[发明专利]一种基于SP-CUnet的逆散射成像方法

说明书

本发明提供了一种基于SP‑CUnet的逆散射成像方法，该方法针对复值数据相位信息采用不充分以及最大池化方法只能反映局部信息的问题，引入了复卷积模块以及频谱池化模块，结合Unet网络强大的分类成像能力提出了基于SP‑CUnet的逆散射成像方法。本发明对仿真得到的散射数据预处理后带入网络进行训练，训练完成的网络不仅可以在多散射体分布以及噪声干扰的情况下得到理想的成像效果，而且对训练样本的需求量并不大，且成像精度高。

技术领域

本发明属于电磁场建模仿真技术领域，具体涉及一种基于频谱池化下的复卷积U型网络(Spectral pooling-Complex Unet,SP-CUnet)的逆散射成像方法。

背景技术

逆散射问题由于存在不适定性和非线性，通常采用正则化的迭代优化方法求解，但该方法存在耗时，难于实时重建的缺点。近年来，基于卷积神经网络提取散射体几何及电磁特性的方法被提出，此类方法大多使用一些参数来表示散射体，例如散射体的位置、尺寸、形状和分段介电常数，具有准确高效的特征。基于卷积神经网络的设计方法需要大量的样本数据进行训练。训练成熟的神经网络能在短时间内重建成像区域内的散射体特性，进而替代传统的正则化迭代方法。

文献“Deep Convolutional Neural network for inverse problem inimaging”首次提出利用卷积神经网络求解逆问题，达到图像重建的目的；文献“Solvingill-posed inverse problems using iterative deep neural networks”提出了一种基于正则化理论求解不适定逆问题的部分学习方法；文献“Deep learning schemes forfull wave nonlinear inverse scattering problems”提出利用卷积神经网络解决全波逆散射问题。但目前求解逆散射问题的网络模型只能处理实数值的数据，而电磁散射数据通常为复数，这意味着必须丢弃相位信息。并且在多散射体分布以及噪声干扰的情况下，利用散射场幅度数值进行重建的结果往往不够精确。

发明内容

本发明的目的是提供一种基于复数卷积神经网络的逆散射成像方法，以解决现有的逆散射神经网络模型无法处理复数值数据的问题。并且利用频谱池化代替传统的最大池化，提取更多的数据特征。

本发明提出的一种基于SP-CUnet的逆散射成像方法，具体包括如下步骤：

本次发明的输入数据为散射数据ES，输出数据为预测的介电常数分布esponr_。

步骤1：在电磁仿真软件中设置成像区域，收发天线的位置、个数，散射体的位置、尺寸、数量和分段介电常数分布，通过子空间优化法的正演过程求解散射电场ES，记录介电常数分布esponr。其中ES为[64,64,1]大小的矩阵，矩阵的每个元素均为复数；esponr为[64,64,1]大小的矩阵，矩阵的每个元素均为实数，即成像区域的每个点对应的介电常数值。不断修改散射体的位置、尺寸、数量和分段介电常数分布，可以得到525组不同的散射电场数据ES以及525组与之对应的介电常数分布数据esponr。

步骤2：对步骤1中得到的525组散射电场数据ES添加高斯白噪声，模拟真实的散射数据，其中信噪比为百分之五。数据受噪声影响后可能出现幅值变小等问题，此时需要对数据进行预处理。得到的散射电场数据通常幅值较小且部分散射电场数据幅值近乎为0，需要对数据进行预处理。预处理的具体方法：设定阈值为0.001，剔除幅值小于阈值的散射电场数据，并且采用最大值归一化，最后扩充幅值，保证幅值范围在[0，255]。

步骤3：制作训练集和测试集。训练集和测试集均包含输入数据和标记数据两个部分。从步骤2中预处理后的525组散射电场数据ES中随机选择500组数据作为训练集的输入数据，训练集的标记数据即为与之对应的500组介电常数分布数据esponr。其余25组散射电场数据ES作为测试集的输入数据，测试集的标记数据即为与之对应的25组介电常数分布数据esponr。