[发明专利]一种基于深度学习求解高度非线性逆散射问题的实时成像方法

权利要求书

1.一种基于深度学习求解高度非线性逆散射问题的实时成像方法，其特征在于，包括如下步骤：

步骤1：利用FBE-CIE-I迭代方法对未知散射体进行初步重建，获取数据集；

步骤2：利用步骤1得到的数据集训练U-net网络；

步骤3：将U-net网络的输出作为GAN网络的输入，真实图像作为GAN网络的标签进行训练。

2.根据权利要求1所述的基于深度学习求解高度非线性逆散射问题的实时成像方法，其特征在于，步骤1中所述的FBE-CIE-I迭代方法如下：根据CIE-I模型，得到目标方程和数据方程其中表示对比源，对角矩阵表示维度为M×M的修改对比度函数，β表示一个用于降低逆散射问题非线性程度的常数矩阵，表示每一次入射的入射场，表示将感兴趣域D内对比源映射到感兴趣域D内散射场，表示接收天线接收到的散射场，表示感兴趣域D内对比源映射到测量区域散射场，根据目标方程和数据方程，构建损失函数其中对比源表示为其中表示二维离散逆傅里叶变换，通过共轭梯度法和最小二乘法交替更新对比源和修改的对比度函数最小化损失函数。

3.根据权利要求1所述的基于深度学习求解高度非线性逆散射问题的实时成像方法，其特征在于，包括FBE-CIE-I反演方法，具体步骤如下：

步骤a:设n＝0，初始化位置参数，R＝0，维度为M₀×1的向量M₀为傅里叶基的数量，选择一个较大的β值和较小的低频傅里叶基数量M₀；

步骤b:n＝n+1,更新α：其中d_p,n表示第n次迭代的步长，表示第n次迭代的共轭梯度方向；

步骤c:更新对比源并计算相应的总场

步骤d:用最小二乘法更新修改的对比度函数

步骤e:更新对比度函数：

步骤f:设置终止条件，如果满足条件，迭代终止，如果不满足，则返回步骤b。