一种基于自调整闭环网络的抗假频声波图像插值方法技术

本发明专利技术提出了一种基于自调整闭环网络的抗假频声波图像插值方法，搭建闭环CNN插值模型，该模型包括两个插值子模型，一个插值子模型用于对缺失数据进行插值，另一个插值子模型用于对缺失道的插值结果进行再次插值，两个子模型结构相同共享权重，并在此基础上定义闭环重构误差，用于评估插值结果；使用标签数据对闭环插值模型进行训练，得到在标签数据集上收敛的模型；搭建自调整模块，按不同的角度对测试数据进行错切变换，分别输入闭环插值模型，根据闭环重构误差挑选最优错切角度，对最优错切角度下的插值结果进行逆错切变换，得到最终的插值结果。本发明专利技术够提升插值模型在测试数据上的应用效果，达到抗假频的结果。达到抗假频的结果。达到抗假频的结果。

【技术实现步骤摘要】
一种基于自调整闭环网络的抗假频声波图像插值方法


[0001]本专利技术属于图像处理领域，尤其涉及一种基于自调整闭环网络的抗假频声波图像插值方法。

技术介绍

[0002]声学成像是一种基于传感器阵列的成像技术，通过传感器阵列收集空间中的声波信号，对目标物体进行成像。主动型声学成像通过震源激发声波信号，声波信号在空间中传播，遇到反射界面后产生反射，由传感器阵列进行接收。被动型声学成像通过传感器阵列收集空间中已有的声音信号进行定位和成像。地震勘探成像、医学超声成像均属于声学成像领域。在实际应用过程中，声学成像成本、速度受阵列传感器数量的影响。由于声场传播的连续性，相邻传感器接收到的声波信号往往存在一定冗余性，可以减少传感器数量，通过图像插值的方法对缺失传感器的接收信号进行插值重构，达到降低采集成本的作用。
[0003]近年来，深度学习已在声学图像插值领域得到广泛采用[1
‑
4]。相较于传统的插值方法，基于深度学习的插值方法具有更强的学习能力和特征表达能力。在训练样本充足的情况下，基于深度学习的插值方法能够获得更优的插值效果。Wang等人[1]首先提出一种基于深度学习的插值方法，该方法在合成数据集上训练卷积神经网络(Convolutional Neural Network,CNN)，并有效地将训练得到的CNN模型应用于实际数据集。Hu[2]等人提出基于自监督的CNN训练方法，该方法只使用缺失的地震数据进行训练，能够在测试数据集上获得较好的插值效果。Xiao[3]等人将深度学习插值算法应用于超声数据，有效降低传感器通道数量，提升波束形成后的超声成像效果。Vyas[4]等人基于频域分割网络提出一种抗假频的插值方法。
[0004]尽管深度学习算法在声波图像插值领域取得了较好的应用效果，但其推广泛化能力有限。由于CNN模型结构较为复杂，可解释性较差，CNN模型的有效应用范围难以确定。因此，自动评估CNN插值模型在新测试集上的泛化效果可以帮助工程人员评估CNN的应用效果，有利于促进CNN插值模型在生产生活中的推广应用，具有重要的应用价值。

技术实现思路

[0005]本专利技术提出了一种基于自调整闭环网络的抗假频声波图像插值方法。该方法采用一种闭环插值结构，能够对插值模型的插值结果进行自动评估。在此基础上，本专利技术进一步构造一种自调整模块，该模块根据闭环网络的评估结果，对输入图像进行错切调整，寻找最优错切参数，将难样本转化为简单样本，能够有效压制假频，提升插值效果，实现抗假频声波图像插值。本专利技术所提方法能够在降低传感器数量的同时，有效提升插值效果，进而提升声波成像质量。
[0006]一种基于自调整闭环网络的抗假频声波图像插值方法，包括如下步骤：
[0007]步骤1：搭建闭环插值模型；
[0008]步骤2：使用标签数据对闭环插值模型进行训练；
[0009]步骤3：搭建自调整模块。
[0010]进一步，步骤1中的闭环插值模型包括两个插值子模型，一个插值子模型用于对缺失数据进行插值，另一个插值子模型用于对缺失道的插值结果进行再次插值，两个子模型结构相同、共享权重。
[0011]优选地，子模型为CNN模型或传统插值模型。
[0012]优选地，步骤2中，利用插值损失函数L
interp
和闭环损失函数L
cyc
对模型进行训练。
[0013]进一步，步骤2中，训练过程的总体函数为：
[0014]L＝λ1L
interp
+λ2L
cyc
[0015]λ1，λ2＞0，用于调整两个损失函数的权重；
[0016]插值损失函数L
interp
：
[0017]L
interp
＝||z
‑
f
W
(x)||2[0018]f
W
(
·
)表示插值模型，W表示模型的权重参数，z为原始未缺失地震数据，x为缺失数据，x＝z
⊙
m，m表示未缺失道掩膜，
⊙
表示点乘；
[0019]闭环损失函数L
cyc
：
[0020][0021]f
W
′
(
·
)为另一个插值模型，为由缺失道的插值结果构成的新的缺失数据，
[0022][0023]进一步，步骤3中，在闭环模型的基础上定义测试数据的闭环重构误差，用于评估插值模型在新数据集上的应用效果，重构误差小，则说明插值模型在该测试集上的应用效果较好，反之，则应用效果较差。
[0024]优选地，闭环重构误差为：
[0025][0026]x
*
为无标签测试数据，m
*
为x
*
对应的掩膜，为闭环输出，表示无标签测试数据x
*
对应的缺失道插值结果，满足
[0027]进一步，步骤3中，根据闭环重构误差对测试数据进行自调整，按不同的角度对测试数据进行错切变换，分别输入闭环插值模型，根据闭环重构误差挑选最优错切角度，对最优错切角度下的插值结果进行逆错切变换，得到最终的插值结果。
[0028]本专利技术的优点是，采用闭环插值结构，定义闭环重构误差，自动评估插值模型在测试数据上的应用效果；根据应用效果，结合错切变换，提升插值模型在测试数据上的应用效果，达到抗假频的结果。
附图说明
[0029]图1为本专利技术的闭环网络结构图；
[0030]图2为本专利技术的插值网络结构图；
[0031]图3为本专利技术的自调整模块结构图；
[0032]图4为实际地震数据的测试结果图，其中，图4(a)为缺失地震数据，图4(b)
‑
4(d)分别为Bicubic插值、传统CNN算法以及本专利技术方法的插值结果，图4(f)
‑
4(h)为三种方法对应
的插值误差，图4(e)为目标未缺失地震数据；
[0033]图5为实际地震数据振幅谱结果图，其中，图5(a)为目标数据振幅谱，图5(b)为降采样数据振幅谱，图5(c)
‑
5(e)分别为Bicubic插值结果振幅谱、传统CNN插值结果振幅谱和本专利技术方法插值结果振幅谱；
[0034]图6为实际超声数据测试结果图；其中，图6(a)为降采样超声数据，图6(b)
‑
6(d)分别为Bicubic插值结果、传统CNN插值结果和本专利技术方法的插值结果；
[0035]图7为实际超声数据振幅谱结果图，图7(a)为降采样超声数据振幅谱，图7(b)
‑
7(d)分别为Bicubic插值结果振幅谱、传统CNN插值结果振幅谱和本专利技术方法的插值结果振幅谱。
具体实施方式
[0036]下面结合附图对本专利技术的具体实施方式做进一步说明。
[0037](1)搭建闭环插值模型
[0038]本专利技术提出的闭环网络结构图如图1所示本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自调整闭环网络的抗假频声波图像插值方法，其特征在于，包括以下步骤：步骤1：搭建闭环插值模型；步骤2：使用标签数据对闭环插值模型进行训练；步骤3：搭建自调整模块。2.如权利要求1所述的一种基于自调整闭环网络的抗假频声波图像插值方法，其特征在于：所述步骤1中的闭环插值模型包括两个插值子模型，一个插值子模型用于对缺失数据进行插值，另一个插值子模型用于对缺失道的插值结果进行再次插值，两个子模型结构相同、共享权重。3.如权利要求2所述的一种基于自调整闭环网络的抗假频声波图像插值方法，其特征在于：所述子模型为CNN模型或传统插值模型。4.如权利要求2所述的一种基于自调整闭环网络的抗假频声波图像插值方法，其特征在于：所述步骤2中，利用插值损失函数L
interp
和闭环损失函数L
cyc
对模型进行训练。5.如权利要求1
‑
4任一项所述的一种基于自调整闭环网络的抗假频声波图像插值方法，其特征在于：所述步骤2中，训练过程的总体函数为：L＝λ1L
interp
+λ2L
cyc
λ1，λ2＞0，用于调整两个损失函数的权重；插值损失函数L
interp
：L
interp
＝||z
‑
f
W
(x)||2f
W
(

【专利技术属性】
技术研发人员：陆文凯，王钰清，
申请(专利权)人：清华大学，
类型：发明
国别省市：