统的超分辨模型；
所述学习参考的低分辨率太赫兹图像与对应的目标高分辨率图像之间的映射关系，包括：通过轻量级复数域神经网络模型学习低分辨太赫兹图像LRtrain(ai+jbi)与高分辨图像groundtruthtrain(ai+jbi)之间的映射关系，建立太赫兹成像系统的逆过程模型；得到太赫兹成像系统的超分辨模型：groundtruthtrain(ai+jbi)＝COSSR(LRtrain(ai+jbi))，其中COSSR(·)表示得到的映射关系模型；
S4、将实际测量的太赫兹图像输入太赫兹成像系统的超分辨模型中，获取对应的超辨率的图像；
所述获取对应的超辨率的图像，包括：通过得到的COSSR(·)模型重建测量的低分辨率的太赫兹图像LRtest(ai+jbi)的超分辨图像SRtest(ai+jbi)：SRtest(ai+jbi)＝COSSR(LRtest(ai+jbi))。
本发明与现有技术相比具有以下优点及有益效果：
1.本发明提出了一种不依赖于数据集的复数域神经网络算法，解决了神经网络在训练过程中需要大量成对数据集而逐点扫描的太赫兹成像系统成像速度慢无法获取大量数据集，且仿真数据集与实际数据存在大量误差限制超分辨效果的问题。
2.本发明首次提出了一种通过直接学习一对参考图像与对应的高分辨率图像之间的映射关系，建立太赫兹成像系统逆过程的模型的算法，解决了多种因素对太赫兹成像分辨率的影响的不确定性问题，进一步提高了超分辨性能。
3.由于本发明不需要大量的训练样本，减少了迭代次数，且通过一个轻量级复数域神经网络即可实现的上述的建模过程，通过得到的模型直接对太赫兹图像进行恢复即可得到超分辨结果，能够有效降低时间成本。
附图说明
图1为本发明的方法流程图；
图2为本发明所提算法的轻量级的神经网络框架，其中Input表示输入层，ComplexConv表示复数域卷积层，CFReLU表示复数域激活层，CLinear表示复数域线性激活层，Output表示输出层；
图3为所提算法和基于数据的复数域神经网络算法对于仿真的太赫兹图像进行超分辨率重建效果对比图；
具体实施方式
下面结合附图及实施例对本发明做进一步的详细说明。
太赫兹成像速度慢导致我们在应用神经网络的训练数据的过程中获取基于大量样本的数据集需要消耗大量的时间成本，且很难去实现。为了解决这一问题，我们通常采用仿真的方法得到数据集。但是，仿真的方法通常通过卷积一个估计的或者实际测量的点扩展函数来模拟太赫兹成像系统的降质过程。显然，点扩展函数本身就存在一定的误差。同时，在这一过程中影响太赫兹成像分辨率的多种不确定因素被我们忽略了如控制器移动导致的模糊，系统的实际噪声等。上述问题限制了太赫兹图像分辨率的提升能力，为了解决这些问题本发明提出一种基于学习太赫兹成像逆过程的太赫兹图像超分辨算法。
如图1所示为本发明的方法流程图。首先测量一个参考的太赫兹图像LRtrain(ai+jbi)；设置与其相对应的高分辨率图像groundtruthtrain(ai+jbi)；并建立复数域太赫兹图像与对应的高分辨率图像之间的退化模型：LRtrain(ai+jbi)＝Degradation process(groundtruthtrain(ai+jbi))，其中Degradation process(·)包含了太赫兹成像系统在成像过程中存在的多种影响图像质量的因素。
构建一个轻量级的复数域神经网络学习LRtrain(ai+jbi)与groundtruthtrain(ai+jbi)之间的映射关系，得到太赫兹成像系统的超分辨模型：groundtruthtrain(ai+jbi)＝COSSR(LRtrain(ai+jbi))，其中COSSR(·)表示我们得到的映射关系模型。
通过得到的COSSR(·)模型重建测量的低分辨率的太赫兹图像LRtest(ai+jbi)的超分辨图像SRtest(ai+jbi)：SRtest(ai+jbi)＝COSSR(LRtest(ai+jbi))。
为了验证该方法的超分辨性能，在相同网络结构与参数的条件下，与基于仿真的太赫兹图像数据集的复数域神经网络方法进行对比。
实施例1.
如图1所示为本发明的方法流程图。
在实际应用中，太赫兹成像系统受到衍射模糊、运动物体引起的步进电机抖动和系统噪声等因素的影响。同时，由于仿真或估计的光斑自身存在误差，对成像系统的退化过程进行模拟是不准确的。随着波长的增加，探测器接收到的有效信息越少，分辨率的提高越有限。因此，本发明提出算法通过学习参考太赫兹图像与对应的高分辨之间的映射，直接获得太赫兹成像系统的降质模型的逆过程，可以有效地解决上述问题。为了解决这一问题，我们构建了一个轻量级的复数域神经网络，只需要提供一对参考数据进行训练即可。然后，图像的退化过程表示为:
LRtrain(ai+jbi)＝Degradation process(groundtruthtrain(ai+jbi)). (1)
其中，LRtrain(ai+jbi)为作为参考的测量的太赫兹图像，ai为太赫兹图像的实部，bi为虚部；groundtruthtrain(ai+jbi)为对应的高分辨率图像；Degradation process(·)代表太赫兹成像系统多种不确定的图像降质因素；
我们使用了一个相对简单的复数域神经网络模型，并训练它从测量的分辨率较低的太赫兹图像LRtest(ai+jbi)中重建超分辨图像SRtest(ai+jbi):
groundtruthtrain(ai+jbi)＝COSSR(LRtrain(ai+jbi)) (2)
然后利用公式(2)得到的映射重建所需的超分辨图像。过程可以表示为:
SRtest(ai+jbi)＝COSSR(LRtest(ai+jbi)) (3)
构建复数域神经网络，包括：依次连接的复数域输入层、复数域卷积层、复数域激活层和复数域输出层。通过如图2所示的五层的复值自学习神经网络复数域太赫兹图像LRtrain(ai+jbi)与对应的高分辨率图像groundtruthtrain(ai+jbi)之间的映射关系，太赫兹成像系统的超分辨模型，其中，前4层为复数域卷积层与复数域激活层的组合，第5层为为复数域卷积层与线性域线性激活层的组合，各个层依次处理特征图，获取包括边缘轮廓等属性的特征。
其中复数域卷积的卷积过程如下：
(ai+jbi)*(AW+jBW)＝(ai*AW-bi*BW)+j(ai*BW+bi*AW) (3)
其中，AW为卷积层的复数卷积核的实部，BW为卷积层的复数卷积核的虚部。
所用的激活函数为复数域ReLU函数：
其中，
为特征图的相位。
线性域线性激活层CLinear采用的函数或方法为：
通过轻量级复数域神经网络模型学习低分辨太赫兹图像LRtrain(ai+jbi)与高分辨图像groundtruthtrain(ai+jbi)之间的映射关系，包括：将低分辨的图像LRtrain(ai+jbi)输入构建的神经网络模型，将网络输出的学习图像与高分辨图像groundtruthtrain(ai+jbi)比较，计算损失函数并反向传播调整卷积层的复数卷积核W(A+jB)，得到映射关系模型COSSR(·)。
所用的损失函数为L1损失函数：
其中，ΘCOSSR与COSSR(·)的参数设置有关，
为网络学习低分辨的图像LRtrain(ai+jbi)后输出的学习图像的单一像素，
为高分辨图像的单一像素，N为像素个数，n为像素索引序号。
在本例中我们分别仿真了一对参考的太赫兹图像与对应的高分辨率图像，以及测试所用的太赫兹图像。图像大小为64*64，测试所用的太赫兹图像数据为灯泡数据，并且将迭代次数分别设置为2000次和5000次。通过得到的COSSR(·)模型，根据公式(3)实现测量的的低分辨太赫兹图像的超分辨率重建，高分辨率的原始样本图像、仿真的用于测试的太赫兹图像、本文所提算法在不同迭代次数条件实现的超分辨结果图以及基于数据集的方法在不同迭代次数条件实现的超分辨结果图如图3所示。
本发明考虑到逐点扫描的太赫兹成像系统成像速度慢无法获取大量的实测数据集，以及仿真的数据集引入较多误差的问题，提出了不依赖于大量的数据集的超分辨算法。
本发明考虑到了多种不确定因素对太赫兹成像分辨率的影响，通过直接学习一对参考图像与对应的高分辨率图像之间的映射关系，建立太赫兹成像系统逆过程的模型。
本发明通过一个轻量级复数域神经网络即可实现的上述的建模过程，通过得到的模型直接对太赫兹图像进行恢复即可得到超分辨结果。
进一步地，本发明通过实验在太赫兹图像超分辨中验证了该方法的有效性。通过图3所示的超分辨结果对比图我们可以看出，所提算法得到的超分辨结果具有更清晰的边缘和轮廓，说明通过该方法我们能够得到更多的高频细节信息，验证了该方法在太赫兹图像分辨率提升上的有效性。
以上所述，仅是本发明的较佳实施例，并非对本发明作任何限制，凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化，均仍属于本发明技术方案的保护范围内。
Claims (1)
1.一种基于学习太赫兹成像逆过程的太赫兹图像超分辨算法，其特征在于，包括以下步骤：
S1、测量一个参考的低分辨率太赫兹图像并设置与之对应的目标高分辨率图像；
所述测量的用于参考的太赫兹图像为LRtrain(ai+jbi)；设置的与其相对应的高分辨率图像为groundtruthtrain(ai+jbi)；
所述的算法对于反射式或透射式、近场或远场太赫兹成像系统均适用，且能够同时测量成像数据的幅值和相位信息得到太赫兹图像；
所述低分辨率太赫兹图像来源于实际测量的太赫兹图像，适用于不同尺度的图像；
S2、构建一个轻量级的复数域神经网络模型；
所述的轻量级复数域神经网络模型，包括依次连接的复数域输入层、复数域卷积层、复数域激活层、复数域输出层；
S3、利用构建的复数域神经网络模型学习参考的低分辨率太赫兹图像与对应的目标高分辨率图像之间的映射关系，得到太赫兹成像系统的超分辨模型；
所述学习参考的低分辨率太赫兹图像与对应的目标高分辨率图像之间的映射关系，包括：通过轻量级复数域神经网络模型学习低分辨太赫兹图像LRtrain(ai+jbi)与高分辨图像groundtruthtrain(ai+jbi)之间的映射关系，建立太赫兹成像系统的逆过程模型；得到太赫兹成像系统的超分辨模型：groundtruthtrain(ai+jbi)＝COSSR(LRtrain(ai+jbi))，其中COSSR(·)表示得到的映射关系模型；
S4、将实际测量的太赫兹图像输入太赫兹成像系统的超分辨模型中，获取对应的超辨率的图像；
所述获取对应的超辨率的图像，包括：通过得到的COSSR(·)模型重建测量的低分辨率的太赫兹图像LRtest(ai+jbi)的超分辨图像SRtest(ai+jbi)：SRtest(ai+jbi)＝COSSR(LRtest(ai+jbi))。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111227085.3A CN114037609B (zh) | 2021-10-21 | 2021-10-21 | 一种基于学习太赫兹成像逆过程的太赫兹图像超分辨算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111227085.3A CN114037609B (zh) | 2021-10-21 | 2021-10-21 | 一种基于学习太赫兹成像逆过程的太赫兹图像超分辨算法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114037609A true CN114037609A (zh) | 2022-02-11 |
| CN114037609B CN114037609B (zh) | 2024-04-19 |
Family
ID=80135072
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111227085.3A Active CN114037609B (zh) | 2021-10-21 | 2021-10-21 | 一种基于学习太赫兹成像逆过程的太赫兹图像超分辨算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114037609B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116309749A (zh) * | 2023-03-15 | 2023-06-23 | 西安工程大学 | 一种基于地面-空间图像联合的多波段太阳图像配准方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110473145A (zh) * | 2019-08-15 | 2019-11-19 | 广东工业大学 | 被动式太赫兹图像融合超高分辨率重建的检测方法及装置 |
| CN111784573A (zh) * | 2020-05-21 | 2020-10-16 | 昆明理工大学 | 一种基于迁移学习的被动太赫兹图像超分辨率重构方法 |
| US20200363263A1 (en) * | 2019-05-13 | 2020-11-19 | Tsinghua University | Method and apparatus for processing terahertz spectral imaging |
| CN112435162A (zh) * | 2020-11-13 | 2021-03-02 | 中国科学院沈阳自动化研究所 | 一种基于复数域神经网络的太赫兹图像超分辨重建方法 |
| CN112525851A (zh) * | 2020-12-10 | 2021-03-19 | 深圳先进技术研究院 | 一种太赫兹单像素成像方法及其系统 |
| CN112907444A (zh) * | 2021-02-07 | 2021-06-04 | 中国科学院沈阳自动化研究所 | 一种基于复数域零样本学习的太赫兹图像超分辨重建方法 |
-
2021
- 2021-10-21 CN CN202111227085.3A patent/CN114037609B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200363263A1 (en) * | 2019-05-13 | 2020-11-19 | Tsinghua University | Method and apparatus for processing terahertz spectral imaging |
| CN110473145A (zh) * | 2019-08-15 | 2019-11-19 | 广东工业大学 | 被动式太赫兹图像融合超高分辨率重建的检测方法及装置 |
| CN111784573A (zh) * | 2020-05-21 | 2020-10-16 | 昆明理工大学 | 一种基于迁移学习的被动太赫兹图像超分辨率重构方法 |
| CN112435162A (zh) * | 2020-11-13 | 2021-03-02 | 中国科学院沈阳自动化研究所 | 一种基于复数域神经网络的太赫兹图像超分辨重建方法 |
| CN112525851A (zh) * | 2020-12-10 | 2021-03-19 | 深圳先进技术研究院 | 一种太赫兹单像素成像方法及其系统 |
| CN112907444A (zh) * | 2021-02-07 | 2021-06-04 | 中国科学院沈阳自动化研究所 | 一种基于复数域零样本学习的太赫兹图像超分辨重建方法 |
Non-Patent Citations (1)
| Title |
|---|
| 谢云宇;胡昌华;师彪;满谦;尹宝娟;: "超分辨率重建技术及其在太赫兹图像中的应用", 系统仿真技术, no. 04, 28 November 2013 (2013-11-28) * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116309749A (zh) * | 2023-03-15 | 2023-06-23 | 西安工程大学 | 一种基于地面-空间图像联合的多波段太阳图像配准方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114037609B (zh) | 2024-04-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | SEAGLE: Sparsity-driven image reconstruction under multiple scattering | |
| CN103472419B (zh) | 磁共振快速成像方法及其系统 | |
| Guo et al. | Tackling 3d tof artifacts through learning and the flat dataset | |
| CN108090871A (zh) | 一种基于卷积神经网络的多对比度磁共振图像重建方法 | |
| CN111999731B (zh) | 一种基于感知生成对抗网络的电磁逆散射成像方法 | |
| CN110060315B (zh) | 一种基于人工智能的图像运动伪影消除方法及系统 | |
| CN101915901A (zh) | 磁共振成像方法及装置 | |
| JP2013069288A (ja) | 反射除去システム | |
| Guo et al. | An image super-resolution reconstruction method with single frame character based on wavelet neural network in internet of things | |
| CN111062978B (zh) | 基于频域滤波技术的时空图像测流的纹理识别方法 | |
| CN108095756A (zh) | 一种基于sofi的超高分辨平面波超声成像方法 | |
| CN112435162A (zh) | 一种基于复数域神经网络的太赫兹图像超分辨重建方法 | |
| CN113379598A (zh) | 基于残差通道注意力网络的太赫兹图像重建方法及系统 | |
| CN114037609A (zh) | 一种基于学习太赫兹成像逆过程的太赫兹图像超分辨算法 | |
| Ljubenović et al. | CNN-based deblurring of terahertz images | |
| CN105738073A (zh) | 一种在空间频率域进行像素响应函数测量的方法 | |
| CN117094897B (zh) | 一种相衬光学相干弹性成像的超分辨相位梯度估计方法 | |
| CN113109340B (zh) | 针对平面干涉仪的信号处理的成像系统及成像方法 | |
| CN109544488B (zh) | 一种基于卷积神经网络的图像合成方法 | |
| Liberman et al. | Minimal linear networks for magnetic resonance image reconstruction | |
| CN117274487A (zh) | 一种胃镜图像三维重建方法 | |
| Haq et al. | Block-based compressed sensing of MR images using multi-rate deep learning approach | |
| CN112907444B (zh) | 一种基于复数域零样本学习的太赫兹图像超分辨重建方法 | |
| Wang et al. | Multi-domain learning scheme for full-wave nonlinear inverse scattering problems | |
| CN115993611B (zh) | 一种基于瞬态信号超分辨网络的非视域成像方法及装置 |
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 |