[发明专利]基于Resnet网络的计算鬼成像重建恢复方法

说明书

本发明提供了一种基于Resnet网络进行鬼成像恢复的方法，首先基于MNSIT数据集，通过用Hadamard矩阵做为改进随机相位掩模来得到计算鬼成像，其次对Resnet网络的结构进行了调整，在原有的基础上添加了instance layer和增加了网络的深度、特征层的深度，并运用大量的计算鬼成像图像和它们的原始图像对网络进行训练，最后在测试集中得到了实验的泛化效果。该方法可以有效的提高计算鬼成像的重建效果，并提高重建速度。

技术领域

本发明属于量子成像和人工智能领域，尤其涉及基于Resnet网 络的计算鬼成像重建恢复方法。

背景技术

近年来鬼成像的重建恢复得到广泛的关注。计算鬼成像是一种经 典的光场鬼成像，它利用计算全息技术产生已知的关联光场，省去了 探测光场分布的空闲光路，使得光学系统结构更为简单，抵抗外界的 干扰能力更强，像的重建更高效。计算鬼成像不仅继承了鬼成像在成 像原理方面的重要特性，而且相比双光子对鬼成像和赝热源鬼成像， 对其研究具有更为重要的实际应用价值。鬼成像技术目前正从实验研 究逐步走向实际应用，在诸多领域体现出重要的应用价值，如高分辨 光刻、密码技术、隐身技术、雷达成像等。

鬼成像的恢复传统方法是通过压缩感知进行恢复的。压缩感知采 用了低维的观测方法，利用信号的稀疏特性(即信号的少量线性投影 包含了重构的足够信息)，其信号的重构过程就是将观测向量Y在 对应的测量矩阵中获得稀疏分解的过程，所要解的信号X就是该分 解的系数向量。压缩鬼成像技术可以在测量数据较小的前提下更好的 重构出目标图像，它允许一个包含N²个像素点的图像的测量次数小 于N²次，如果将随机散斑强度函数I_i(x,y)转换为行向量，表示为Ir_i， 将目标图像的分布函数为w(x,y)转换为列向量T_c，那么由桶探测器接 收的光照强度B_i可以表示为：

B_i＝Ic_i×T_c(1)

为了从测量值中重构出原始图像信息，求解稀疏解的最优化问题 必须解决，换句话说，如果列向量T_c是稀疏的，那么采用重构算法将 可以从行向量Ir_i以及光照强度B_i中恢复出T_c。目前，很多有效的方法 被提出来解决这个问题，如匹配追踪(MP)、正交匹配追踪(OMP)、 SL0算法等。

自2012年起,卷积神经网络(convolutional neural networks, CNN)在图像处理领域发展迅猛,突破了很多传统方法无法解决的瓶 颈,在很多行业得到了成功应用。Long等(2014)将CNN结构改造 成全卷积神经网络,通过卷积和反卷积过程完成对每个像素的分类,提 出全卷积神经网络(fully convolutional networks,FCN)的图像语义分 割算法,使图像分割效果取得了突破性进展。但FCN由于多次下采 样导致对图像中的细节不够敏感,且没有充分考虑像素与像素之间的 关系,缺乏空间一致性。U-Net是Ronneberger等(2015)在参加ISBI 竞赛时提出的一种分割网络，该网络结构在上采样过程中采用了融合多尺度特征的方式,能够较好地保留图像的细节特征,同时其网络结构 小，不但可以适应很小的训练集,而且网络训练和预测的速度都比较 快。常规的深度学习网络在很深的时候会出现梯度消失现象，网络训 练效果变差，但是浅层网络识别效果无法明显提高。

发明内容

本发明提供了基于Resnet网络的计算鬼成像重建恢复方法，能 够有效的提高计算鬼成像的重建效果，并提高重建速度。