[发明专利]基于最小一乘的稀疏采样傅里叶叠层成像人工神经网络重建方法

说明书

本发明属于傅里叶叠层成像技术领域，具体涉及一种基于人工神经网络的最小一乘的稀疏采样傅里叶叠层成像重建方法，该方法包括：采用傅里叶叠层成像设备对图像进行稀疏采样，得到一系列低分辨率的采集图像；建立傅里叶叠层成像正向模型，将采集低分辨率图像顺序输入正向模型，比较人工神经网络仿真生成图像和采集图像最小绝对偏差，求有解约束的最小一乘问题；利用误差反向传播训练和更新人工神经网络权重，得到重建高分辨率的相位恢复图像；本发明采用随机梯度下降优化方法对模型的损失函数进行优化，使得训练后的模型更精确，使得采样稀疏采样数据构建的高分辨率重建图清晰度更高。

技术领域

本发明属于傅里叶叠层成像技术领域，具体涉及一种基于最小一乘的稀疏采样傅里叶叠层成像人工神经网络重建方法。

背景技术

近些年提出的叠层成像技术(又分为空间叠层成像和傅里叶叠层成像两类)，其利用合成孔径(synthetic aperture)和相位恢复(phase retrieval)技术，每次只扫描样品的子区域或样品低分辨率图像，通过计算成像方法，求解出样品的高分辨率复振幅(包含了衰减和相位信息)优化解。叠层成像技术，能够保持图像采集大视场与高分辨率的统一，同时重建样品相位信息和衰减信息(运用特定算法可进一步重建样品深度信息)。其方法目前主要有二类：第一类由经典GS算法(Gerchberg Saxton于1972年提出)演变形成，虽然各类GS算法形式不同，核心思想相同即：模拟中间解在光路系统中正向传播至图像空间，赋值操作使正向传播后的中间解幅值等于测量值，约束后将更新后的中间解反演直至入射平面，进行下一个正向反向循环；第二类方法是基于梯度下降的方法。梯度下降法建立系统目标函数，比较测量强度图像与计算图像之对间应的总差异(能量函数)，通过求解总差异与所求参数偏导解析表达式，所求参数由梯度下降(或类似算法)方法更新直至收敛。制约叠层成像应用突出瓶颈在于数据采集图像样本量大，导致采集速度较慢，无法进行实行高分辨实时成像。

发明内容

为解决以上现有技术存在的问题，本发明提出了一种基于最小一乘的稀疏采样傅里叶叠层成像人工神经网络重建方法，该方法包括：获取稀疏待重建的图像，对获取的稀疏待重建的图像进行采样，得到低分辨率子图像；将得到的所有低分辨率子图像输入训练好的人工神经网络中，得到重建后的超分辨率图像；

对人工神经网络进行训练的过程包括：

S1：获取原始图像数据集，对原始图像数据集中的各个图像数据进行间隔采样，得到低分辨率子图像；将得到的低分辨率子图像进行划分，得到训练集和测试集；

S2：构建人工神经网络；采用人工神经网络模型对训练集中的低分辨率子图像进行处理，得到图像的强度；

S3：根据重构后的傅里叶叠层图像的强度构建模型的损失函数；

S4：采用随机梯度下降优化方法对损失函数进行优化；

S5：将训练集中的所有数据都输入模型中进行迭代，当迭完成后，得到重建的高分辨率图像的幅度和相位信息，完成模型的训练。

优选的，采用人工神经网络模型对训练集中的低分辨率子图像进行处理的过程包括：获取低分辨率子图像的大小，并提取低分辨率子图像的初始特征，对获取的初始特征进行傅里叶正变换；获取低分辨率子图像的频域中心原点；采用二维fftshift操作对频域中心原点、初始特征的傅里叶正变换以及低分辨率子图像的大小进行处理，对处理结果进行裁剪，得到裁剪后的图像进行傅里叶逆变换，得到低分辨率子图像的出射波；根据出射波计算低分辨率子图像的强度。

进一步的，低分辨率子图像的出射波的公式为：

其中，和分别表示二维傅里叶正变换和逆变换，为二维fftshift操作，Crop为图像裁剪操作，(k_x,k_y)表示低分辨率子图像的频域中心原点坐标，(Nx,Ny)表示低分辨率子图像的大小。