[发明专利]基于层级网络的低分辨率鬼成像图像重建方法和装置

说明书

本发明公开了一种基于层级网络的低分辨率鬼成像图像重建方法和装置，包括如下步骤：将初始图像通过仿真生成鬼成像图像；将需要重建的鬼成像图像作为输入，输入预先训练的多层次网络模型，多层级网络模型对需要重建的鬼成图像进行处理，并输出得到重建的清晰的图像；其中，多层次网络模型的构建包括：构建多层级网络，在每个层级的网络的编码器中均引入反馈连接；基于鬼成图像、鬼成图像对应的真值图像和perceptual loss函数进行训练，得到多层次网络模型。本发明与现有的基于深度学习的鬼成像重建方法相比，能够恢复出目标结构更加明确、边缘更加清晰的干净图像，解决了在低采样率下，鬼成像图像恢复不清晰、恢复速度较慢的问题。

技术领域

本发明涉及一种基于层级网络的低分辨率鬼成像图像重建方法和装置，属于鬼成像图像处理领域。

背景技术

与传统光学成像的原理不同，鬼成像是根据成像设备的两个光臂高阶关联所进行的关联成像。计算鬼成像(CGI)是通过空间光调制器(SLM)产生的一系列随机二值图案对未知目标进行照明，从而获取未知目标的图像信息及空间信息的一种手段。对于每个投影图案，普通光电二极管记录下从目标平面向后反射的光强度，通过测量强度与相应的投影图案进行关联，重建目标图像。计算鬼成像的一个缺点是需要进行大量的拍摄才能生成高质量的图像，这会增加其成像时间及成像成本。尽管出现了以基本扫描方法为主的方案，但使用随机模式的计算鬼成像仍然在许多应用中而被使用，因为它模型简单而且易于部署。由于计算鬼成像具有成本低、对噪声和散射的鲁棒性以及能够在长光谱范围内工作的优点，计算鬼成像被广泛地应用于许多应用领域。

之后几年出现的鬼成像重建方法与压缩感知的结合，使得计算鬼成像的成像效果大大提高，但这仅仅是在采样率较高的情况下的重建效果。在25％以下的采样率下，该方法依旧不能得到很好的效果。在鬼成像图像领域中，采样率的高低，直接与计算鬼成像的成像速度与质量相关。

如何在低采样率下更快地得到更清晰的鬼成像重建图像，成为学术界的研究重点。

发明内容

本发明的目的是提出一种基于层级网络的低分辨率鬼成像图像重建方法和装置。低分辨率下的鬼成像图像重建问题是个难题。对于模糊的鬼成像图像，很难重建为清晰的无噪声的图像，而且成像时的暗光对目标的重建恢复也有很大的影响。本发明在暗光以及低采样率下，能够更精确快速地恢复出目标图像，解决了压缩感知鬼成像重建方法无法在低采样率情况下恢复出清晰图像的问题。

为达到上述目的，第一方面，本发明提供一种基于层级网络的低分辨率鬼成像图像重建方法，包括如下步骤：将初始图像通过仿真生成鬼成像图像；

将需要重建的鬼成像图像作为输入，输入预先训练的多层次网络模型，多层级网络模型对需要重建的鬼成图像进行处理，并输出得到重建的清晰的图像；

其中，多层次网络模型的构建包括：构建多层级网络，在每个层级的网络的编码器中均引入反馈连接；

基于鬼成图像、鬼成图像对应的真值图像和perceptual loss函数进行训练，得到多层次网络模型。

进一步地，perceptual loss函数的构建包括如下步骤：

对仿真生成的鬼成像图像和其对应的真值图像进行预处理，并构建图像组；

基于图像组提取图像的特征值；

基于提取的图像的特征值构建perceptual loss函数。

进一步地，构建perceptual loss函数包括如下步骤：

L_prec＝L_x+10^-3L_gen

其中，L_prec是总体损失，L_x是内容损失，L_gen是对抗损失。