CN117147694A - 基于逆问题的超声全聚焦成像稀疏正则化重构方法及设备 - Google Patents

基于逆问题的超声全聚焦成像稀疏正则化重构方法及设备 Download PDF

Info

Publication number
CN117147694A
CN117147694A CN202311092450.3A CN202311092450A CN117147694A CN 117147694 A CN117147694 A CN 117147694A CN 202311092450 A CN202311092450 A CN 202311092450A CN 117147694 A CN117147694 A CN 117147694A
Authority
CN
China
Prior art keywords
full
inverse problem
ultrasonic
matrix
reconstruction method
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.)
Pending
Application number
CN202311092450.3A
Other languages
English (en)
Inventor
刘立帅
项延训
赵志远
徐海铭
轩福贞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
East China University of Science and Technology
Original Assignee
East China University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by East China University of Science and Technology filed Critical East China University of Science and Technology
Priority to CN202311092450.3A priority Critical patent/CN117147694A/zh
Publication of CN117147694A publication Critical patent/CN117147694A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/04—Analysing solids
    • G01N29/06—Visualisation of the interior, e.g. acoustic microscopy
    • G01N29/0654—Imaging
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/04—Analysing solids
    • G01N29/06—Visualisation of the interior, e.g. acoustic microscopy
    • G01N29/0654—Imaging
    • G01N29/069—Defect imaging, localisation and sizing using, e.g. time of flight diffraction [TOFD], synthetic aperture focusing technique [SAFT], Amplituden-Laufzeit-Ortskurven [ALOK] technique
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/02—Indexing codes associated with the analysed material
    • G01N2291/028—Material parameters
    • G01N2291/0289—Internal structure, e.g. defects, grain size, texture

Landscapes

  • Physics & Mathematics (AREA)
  • Biochemistry (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Acoustics & Sound (AREA)
  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)

Abstract

本发明涉及一种基于逆问题的超声全聚焦成像稀疏正则化重构方法及设备，包括以下步骤：S1、采集被测试样的全矩阵捕捉数据集；S2、选取目标区域进行离散化处理，构建全聚焦原理等效加权矩阵，将全矩阵捕捉数据集映射到目标区域得到重构图像；S3、构建逆问题模型，并采用稀疏正则化策略和快速迭代收缩阈值算法求解，获得目标区域的最终成像结果，所述快速迭代收缩阈值算法中引入ReLU函数，对每次的迭代结果进行非负约束。与现有技术相比，本发明能够进行高质量超声相控阵成像检测，为构件安全服役提供更好的参考。

Description

基于逆问题的超声全聚焦成像稀疏正则化重构方法及设备
技术领域
本发明属于无损检测技术领域，尤其是涉及一种基于逆问题的超声全聚焦成像稀疏正则化重构方法及设备。
背景技术
随着计算机技术的不断进步，超声检测技术也朝着数字化、智能化、图像化和自动化的方向发展，超声相控阵成像技术应运而生，被广泛应用于航空航天、铁路、汽车、船舶、石油、化工、电力等领域。超声相控阵成像技术的核心是成像算法。其中，全聚焦成像算法因其较高的成像精度和较大的动态范围而被誉为超声成像领域的标杆，然而全聚焦成像算法本质上其实只是一种标准的延时叠加技术，通过对信号进行简单地延时和叠加，直接利用全矩阵捕捉数据集获得图像，导致其成像的分辨率和对比度终归有限，不能实现更近缺陷的分离和散射材料的高质量检测。
全聚焦成像算法一直以来都是国内外的研究热点。为继续提高全聚焦成像算法的分辨率和对比度，国内外学者进行了许多研究，普遍策略是利用逆问题思想。部分工作聚焦于超声信号模型，研究点扩散函数。论文《Correlation-based imaging technique usingultrasonic transmit-receive array for non-destructive evaluation》(NicolasQuaegebeur,et al.Ultrasonics,Sep 2012,52(8):1056-1064)引入点扩散函数后，通过研究测量信号与理论传播信号在给定点网格上计算的相关性，给出了良好的实验结果，但没有考虑被测对象的任何特定结构，这导致其不能很好地应对缺陷接近的情况。另一些工作是针对基于模型的逆问题的病态性，考虑了稀疏正则化策略。论文《Synthetic apertureimaging using sources with finite aperture:Deconvolution of the spatialimpulse response》(Fredrik Lingvall,et al.J Acoust Soc Am 114,225–234(2003))使用均方误差最小(Minimum Mean Square Error，MMSE)准则，导出了一个滤波器矩阵，用于补偿换能器的衍射效应，最终提出了一种关于合成孔径的新成像方法；论文《A sparsereconstruction algorithm for ultrasonic images in nondestructive testing》(Giovanni Alffedo Guarneri，et al.Applied Acoustics，Volume 186，15January 2022，108461)也提出了一种图像重构算法，该算法基于使用L1范数的正则化最小二乘，可以从检测系统得到的A扫描信号中重构图像。以上这些工作增强了被测对象的特定结构，获得了较好的结果，但只针对合成孔径聚焦算法进行研究，并没有应用于数据结构复杂的全聚焦成像算法。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于逆问题的超声全聚焦成像稀疏正则化重构方法及设备，以对构件进行高质量成像检测，并对其缺陷进行有效评价。
本发明的目的可以通过以下技术方案来实现：
一种基于逆问题的超声全聚焦成像稀疏正则化重构方法，包括以下步骤：
S1、采集被测试样的全矩阵捕捉数据集；
S2、选取目标区域进行离散化处理，构建全聚焦原理等效加权矩阵，将全矩阵捕捉数据集映射到目标区域得到重构图像；
S3、构建逆问题模型，并采用稀疏正则化策略和快速迭代收缩阈值算法求解，获得目标区域的最终成像结果，所述快速迭代收缩阈值算法中引入ReLU函数，对每次的迭代结果进行非负约束。
进一步地，所述全矩阵捕捉数据集的采集基于多阵元线型阵列超声换能器各个阵元单独激励与全部阵元同时接收进行，由Nel次收发事件组合完成，Nel为阵元总数，每次收发事件对应一条信号长度为Nt的超声回波信号f(tx，rcv)。
进一步地，所述多阵元线型阵列超声换能器基于不同的信号收发组合及波束形状实现激励。
进一步地，所述步骤S2中，全聚焦原理等效加权矩阵的构建方式如下：
S201、建立直角坐标系；
S202、将目标区域划分为Nz行、Nx列的空间网格区域，得到Nz×Nx个点；
S203、获取各个阵元和目标区域内各点的坐标信息；
S204、建立各点在不同超声回波信号下对应的位置向量；
S205、将所有的位置向量按序组合，得到全聚焦原理等效加权矩阵。
进一步地，所述各点在不同超声回波信号f(tx，rcv)下对应的位置向量的建立步骤如下：
首先，计算超声信号从激励阵元tx到各点(x，z)、再由各点(x，z)到接收阵元rcv的飞行时间τ(tx，rcv，x，z)；
其中，utx为激励阵元tx的x轴坐标，vrcv为接收阵元rcv的x轴坐标，c是超声波在被测试样中的传播速度。
其次，根据飞行时间τ(tx，rcv，x，z)计算位置信息n；
n＝τ(tx，rcv，x，z)Fs，
其中，Fs表示采样频率；
最后，建立对应的位置向量b(tx，rcv，x，z)；
b(tx，rcv，x，z)＝[0，0，...，1，...，0，0]，
其中b(tx，rcv，x，z)与f(tx，rcv)的维度相同，是一个第n个位置的元素为1，其余位置的元素均为0的行向量。
进一步地，将所有的位置向量按照如下顺序组合，得到全聚焦原理等效加权矩阵BT：
其中，ix和iz分别表示目标区域所划分出的空间网格区域的第ix列和第iz行。
进一步地，所述逆问题模型构建如下：
f＝BI+e，
其中，I是重构图像中所有像素点对应的像素值的向量化表示，维度为NzNx×1，f是全矩阵捕捉数据集的向量化表示，维度为NelNelNt×1，e表示由模型误差、测量噪声等引起的不确定项。
进一步地，所述稀疏正则化策略中采用L1正则化项，对所述逆问题模型进行稀疏诱导惩罚：
J(I)＝||f-BI||2+λ1φ(I)，
其中，J(I)是最小二乘拟合和正则化之间的折衷，调整速率为λ1，φ(I)是L1正则化函数，λ1是正则化参数。
进一步地，所述快速迭代收缩阈值算法的计算过程如下：
S301、确定迭代步长μ；
S302、进行迭代：
xk＝δk-μ(B′·(B·δk-f))；
αk+1＝Pλ，μ(xk)，
其中
βk+1＝ReLU(yk+1)；
其中，k为迭代次数，B为全聚焦原理等效加权矩阵BT的转置，f为所述全矩阵捕捉数据集的向量化表示，xk、δk、B′和yk+1为快速迭代收缩阈值算法的中间变量，tk+1为迭代算子，t1＝1，αk+1和βk+1为参量，α1＝β1＝0，λ1为正则化参数；
S303、判断迭代是否满足迭代终止条件||βk+1-βk||2≤ε，若是，则停止迭代，执行步骤S304；若否，则k＝k+1，返回步骤S302，ε为计算允许误差因子；；
S304、目标区域所有点的像素值的向量化表示I＝βk+1，得到目标区域的最终成像结果。
本发明还提供一种电子设备，包括一个或多个处理器、存储器和被存储在存储器中的一个或多个程序，所述一个或多个程序包括用于执行上述基于逆问题的超声全聚焦成像稀疏正则化重构方法的指令。
与现有技术相比，本发明具有以下有益效果：
1、本发明构建与全聚焦成像原理等效的加权矩阵，构建逆问题模型，采用稀疏正则化策略和快速迭代收缩阈值算法进行求解，通过公式化的处理将全矩阵捕捉数据集映射到目标区域高质量重构图像，而不需要考虑点扩散函数的估计问题和波形因衰减、衍射变化等影响因素；特别地，本发明在快速迭代收缩阈值算法的基础上，引入ReLU函数对每次的迭代结果进行非负约束，提出一种改进的快速迭代收缩阈值算法，消除无意义的负值，避免重构图像中出现不必要的伪影，提高重构图像的质量。
2、本发明通过引入L1正则化项进行稀疏诱导惩罚，有效消除重构图像中的背景噪声和缺陷周围的伪影，提高了重构图像的分辨率和对比度，实现更近缺陷的分离和散射噪声的抑制，进行高质量超声相控阵成像检测，为构件安全服役提供更好的参考，在超声成像和工业无损检测方面具有较好的应用价值。
附图说明
图1为本发明基于逆问题的超声全聚焦成像稀疏正则化重构系统结构示意图，
其中，1为波束控制延时子系统，2为多通道超声收发子系统，3为多阵元线型阵列超声换能器，4为超声成像子系统；
图2为目标区域坐标系示意图，
其中，e为阵元边缘间距，g为阵元宽度，d为阵元中心间距，P为目标区域划分后的空间网格中任意一点；
图3为本发明与普通全聚焦成像算法检测结果对比图，其中(3a)为被测试样示意图，(3b)为普通超声相控阵全聚焦成像算法获得的成像结果示意图，(3c)为本发明方法获得的成像结果示意图；
图4为本发明基于逆问题的超声全聚焦成像稀疏正则化重构方法详细流程图；
图5为本发明基于逆问题的超声全聚焦成像稀疏正则化重构方法总体流程图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
本实施例提供一种基于逆问题的超声全聚焦成像稀疏正则化重构方法，如图5所示，包括以下步骤：
S1、采集被测试样的全矩阵捕捉数据集；
S2、选取目标区域进行离散化处理，构建全聚焦原理等效加权矩阵，将全矩阵捕捉数据集映射到目标区域得到重构图像；
S3、构建逆问题模型，并采用稀疏正则化策略和快速迭代收缩阈值算法求解，获得目标区域的最终成像结果，所述快速迭代收缩阈值算法中引入ReLU函数，对每次的迭代结果进行非负约束。
具体地，如图4所示：
S1、采集被测试样的全矩阵捕捉数据集。
优选地，使用中心频率为F＝5MHz，阵元总数为Nel＝128，阵元宽度为e＝0.4mm，阵元间距为g＝0.1mm的商业一维线型阵列换能器同时进行信号激励与接收，作为本发明的多阵元线型阵列超声换能器。所述多阵元线型阵列超声换能器通过耦合剂与被测试样进行耦合。激励波形选用5MHz，1周期的正弦波。严格遵循奈奎斯特采样定理，以FS＝20MHz的采样频率采集全矩阵捕捉数据集，作为进行检测成像的数据基础。
全矩阵捕捉数据的采集基于各个阵元单独激励与全部阵元同时接收进行，由128次收发事件组合完成，每次收发事件对应一条信号长度为Nt＝500的超声回波信号，最后可以得到一个128×128×500的三维矩阵数据集。
S2、选取目标区域进行离散化处理，构建合理的二维直角坐标系，并构建全聚焦原理等效加权矩阵，通过输入相应的检测参数检测要求，将全聚焦成像原理等效为一个施加于全矩阵捕捉数据集的加权矩阵，将全矩阵捕捉数据集映射到目标区域。
将矩形目标区域划分为包含Nz＝100行和Nx＝100列的空间网格区域，空间网格的间距为s＝0.05mm，总共可以得到10000个点及其坐标。
构建直角坐标系时，如图2所示，多阵元线型阵列超声换能器3的下表面与被测试样的上表面贴合，并与二维直角坐标系的X轴重合。多阵元线型阵列超声换能器3下表面的中心即为坐标原点O。多阵元线型阵列超声换能器的下表面即为X轴，方向向右；多阵元线型阵列超声换能器下表面的中垂线即为Z轴，方向向下。
在实际的检测过程中，矩形阵元被简化为点阵元，忽略阵元边缘间距e和阵元宽度g，只考虑阵元中心间距d，第tx个激励阵元和第rcv个接收阵元的坐标可分别表示为(utx，0)和(urcv，0)。
以矩形目标区域为例，划分后的空间网格中第iz行，第ix列的点(ix，iz)是P，其坐标(x，z)为：
其中，矩形目标区域的左上角、右上角、左下角和右下角的坐标分别为(Xleft，up，Zleft，up)、(Xright，up，Zright，up)、(Xleft，down，Zleft，down)和(Xright，down，Zright，down)。
在全聚焦成像过程中：首先，计算超声信号从激励阵元tx到点P、再由点P到接收阵元rcv的飞行时间τ(tx，rcv，x，z)：
其中，c为超声波在被测试样中的传播速度。
其次，对第tx个阵元激励时第rcv个阵元接收到的超声回波信号f(tx，rcv)取包络后，提取其对应τ(tx，rcv，x，z)的信号幅值；然后，依次求解所有激励阵元/接收阵元对对应于点P的飞行时间，并提取对应的超声回波信号中对应于点P的信号幅值。点P的像素值I(x，z)等于上述个信号幅值之和：
其中f(tx，rcv)(τ(tx，rcx，y，z))表示第tx个阵元激励时，第rcv个阵元接收到的超声回波信号f(tx，rcv)中对应点P的信号幅值。如果将上述的计算过程应用于所有点，即可得到目标区域内所有点对应的像素值，也就是得到了目标区域的二维检测图像。
优选地，上述过程可以用向量的形式表示：
其中，Nt表示超声回波信号f(tx，rcv)的采样点数；f(tx，rcv)的维度是Nt×1；AN表示f(tx，rcv)中第n个采样点的信号幅值；b(tx，rcv，x，z)是位置向量，用于提取f(tx，rcv)中对应于点P的信号幅值，是只包含一个非零值1的行向量，维度为1×Nt。非零值1所在的位置信息n取决于飞行时间τ(tx，rcv，x，z)，计算公式如下：
n＝τ(tx，rcv，x，z)Fs (6)
其中，Fs表示采样频率。如果只考虑不同的激励阵元，将第tx个阵元激励时所有接收阵元接收到的超声回波信号进行向量化处理，即看成一个列向量，那么(5)可以改写成：
其中，f(tx)表示第tx个阵元激励时接收到的所有f(tx，rcv)的向量化表示，维度为NelNt×1；b(tx，x，z)是位置向量，用于提取f(tx)中所有对应于点P的幅值信息，维度为1×NelNt。
如果将全矩阵捕捉数据集中对应每个激励阵元/接收阵元对的超声回波信号都组合起来，看成一个列向量，那么(7)可以改写成：
其中，f是全矩阵捕捉数据集的向量化表示，维度为NelNelNt×1；b(x，z)是位置向量，用于提取f中所有对应于点P的幅值信息，维度为1×NelNelNt。
由于被测区域被划分为包含Nz行和Nx列的空间网格，重构图像，即目标区域的二维检测图像是依次求解所有超声回波信号在每个空间网格，即点(ix，iz)处的信号幅值并将幅值进行叠加的结果，即：
其中，I是重构图像中所有点对应的像素值的向量化表示，维度为NzNx×1。注意，ix和iz分别表示被测区域所划分出的空间网格的第ix列和第iz行。紧接着，将式(8)带入式(9)，可得：
其中，BT是在适当位置包含1的加权矩阵，维度为NxNz×NelNelNt。加权矩阵BT仅取决于检测参数和目标区域。
S3、构建完整的逆问题模型，并确定求解策略进行求解，得到目标区域的最终成像结果。
首先，将各种影响因素考虑其中，并依托加权矩阵(11)，构建从全矩阵捕捉数据集到目标区域图像的完整逆问题模型：
f＝BI+e (12)
其中，I是重构图像中所有像素点对应的像素值的向量化表示，维度为NzNx×1，f是全矩阵捕捉数据集的向量化表示，维度为NelNelNt×1，e表示由模型误差、测量噪声等引起的不确定项。
其次，考虑使用稀疏正则化策略进行求解：考虑到在大多数工业无损检测中，被测试样都被认为是均匀的，只有少数散射体。这也就是说反射率图是稀疏的，因此考虑使用L1稀疏正则化策略进行求解。L1正则化不仅可以保持(12)的凸性，还能促进稀疏性，被广泛应用于研究稀疏性的文献中。
稀疏正则化策略为逆问题的求解提供了可能，但这一过程最终还需要借助合适的求解算法来实现。高效的求解算法是稀疏正则化策略得以广泛传播、被众多领域引入的前提和基础。快速迭代收缩阈值算法计算速度块，计算时间短，被广泛应用在稀疏类问题求解中。但针对本发明中逆问题模型的特殊性，即检测图像的像素值具有非负性。因此，本发明在快速迭代收缩阈值算法的基础上进行了改进，通过在迭代过程中引入ReLU函数，配套性地提出了一种新型快速迭代收缩阈值算法，其输入为：(1)加权矩阵BT的转置B；(2)向量表示的全矩阵捕捉数据集f；(3)参量α1＝β1＝0；(4)迭代终止条件；(5)迭代算子t1＝1；(6)正则化参数λ1＝mλ1max(m的取值范围为0～1)，λ1max＝2||BTf||∞；输出为：重构图像I。
具体步骤如下：
S301、确定迭代步长μ：首先计算梯度的最小李普希兹常数并取倒数，即1/||B2B||2，其次在0到1/||B2B||2之间选取合适的μ(μ取1/||B2B||2时，该算法具有最快的收敛速度)；
S302、进行迭代：
xk＝δk-μ(B′·(B·δk-f))；
αk+1＝Pλ，μ(xk)，
其中
βk+1＝ReLU(yk+1)；
其中，k为迭代次数；
S303、判断迭代是否满足迭代终止条件||βk+1-βk||2≤ε，若是，则停止迭代，执行步骤S304；若否，则k＝k+1，返回步骤S302，ε为计算允许误差因子；
S304、重构图像I＝βk+1，得到目标区域的最终成像结果。
本实验所检测对象如图3的(3a)所示，为7075铝合金试块，厚度为30mm，材料内声速为6320m/s，试样包含两个深度为35mm、直径为1mm的横通孔缺陷，其中心间距为1.5mm，这意味着缺陷边缘仅相隔0.5mm。
检测系统的架构按图1所示组合，保证信号从激励到接收整个数据采集过程的完整性：波束控制延时子系统1计算出激励模式后传输到超声收发子系统2，由超声收发子系统2控制多阵元线型阵列超声换能器3进行信号激励与接收，接收的信号经超声收发子系统2传输至超声成像子系统4进行成像。
优选地，所述波束控制延时子系统1具备独立通道开关，可以独立控制各个通道，然后进行各种不同的延时激励。
如图3所示，(3b)为普通超声相控阵全聚焦成像算法获得的成像结果，(3c)为本发明方法获得的成像结果，可以看出，由于检测对象两个缺陷的距离非常近，普通超声相控阵全聚焦成像结果中存在强烈的重叠；而本发明通过对目标区域的稀疏诱导惩罚，能够大幅度提高检测图像在缺陷处的分辨率和对比度，从而提高成像质量。在缺陷接近的情况下，本发明方法相较于全聚焦成像算法确实拥有更高的分离能力，更适合对微小目标进行定位和应用于对图像分辨率要求较高的场合。此外，由于全聚焦成像算法所依赖的全矩阵捕捉数据集是采用单个阵元独立激励和全部阵元同时接收的方式获取的，所以每次激励的超声波束能量很小且很容易受到周围环境噪声和检测设备电噪声的干扰，因此最终获得的全矩阵捕捉数据集信噪比较低，使得全聚焦成像算法获得的图像中存在一定程度的伪像，严重影响对实际缺陷的识别，而本发明方法却可以有效消除这类伪像，提供极高的对比度，避免这些问题，成像结果明显优于普通全聚焦成像算法。
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所述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-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
上述的对实施例的描述是为便于该技术领域的普通技术人员能理解和使用发明。熟悉本领域技术的人员显然可以容易地对这些实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于上述实施例，本领域技术人员根据本发明的揭示，不脱离本发明范畴所做出的改进和修改都应该在本发明的保护范围之内。

Claims (10)

1.一种基于逆问题的超声全聚焦成像稀疏正则化重构方法，其特征在于，包括以下步骤：
S1、采集被测试样的全矩阵捕捉数据集；
S2、选取目标区域进行离散化处理，构建全聚焦原理等效加权矩阵，将全矩阵捕捉数据集映射到目标区域得到重构图像；
S3、构建逆问题模型，并采用稀疏正则化策略和快速迭代收缩阈值算法求解，获得目标区域的最终成像结果，所述快速迭代收缩阈值算法中引入ReLU函数，对每次的迭代结果进行非负约束。
2.根据权利要求1所述的一种基于逆问题的超声全聚焦成像稀疏正则化重构方法，其特征在于，所述全矩阵捕捉数据集的采集基于多阵元线型阵列超声换能器各个阵元单独激励与全部阵元同时接收进行，由Nel次收发事件组合完成，Nel为阵元总数，每次收发事件对应一条信号长度为Nt的超声回波信号。
3.根据权利要求2所述的一种基于逆问题的超声全聚焦成像稀疏正则化重构方法，其特征在于，所述多阵元线型阵列超声换能器基于不同的信号收发组合及波束形状实现激励。
4.根据权利要求2所述的一种基于逆问题的超声全聚焦成像稀疏正则化重构方法，其特征在于，所述步骤S2中，全聚焦原理等效加权矩阵的构建方式如下：
S201、建立直角坐标系；
S202、将目标区域划分为Nz行、Nx列的空间网格区域，得到Nz×Nx个点；
S203、获取各个阵元和目标区域内各点的坐标信息；
S204、建立各点在不同超声回波信号下对应的位置向量；
S205、将所有的位置向量按序组合，得到全聚焦原理等效加权矩阵。
5.根据权利要求4所述的一种基于逆问题的超声全聚焦成像稀疏正则化重构方法，其特征在于，所述各点在不同超声回波信号下对应的位置向量的建立步骤如下：
首先，计算超声信号从激励阵元tx到各点(x,z)、再由各点(x,z)到接收阵元rcv的飞行时间τ(tx,rcv,x,z)：
其中，utx为激励阵元tx的x轴坐标，urcv为接收阵元rcv的x轴坐标，c是超声波在被测试样中的传播速度；
其次，根据飞行时间τ(tx,rcv,x,z)计算位置信息n：
n＝τ(tx,rcv,x,z)FS，
其中，FS表示采样频率；
最后，建立对应的位置向量b(tx,rcv,x,z)。
6.根据权利要求4所述的一种基于逆问题的超声全聚焦成像稀疏正则化重构方法，其特征在于，所有的位置向量按照如下顺序组合，得到全聚焦原理等效加权矩阵BT：
其中，ix和iz分别表示目标区域所划分出的空间网格区域的第ix列和第iz行。
7.根据权利要求1所述的一种基于逆问题的超声全聚焦成像稀疏正则化重构方法，其特征在于，所述逆问题模型构建如下：
f＝BI+e，
其中，I是重构图像中所有像素点对应的像素值的向量化表示，f是全矩阵捕捉数据集的向量化表示，e表示由模型误差、测量噪声等引起的不确定项。
8.根据权利要求1所述的一种基于逆问题的超声全聚焦成像稀疏正则化重构方法，其特征在于，所述稀疏正则化策略中采用L1正则化项，对所述逆问题模型进行稀疏诱导惩罚：
J(I)＝||f-BI||2+λ1φ(I)，
其中，J(I)是最小二乘拟合和正则化之间的折衷，调整速率为λ1，φ(I)是L1正则化函数，λ1是正则化参数。
9.根据权利要求1所述的一种基于逆问题的超声全聚焦成像稀疏正则化重构方法，其特征在于，所述快速迭代收缩阈值算法的计算过程如下：
S301、确定迭代步长μ；
S302、进行迭代：
xk＝δk-μ(B′·(B·δk-f))；
αk+1＝Pλ，μ(xk)，
其中
βk+1＝ReLU(yk+1)；
其中，k为迭代次数，B为全聚焦原理等效加权矩阵BT的转置，f为所述全矩阵捕捉数据集的向量化表示，xk、δk、B′和yk+1为快速迭代收缩阈值算法的中间变量，tk+1为迭代算子，t1＝1，αk+1和βk+1为参量，α1＝β1＝0，λ1为正则化参数；
S303、判断迭代是否满足迭代终止条件||βk+1-βk||2≤ε，若是，则停止迭代，执行步骤S304；若否，则k＝k+1，返回步骤S302，ε为计算允许误差因子；
S304、目标区域所有点的像素值的向量化表示I＝βk+1，得到目标区域的最终成像结果。
10.一种电子设备，其特征在于，包括一个或多个处理器、存储器和被存储在存储器中的一个或多个程序，所述一个或多个程序包括用于执行如权利要求1-9任一所述基于逆问题的超声全聚焦成像稀疏正则化重构方法的指令。
CN202311092450.3A 2023-08-28 2023-08-28 基于逆问题的超声全聚焦成像稀疏正则化重构方法及设备 Pending CN117147694A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311092450.3A CN117147694A (zh) 2023-08-28 2023-08-28 基于逆问题的超声全聚焦成像稀疏正则化重构方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311092450.3A CN117147694A (zh) 2023-08-28 2023-08-28 基于逆问题的超声全聚焦成像稀疏正则化重构方法及设备

Publications (1)

Publication Number Publication Date
CN117147694A true CN117147694A (zh) 2023-12-01

Family

ID=88909294

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311092450.3A Pending CN117147694A (zh) 2023-08-28 2023-08-28 基于逆问题的超声全聚焦成像稀疏正则化重构方法及设备

Country Status (1)

Country Link
CN (1) CN117147694A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117389038A (zh) * 2023-12-11 2024-01-12 深圳市永泰光电有限公司 基于光学处理的自动聚焦方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117389038A (zh) * 2023-12-11 2024-01-12 深圳市永泰光电有限公司 基于光学处理的自动聚焦方法

Similar Documents

Publication Publication Date Title
EP3637099B1 (en) Image reconstruction method based on a trained non-linear mapping
CN110023782B (zh) 用于对超声图像杂波滤波的方法和系统
US20090048789A1 (en) Optimized Embedded Ultrasonics Structural Radar System With Piezoelectric Wafer Active Sensor Phased Arrays For In-Situ Wide-Area Damage Detection
Kerbrat et al. Ultrasonic nondestructive testing of scattering media using the decomposition of the time-reversal operator
Merabet et al. 2-D and 3-D reconstruction algorithms in the Fourier domain for plane-wave imaging in nondestructive testing
CN106680825B (zh) 一种声学阵列成像系统与方法
CN111213066B (zh) 基于模型的图像重建方法
CN117147694A (zh) 基于逆问题的超声全聚焦成像稀疏正则化重构方法及设备
CN102608205A (zh) 基于变波速相位迁移的多层物体无损检测超声成像方法
Sutcliffe et al. Virtual source aperture imaging for non-destructive testing
Gauthier et al. Lightweight and amplitude-free ultrasonic imaging using single-bit digitization and instantaneous phase coherence
Piedade et al. Compressive sensing strategy on sparse array to accelerate ultrasonic TFM imaging
CN117233266A (zh) 一种基于循环神经网络的全波形反演导波层析成像方法
CN113777166A (zh) 一种基于超声平面波成像和时间反转算子相结合的高分辨缺陷无损检测方法
Merabet et al. Comparative study of 2D ultrasound imaging methods in the fk domain and evaluation of their performances in a realistic NDT configuration
CN108445083A (zh) 一种基于频域压缩感知的相控阵超声图像重构优化方法
Li et al. Research on the imaging of concrete defect based on the pulse compression technique
Villaverde et al. Optimal extraction of ultrasonic scattering features in coarse grained materials
Tasinkevych et al. Optimization of the multi-element synthetic transmit aperture method for medical ultrasound imaging applications
Aschy et al. Enhancement of the total focusing method imaging for immersion testing of anisotropic carbon fiber composite structures
LI et al. Research on ultrasonic damage imaging based on total focus method
Hutt Towards next generation ultrasonic imaging
Carlson et al. High resolution image reconstruction from full-matrix capture data using minimum mean square error deconvolution of the spatio-temporal system transfer function
Drinkwater et al. Ultrasonic arrays: a comparison between medical and NDE requirements
Kröning et al. Sampling phased array: a new technique for signal processing and ultrasonic imaging

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