CN115760604A - 一种中子照相图像退化拟合方法、系统、介质及设备 - Google Patents

Abstract

本发明属于图像处理领域，尤其涉及一种中子照相图像退化拟合方法、系统、介质及设备。该方法包括：获取待测样品的退化中子图像以及基准图像；基于退化中子图像对基准图像的基础数据进行对比修正，得到第一清晰中子图像；通过拉普拉斯以及sobel算法得到每个退化中子图像对应的高频中子图像；利用改进后的pix2pix模型损失函数训练构建pix2pix模型；将中子照相图像输入至pix2pix模型中得到中子照相图像对应的清晰中子图像。利用训练好的pix2pix模型进行退化中子图像复原，避免复杂点扩散函数的估计，也无需大量的迭代优化过程，复原过程简单且快速。

Description

一种中子照相图像退化拟合方法、系统、介质及设备

技术领域

本发明属于图像处理领域，尤其涉及一种中子照相图像退化拟合方法、系统、介质及设备。

背景技术

中子成像是无损检测领域的典型应用，可以获得被检物体内部信息或缺陷，在火工品、核燃料以及航天电子器件检测等方面有很重要的地位。但是，中子与物质相互作用时会发生散射，并产生γ射线，导致图像的空间分辨率降低；同时，因获取较强的中子束而采用低准直比的方案，也会影响成像系统的几何不锐度，造成图像的进一步模糊与几何失真。

目前，退化中子图像的复原方法主要有两种：(1)由盲卷积图像复原方法直接得到清晰中子图像；(2)先估计造成中子图像退化的点扩散函数，然后再利用经典的非盲卷积方法得到清晰中子图像。不过这些方法还存在一定的问题和缺点：(1)盲卷积与非盲卷积图像复原方法都需要大量的迭代优化过程来进行中子图像复原，单次计算时间长；(2)为了提高复原精度，一般首先要估计出造成图像退化的点扩散函数，而中子图像退化的因素非常复杂，难以准确估计；(3)图像复原属于逆问题，具有病态性质，复原过程中常常出现振铃、伪影等问题。

发明内容

本发明所要解决的技术问题是提供一种中子照相图像退化拟合方法、系统、介质及设备。

本发明解决上述技术问题的技术方案如下：一种基于深度学习的中子照相图像退化拟合方法，包括：

步骤1，获取待测样品的退化中子图像以及基准图像；

步骤2，基于所述退化中子图像对所述基准图像的基础数据进行对比修正，得到第一清晰中子图像；

步骤3，重复步骤1至步骤2，得到多个退化中子图像以及其对应的第一清晰中子图像；

步骤4，通过拉普拉斯以及sobel算法对每个退化中子图像进行处理，得到每个退化中子图像对应的高频中子图像，并将退化中子图像以及其对应的高频中子图像确定为第一图像对，通过所述第一图像对进行pix2pix模型中生成器网络的训练；

步骤5，将每个图像对输入至所述pix2pix模型中生成器网络得到生成图像，根据每个生成图像以及其对应的第一清晰中子图像生成第二图像对，根据所述第二图像对对所述pix2pix模型中的判别器网络进行训练，基于改进后的pix2pix模型损失函数训练构建pix2pix模型；

步骤6，将中子照相图像输入至所述pix2pix模型中得到所述中子照相图像对应的清晰中子图像。

本发明的有益效果是：利用训练好的pix2pix模型进行退化中子图像复原，避免复杂点扩散函数的估计，也无需大量的迭代优化过程，复原过程简单且快速。

在上述技术方案的基础上，本发明还可以做如下改进。

进一步，所述退化中子图像为通过中子照相机拍摄得到的图像。

进一步，所述基础数据包括：亮度以及对比度。

进一步，所述步骤4具体为：

利用拉普拉斯算子对每个退化中子图像进行伽马白斑噪声检测，并对存在伽马白斑噪声的退化中子图像进行剔除，得到第一退化中子图像，通过sobel算子对每个第一退化中子图像或每个退化中子图像进行高频图像提取，得到每个第一退化中子图像或每个退化中子图像对应的高频中子图像，将每个高频中子图像与退化中子图像进行关联，形成第一图像对。

进一步，步骤5具体包括：

步骤501，将所述图像对输入至pix2pix模型中生成器网络中，得到生成图像，根据每个生成图像以及其对应的第一清晰中子图像生成第二图像对，根据所述第二图像对对所述pix2pix模型中的判别器网络进行训练；

步骤502，重复步骤501，直至所述pix2pix模型的损失值满足预设条件，完成所述pix2pix模型的构建，所述损失值通过改进后的pix2pix模型损失函数得出。

通过上述方案的有益效果为：将高频中子图像也作为生成器G的输入，提高了神经网络对图像边缘特征提取能力。结果表明，中子图像的前背景伽马白噪声去除效果明显，轮廓边界复原度高，且无振铃和伪影现象，在峰值信噪比以及结构相似性等指标上均有提升。

进一步，所述改进后的pix2pix模型损失函数表达式为：

其中，E表示期望值；x表示退化中子图像；y表示清晰中子图像；s表示退化中子图像经过sobel算子处理过后得到的高频中子图像；λ表示权重系数，G^*表示总体损失，

表示生成器G最小化，且判别器D最大化的值，E_y[logD(y)]表示生成的清晰图像被识别成清晰图像的概率，E_x,s[log(1-D(x,G(x,s)))]表示生成的不清晰图像被识别成不清晰图像的概率，D(y)表示不清晰图像被识别成清晰图像的概率，G(x,s)表示根据退化图像和sobel提取的高频图像生成的图像被识别成清晰图像的概率，1-D(x,G(x,s))表示生成样本被判别器判定为为负样本的概率，E_x,y,s[||y-G(x,s)||₁]表示清晰图像和生成图像的差异。

本发明解决上述技术问题的另一种技术方案如下：一种基于深度学习的中子照相图像退化拟合系统，包括：

扫描模块，用于获取待测样品的退化中子图像以及基准图像；

修正模块，用于基于所述退化中子图像对所述基准图像的基础数据与进行对比修正，得到第一清晰中子图像；

重复模块，用于重复扫描模块至修正模块，得到多个退化中子图像以及其对应的第一清晰中子图像；

处理模块，用于通过拉普拉斯以及sobel算法对每个退化中子图像进行处理，得到每个退化中子图像对应的高频中子图像，并将退化中子图像以及其对应的高频中子图像确定为第一图像对，通过所述第一图像对进行pix2pix模型中生成器网络的训练；

训练模块，用于将每个图像对输入至所述pix2pix模型中生成器网络得到生成图像，根据每个生成图像以及其对应的第一清晰中子图像生成第二图像对，根据所述第二图像对对所述pix2pix模型中的判别器网络进行训练，基于改进后的pix2pix模型损失函数训练构建pix2pix模型；

结果模块，用于将中子照相图像输入至所述pix2pix模型中得到所述中子照相图像对应的清晰中子图像。

本发明的有益效果是：利用训练好的pix2pix模型进行退化中子图像复原，避免复杂点扩散函数的估计，也无需大量的迭代优化过程，复原过程简单且快速。

进一步，所述退化中子图像为通过中子照相机拍摄得到的图像。

进一步，所述基础数据包括：亮度以及对比度。

进一步，所述处理模块具体用于：

利用拉普拉斯算子对每个退化中子图像进行伽马白斑噪声检测，并对存在伽马白斑噪声的退化中子图像进行剔除，得到第一退化中子图像，通过sobel算子对每个第一退化中子图像或每个退化中子图像进行高频图像提取，得到每个第一退化中子图像或每个退化中子图像对应的高频中子图像，将每个高频中子图像与退化中子图像进行关联，形成第一图像对。

进一步，训练模块用于：

将所述图像对输入至pix2pix模型中生成器网络中，得到生成图像，根据每个生成图像以及其对应的第一清晰中子图像生成第二图像对，根据所述第二图像对对所述pix2pix模型中的判别器网络进行训练；

重复上述内容，直至所述pix2pix模型的损失值满足预设条件，完成所述pix2pix模型的构建，所述损失值通过改进后的pix2pix模型损失函数得出。

通过上述方案的有益效果为：将高频中子图像也作为生成器G的输入，提高了神经网络对图像边缘特征提取能力。结果表明，中子图像的前背景伽马白噪声去除效果明显，轮廓边界复原度高，且无振铃和伪影现象，在峰值信噪比以及结构相似性等指标上均有提升。

进一步，所述改进后的pix2pix模型损失函数表达式为：

其中，E表示期望值；x表示退化中子图像；y表示清晰中子图像；s表示退化中子图像经过sobel算子处理过后得到的高频中子图像；λ表示权重系数，G^*表示总体损失，

表示生成器G最小化，且判别器D最大化的值，E_y[logD(y)]表示生成的清晰图像被识别成清晰图像的概率，E_x，s[log(1-D(x，G(x，s)))]表示生成的不清晰图像被识别成不清晰图像的概率，D(y)表示不清晰图像被识别成清晰图像的概率，G(x,s)表示根据退化图像和sobel提取的高频图像生成的图像被识别成清晰图像的概率，1-D(x,G(x,s))表示生成样本被判别器判定为为负样本的概率，E_x,y,s[||y-G(x,s)||₁]表示清晰图像和生成图像的差异。

本发明解决上述技术问题的另一种技术方案如下：一种存储介质，所述存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行如上述任一项所述的一种基于深度学习的中子照相图像退化拟合方法。

本发明的有益效果是：利用训练好的pix2pix模型进行退化中子图像复原，避免复杂点扩散函数的估计，也无需大量的迭代优化过程，复原过程简单且快速。

本发明解决上述技术问题的另一种技术方案如下：一种电子设备，包括上述存储介质、执行上述存储介质内的指令的处理器。

本发明的有益效果是：利用训练好的pix2pix模型进行退化中子图像复原，避免复杂点扩散函数的估计，也无需大量的迭代优化过程，复原过程简单且快速。

附图说明

图1为本发明一种基于深度学习的中子照相图像退化拟合方法实施例提供的流程示意图；

图2为本发明一种基于深度学习的中子照相图像退化拟合系统实施例提供的结构框架图；

图3为本发明一种基于深度学习的中子照相图像退化拟合方法实施例提供的模型处理示意图。

具体实施方式

以下对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

如图1所示，一种基于深度学习的中子照相图像退化拟合方法，包括：

步骤1，获取待测样品的退化中子图像以及基准图像；

步骤2，基于所述退化中子图像对所述基准图像的基础数据进行对比修正，得到第一清晰中子图像；

步骤3，重复步骤1至步骤2，得到多个退化中子图像以及其对应的第一清晰中子图像；

步骤4，通过拉普拉斯以及sobel算法对每个退化中子图像进行处理，得到每个退化中子图像对应的高频中子图像，并将退化中子图像以及其对应的高频中子图像确定为第一图像对，通过所述第一图像对进行pix2pix模型中生成器网络的训练；

步骤5，将每个图像对输入至所述pix2pix模型中生成器网络得到生成图像，根据每个生成图像以及其对应的第一清晰中子图像生成第二图像对，根据所述第二图像对对所述pix2pix模型中的判别器网络进行训练，基于改进后的pix2pix模型损失函数训练构建pix2pix模型；

步骤6，将中子照相图像输入至所述pix2pix模型中得到所述中子照相图像对应的清晰中子图像。

在一些可能的实施方式中，利用训练好的pix2pix模型进行退化中子图像复原，避免复杂点扩散函数的估计，也无需大量的迭代优化过程，复原过程简单且快速。

需要说明的是，如图3所示，本发明具体采用改进的pix2pix模型来实现中子图像复原，避免传统复原算法复杂的点扩散函数估计过程以及大量的迭代过程，实现端到端的高精度中子图像复原。一种基于深度学习的中子照相图像退化拟合方法，包括以下步骤：

步骤一：构建与中子成像系统对应的退化中子图像和清晰中子图像。

步骤一中构建与中子成像系统对应的退化中子图像和清晰中子图像具体方法如下：

步骤1.1：将样品放置在中子照相机指定区域进行拍摄，得到退化中子图像；

步骤1.2：将步骤1.1中的同一样品放置在x射线实时成像检测设备指定区域进行拍摄，得到基准图像；基准图像包括了基准图像像、γ射线图像、超声图像、红外图像、涡流成像、高能中子图像、X/γ复合图像、x超声复合图像、涡流超声复合图像；

步骤1.3：将步骤1.1拍摄的退化中子图像和步骤1.2拍摄的样品基准图像进行对比修正(通过算法进行对基准图像像的亮度、对比度进行调整，与退化中子图像保持一致。)，对基准图像像的亮度、对比度等进行调整，与退化中子图像保持一致。修正后的样品基准图像作为清晰中子图像，最终得到精准匹配的退化中子图像与清晰中子图像对，将两者拼接在一起；

步骤1.4：重新选取样品，依次重复上述步骤1.1、1.2与1.3，最终得到N对精准匹配的退化中子图像与清晰中子图像，作为训练集

步骤二：构建改进的pix2pix模型。首先，采用拉普拉斯算子检测退化中子图像的伽马白斑噪声。对检测出的噪声进行去除，避免噪声对图像边缘信息提取的干扰。然后经过sobel算子进行卷积，得到高频中子图像，实现了低源中子退化特征提取据卷积核和sobel算子相结合。即，在sobel算子提取图像边缘信息前，采用拉普拉斯算子检测中子图像伽马白斑噪声。对检测出的噪声进行去除，避免噪声对图像边缘信息提取的干扰。其次利用sobel提取退化中子图像中的高频图像与原图进行contact作为模型输入，作用是对中子图像的边缘进行先验的增强。将其与退化中子图像共同作为pix2pix模型中生成器网络G的输入，经过生成器网络G得到生成图像，将该生成图像和清晰中子图像共同输入到判别器网络D中，依次迭代训练使得生成器网络G与判别器网络D的损失降低，直至趋于稳定。即，高频中子图像与退化中子图像共同作为生成器网络G的输入，得到一张生成图。然后该生成图和清晰中子图像(Ground Truth)送入判别器网络中，生成器网络和判别器网络交替训练直至平衡。改进的pix2pix模型损失函数为：

其中，E表示期望值；x表示退化中子图像；y表示修正前的清晰中子图像；s表示退化中子图像经过sobel算子处理过后得到的高频中子图像；λ表示权重系数。

需要说明的是，清晰的中子图像有两种，一种是修正前清晰的中子图像是利用x射线对齐后获得。一种是生成器生成的清晰中子图像，只在步骤二后靠生成获得。图3中修复的中子图像体现在步骤二：构建改进的pix2pix模型中，修复的中子图像为生成器生成的图像G(x,s)。

数据集中清晰中子图像可由x射线、γ射线等的无损检测手段辅助获取。

高频中子图像的获取可由sobel、roberts以及prewitt等常见边缘检测算子获取。

该算法可用于包括中子射线在内的射线图像的复原，包括但不限于x射线、γ射线、超声等。

采用改进的pix2pix模型对退化中子图像进行复原，生成器G的输入为退化中子图像和经过sobel算子处理后得到的高频中子图像；

分别采用中子照相机和x射线实时成像检测设备拍摄的样品图像作为pix2pix模型训练的数据集。

步骤三：将单张退化中子图像输入步骤二中得到的网络模型，输出与该退化中子图像对应的清晰中子图像。

优选地，在上述任意实施例中，所述退化中子图像为通过中子照相机拍摄得到的图像。

优选地，在上述任意实施例中，所述基础数据包括：亮度以及对比度。

优选地，在上述任意实施例中，所述步骤4具体为：

利用拉普拉斯算子对每个退化中子图像进行伽马白斑噪声检测，并对存在伽马白斑噪声的退化中子图像进行剔除，得到第一退化中子图像，通过sobel算子对每个第一退化中子图像或每个退化中子图像进行高频图像提取，得到每个第一退化中子图像或每个退化中子图像对应的高频中子图像，将每个高频中子图像与退化中子图像进行关联，形成第一图像对。

需要说明的是，拉普拉斯算子是一个二阶微分算子，将此算子作为卷积核对图像进行处理可提取图像的边缘轮廓信息；通过sobe l算子作为卷积核，对图像进行卷积在操作。

优选地，在上述任意实施例中，步骤5具体包括：

步骤501，将所述图像对输入至p ix2pix模型中生成器网络中，得到生成图像，根据每个生成图像以及其对应的第一清晰中子图像生成第二图像对，根据所述第二图像对对所述pix2pix模型中的判别器网络进行训练；

步骤502，重复步骤501，直至所述pix2pix模型的损失值满足预设条件，完成所述pix2pix模型的构建，所述损失值通过改进后的pix2pix模型损失函数得出。

通过上述方案的有益效果为：将高频中子图像也作为生成器G的输入，提高了神经网络对图像边缘特征提取能力。结果表明，中子图像的前背景伽马白噪声去除效果明显，轮廓边界复原度高，且无振铃和伪影现象，在峰值信噪比以及结构相似性等指标上均有提升。

优选地，在上述任意实施例中，所述改进后的pix2pix模型损失函数表达式为：

其中，E表示期望值；x表示退化中子图像；y表示清晰中子图像；s表示退化中子图像经过sobe l算子处理过后得到的高频中子图像；λ表示权重系数，G^*表示总体损失，

表示生成器G最小化，且判别器D最大化的值，E_y[logD(y)]表示生成的清晰图像被识别成清晰图像的概率，E_x,s[log(1-D(x,G(x,s)))]表示生成的不清晰图像被识别成不清晰图像的概率，D(y)表示不清晰图像被识别成清晰图像的概率，G(x,s)表示根据退化图像和sobel提取的高频图像生成的图像被识别成清晰图像的概率，1-D(x,G(x,s))表示生成样本被判别器判定为为负样本的概率，E_x,y,s[||y-G(x,s)||₁]表示清晰图像和生成图像的差异。

如图2所示，一种基于深度学习的中子照相图像退化拟合系统，包括：

扫描模块100，用于获取待测样品的退化中子图像以及基准图像；

修正模块200，用于基于所述退化中子图像对所述基准图像的基础数据与进行对比修正，得到第一清晰中子图像；

重复模块300，用于重复扫描模块至修正模块，得到多个退化中子图像以及其对应的第一清晰中子图像；

处理模块400，用于通过拉普拉斯以及sobel算法对每个退化中子图像进行处理，得到每个退化中子图像对应的高频中子图像，并将退化中子图像以及其对应的高频中子图像确定为第一图像对，通过所述第一图像对进行pix2pix模型中生成器网络的训练；

训练模块500，用于将每个图像对输入至所述pix2pix模型中生成器网络得到生成图像，根据每个生成图像以及其对应的第一清晰中子图像生成第二图像对，根据所述第二图像对对所述pix2pix模型中的判别器网络进行训练，基于改进后的pix2pix模型损失函数训练构建pix2pix模型；

结果模块600，用于将中子照相图像输入至所述pix2pix模型中得到所述中子照相图像对应的清晰中子图像。

在一些可能的实施方式中，利用训练好的pix2pix模型进行退化中子图像复原，避免复杂点扩散函数的估计，也无需大量的迭代优化过程，复原过程简单且快速。

优选地，在上述任意实施例中，所述退化中子图像为通过中子照相机拍摄得到的图像。

优选地，在上述任意实施例中，所述基础数据包括：亮度以及对比度。

优选地，在上述任意实施例中，所述处理模块400具体用于：

利用拉普拉斯算子对每个退化中子图像进行伽马白斑噪声检测，并对存在伽马白斑噪声的退化中子图像进行剔除，得到第一退化中子图像，通过sobel算子对每个第一退化中子图像或每个退化中子图像进行高频图像提取，得到每个第一退化中子图像或每个退化中子图像对应的高频中子图像，将每个高频中子图像与退化中子图像进行关联，形成第一图像对。

优选地，在上述任意实施例中，训练模块用于：

将所述图像对输入至pix2pix模型中生成器网络中，得到生成图像，根据每个生成图像以及其对应的第一清晰中子图像生成第二图像对，根据所述第二图像对对所述pix2pix模型中的判别器网络进行训练；

重复上述内容，直至所述pix2pix模型的损失值满足预设条件，完成所述pix2pix模型的构建，所述损失值通过改进后的pix2pix模型损失函数得出。

在一些可能的实施方式中，将高频中子图像也作为生成器G的输入，提高了神经网络对图像边缘特征提取能力。结果表明，中子图像的前背景伽马白噪声去除效果明显，轮廓边界复原度高，且无振铃和伪影现象，在峰值信噪比以及结构相似性等指标上均有提升。

优选地，在上述任意实施例中，所述改进后的pix2pix模型损失函数表达式为：

其中，E表示期望值；x表示退化中子图像；y表示清晰中子图像；s表示退化中子图像经过sobel算子处理过后得到的高频中子图像；λ表示权重系数，G^*表示总体损失，

表示生成器G最小化，且判别器D最大化的值，E_y[logD(y)]表示生成的清晰图像被识别成清晰图像的概率，E_x,s[log(1-D(x,G(x,s)))]表示生成的不清晰图像被识别成不清晰图像的概率，D(y)表示不清晰图像被识别成清晰图像的概率，G(x,s)表示根据退化图像和sobel提取的高频图像生成的图像被识别成清晰图像的概率，1-D(x,G(x,s))表示生成样本被判别器判定为为负样本的概率，E_x,y,s[||y-G(x,s)||₁]表示清晰图像和生成图像的差异。

本发明解决上述技术问题的另一种技术方案如下：一种存储介质，所述存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行如上述任一项所述的一种基于深度学习的中子照相图像退化拟合方法。

在一些可能的实施方式中，利用训练好的pix2pix模型进行退化中子图像复原，避免复杂点扩散函数的估计，也无需大量的迭代优化过程，复原过程简单且快速。

本发明解决上述技术问题的另一种技术方案如下：一种电子设备，包括上述存储介质、执行上述存储介质内的指令的处理器。

在一些可能的实施方式中，利用训练好的pix2pix模型进行退化中子图像复原，避免复杂点扩散函数的估计，也无需大量的迭代优化过程，复原过程简单且快速。

读者应理解，在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的方法实施例仅仅是示意性的，例如，步骤的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个步骤可以结合或者可以集成到另一个步骤，或一些特征可以忽略，或不执行。

上述方法如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种基于深度学习的中子照相图像退化拟合方法，其特征在于，包括：

步骤1，获取待测样品的退化中子图像以及基准图像；

步骤2，基于所述退化中子图像对所述基准图像的基础数据进行对比修正，得到第一清晰中子图像；

步骤3，重复步骤1至步骤2，得到多个退化中子图像以及其对应的第一清晰中子图像；

步骤4，通过拉普拉斯以及sobel算法对每个退化中子图像进行处理，得到每个退化中子图像对应的高频中子图像，并将退化中子图像以及其对应的高频中子图像确定为第一图像对，通过所述第一图像对进行pix2pix模型中生成器网络的训练；

步骤5，将每个图像对输入至所述pix2pix模型中生成器网络得到生成图像，根据每个生成图像以及其对应的第一清晰中子图像生成第二图像对，根据所述第二图像对对所述pix2pix模型中的判别器网络进行训练，基于改进后的pix2pix模型损失函数训练构建pix2pix模型；

步骤6，将中子照相图像输入至所述pix2pix模型中得到所述中子照相图像对应的清晰中子图像。

2.根据权利要求1所述的一种基于深度学习的中子照相图像退化拟合方法，其特征在于，所述退化中子图像为通过中子照相机拍摄得到的图像。

3.根据权利要求1所述的一种基于深度学习的中子照相图像退化拟合方法，其特征在于，所述基础数据包括：亮度以及对比度。

4.根据权利要求1所述的一种基于深度学习的中子照相图像退化拟合方法，其特征在于，所述步骤4具体为：

利用拉普拉斯算子对每个退化中子图像进行伽马白斑噪声检测，并对存在伽马白斑噪声的退化中子图像进行剔除，得到第一退化中子图像，通过sobel算子对每个第一退化中子图像或每个退化中子图像进行高频图像提取，得到每个第一退化中子图像或每个退化中子图像对应的高频中子图像，将每个高频中子图像与退化中子图像进行关联，形成第一图像对。

5.根据权利要求4所述的一种基于深度学习的中子照相图像退化拟合方法，其特征在于，步骤5具体包括：

步骤501，将所述图像对输入至pix2pix模型中生成器网络中，得到生成图像，根据每个生成图像以及其对应的第一清晰中子图像生成第二图像对，根据所述第二图像对对所述pix2pix模型中的判别器网络进行训练；

步骤502，重复步骤501，直至所述pix2pix模型的损失值满足预设条件，完成所述pix2pix模型的构建，所述损失值通过改进后的pix2pix模型损失函数得出。

6.根据权利要求5所述的一种基于深度学习的中子照相图像退化拟合方法，其特征在于，所述改进后的pix2pix模型损失函数表达式为：

其中，E表示期望值；x表示退化中子图像；y表示清晰中子图像；s表示退化中子图像经过sobel算子处理过后得到的高频中子图像；λ表示权重系数，G^*表示总体损失，

表示生成器G最小化，且判别器D最大化的值，E_y[logD(y)]表示生成的清晰图像被识别成清晰图像的概率，E_x,s[log(1-D(x,G(x,s)))]表示生成的不清晰图像被识别成不清晰图像的概率，D(y)表示不清晰图像被识别成清晰图像的概率，G(x,s)表示根据退化图像和sobel提取的高频图像生成的图像被识别成清晰图像的概率，1-D(x,G(x,s))表示生成样本被判别器判定为为负样本的概率，E_x,y,s[||y-G(x,s)||₁]表示清晰图像和生成图像的差异。

7.一种基于深度学习的中子照相图像退化拟合系统，其特征在于，包括：

扫描模块，用于获取待测样品的退化中子图像以及基准图像；

修正模块，用于基于所述退化中子图像对所述基准图像的基础数据与进行对比修正，得到第一清晰中子图像；

重复模块，用于重复扫描模块至修正模块，得到多个退化中子图像以及其对应的第一清晰中子图像；

处理模块，用于通过拉普拉斯以及sobel算法对每个退化中子图像进行处理，得到每个退化中子图像对应的高频中子图像，并将退化中子图像以及其对应的高频中子图像确定为第一图像对，通过所述第一图像对进行pix2pix模型中生成器网络的训练；

训练模块，用于将每个图像对输入至所述pix2pix模型中生成器网络得到生成图像，根据每个生成图像以及其对应的第一清晰中子图像生成第二图像对，根据所述第二图像对对所述pix2pix模型中的判别器网络进行训练，基于改进后的pix2pix模型损失函数训练构建pix2pix模型；

结果模块，用于将中子照相图像输入至所述pix2pix模型中得到所述中子照相图像对应的清晰中子图像。

8.根据权利要求7所述的一种基于深度学习的中子照相图像退化拟合系统，其特征在于，所述退化中子图像为通过中子照相机拍摄得到的图像。

9.一种存储介质，其特征在于，所述介质中存储有指令，当计算机读取所述指令时，使所述计算机执行如权利要求1至6中任一项所述的一种基于深度学习的中子照相图像退化拟合方法。

10.一种电子设备，其特征在于，包括权利要求9所述的存储介质、执行所述存储介质内的指令的处理器。

Images