太赫兹光谱图像重构模型的构建方法及系统和应用技术方案

本发明专利技术公开了一种太赫兹光谱图像重构模型的构建方法，其包括：S1、获取太赫兹光谱图像；S2、对太赫兹光谱图像进行预处理；S3、对预处理图像进行欠采样观测；S4、将欠采样图像依次输入至线性映射网络、残差网络中进行网络训练，得重构模型；S5、判断重构模型训练次数是否不小于预设训练次数，若是，则输出重构模型；否则进入S6；S6、重复S4～S5，每重复一次训练次数加1。本发明专利技术针对太赫兹光谱图像，在DR2‑

【技术实现步骤摘要】
太赫兹光谱图像重构模型的构建方法及系统和应用


[0001]本专利技术涉及图像处理
更具体地说，本专利技术涉及一种太赫兹光谱图像重构模型的构建方法及系统和应用。

技术介绍

[0002]太赫兹(Terahertz，THz)电磁辐射，也被称为THz波，波长在0.03～3mm，发射的频率在0.1～10THz，利用物质对太赫兹频带的不同特征吸收谱，分析研究物质成分、结构及其相互作用关系。太赫兹成像技术(Terahertz Spectroscopy Imaging Technology)是以太赫兹时域光谱技术为基础发展起来的。由于THz波能够穿过布、木材、陶瓷等非极性材料，并能对物体内部成像，因此在成像领域受到越来越多的关注。太赫兹光谱图像不仅包含了目标物的几何信息，而且还具有目标物对THz脉冲响应的强度、相位和时间等完整信息，得到的样品图像具有“图谱合一”的特性，能同时获取空间图像信息和丰富的光谱信息，目前太赫兹成像技术和算法层出不穷，如Randon变换和干涉成像，THz
‑
TDS成像、THz面阵成像、近场成像等，但仍存在一些局限性，如成像速度慢，图像数据量大，且实时性差。
[0003]因此，如何提高太赫兹图像的重建速度并保证图像质量，是亟待解决的研究问题。

技术实现思路

[0004]本专利技术的一个目的是解决至少上述问题，并提供至少后面将说明的优点。
[0005]本专利技术还有一个目的是提供一种太赫兹光谱图像重构模型的构建方法及系统，其解决了太赫兹时域光谱成像系统普遍存在图像采集时间长、数据冗余较大等问题，降低采样率将导致成像重建质量下降的技术问题。
[0006]为了实现根据本专利技术的这些目的和其它优点，提供了一种太赫兹光谱图像重构模型的构建方法，其包括：
[0007]S1、获取太赫兹光谱图像；
[0008]S2、对太赫兹光谱图像进行预处理，得预处理图像；
[0009]S3、通过高斯随机采样矩阵对预处理图像进行欠采样观测，得到欠采样图像；
[0010]S4、将欠采样图像依次输入至线性映射网络、残差网络中进行训练，得重构模型；
[0011]S5、判断重构模型训练次数是否不小于预设训练次数，若是，则输出重构模型；否则进入S6；
[0012]S6、重复S4～S5，每重复一次训练次数加1。
[0013]优选的是，所述的太赫兹光谱图像重构模型的构建方法，步骤S2具体为：将太赫兹光谱图像分为多个平面光谱图像，将每个平面光谱图像分割为多个n
×
n的不重叠图像块，即得预处理图像。
[0014]优选的是，所述的太赫兹光谱图像重构模型的构建方法，步骤S3具体为：采用高斯随机采样矩阵对预处理图像进行欠采样，得到欠采样图像信号y
i
作为压缩感知测量值，采样次数A＝N
×
b，其中b为采样率，N为每个图像块的总像素数。
[0015]优选的是，所述的太赫兹光谱图像重构模型的构建方法，步骤S4具体为：
[0016]S4.1、将欠采样图像信号y
i
一并输入至线性映射网络中，对欠采样图像进行初始重构，得到初始重构图像信号x
i
；
[0017]其中线性映射网络的模型为：
[0018]x
i
＝f(y
i
,{W})
ꢀꢀꢀ
(1)
[0019]式(1)中，W∈R
m
×
n
是映射矩阵；
[0020]线性映射网络的损失函数为：
[0021][0022][0023]式(3)中X∈{X1,X2,
…
X
N
}，Y∈{Y1,Y2,
…
Y
N
}；
[0024]S4.2、将初始重构图像信号x
i
输入至残差网络中，对图像进行精度重构，得n
×
n的分块重建图像，即为重构模型；
[0025]其中残差网络结构包括6个残差学习块，每个学习块包括3个卷积层，第一卷积层使用11
×
11的内核，第二卷积层使用1
×
1的内核，第三卷积层使用7
×
7的内核；每个卷积层均选用PReLU作为激活函数，
[0026][0027]式(4)中a
i
为参数。
[0028]优选的是，所述的太赫兹光谱图像重构模型的构建方法，步骤S4.2中采用BM3D滤波器对n
×
n的分块重建图像进行去噪，得到高分辨率的重建图像，即为重构模型。
[0029]本专利技术还提供一种太赫兹光谱图像重构模型的构建系统，其包括：
[0030]获取模块，其用于获取太赫兹光谱图像；
[0031]自适应采样模块，其用于对太赫兹光谱图像进行预处理，随后通过高斯随机采样矩阵对预处理图像进行欠采样观测，得到欠采样图像；
[0032]重构模块，其将欠采样图像依次输入至线性映射网络、残差网络中进行网络训练，得重构模型。
[0033]本专利技术提供一种太赫兹光谱图像重构模型的应用，将上述的太赫兹光谱图像重构模型应用于小麦种子或玉米籽粒的太赫兹光谱图像的重构。
[0034]本专利技术还提供一种电子设备，其包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行上述的方法。
[0035]本专利技术还提供一种存储介质，其上存储有计算机程序，该程序被处理器执行时，实现上述的方法。
[0036]本专利技术至少包括以下有益效果：本专利技术针对太赫兹光谱图像，在DR2‑
Net的基础上，增加了自适应采样步骤(太赫兹光谱图的预处理+预处理图像的欠采样观测)，并引入了残差网络思想，大大提高了图像重构质量，缩短图像重构时间，一定程度上提高了太赫兹系统的图像重构效率。
[0037]本专利技术的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本
专利技术的研究和实践而为本领域的技术人员所理解。
附图说明
[0038]图1为本专利技术所述的太赫兹光谱图像重构模型的结构示意图；
[0039]图2为本专利技术步骤二重构模型训练流程图；
[0040]图3为本专利技术重构的效果图。
具体实施方式
[0041]下面结合附图及实施例对本专利技术做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
[0042]应当理解，本文所使用的诸如“具有”、“包含”以及“包括”术语并不排除一个或多个其它元件或其组合的存在或添加。
[0043]需要说明的是，下述实施方案中所述实验方法，如无特殊说明，均为常规方法，所述试剂和材料，如无特殊说明，均可从商业途径获得。
[0044]在本专利技术的描述中，术语“横向”、“纵向”、“上”、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.太赫兹光谱图像重构模型的构建方法，其特征在于，包括：S1、获取太赫兹光谱图像；S2、对太赫兹光谱图像进行预处理，得预处理图像；S3、通过高斯随机采样矩阵对预处理图像进行欠采样观测，得到欠采样图像；S4、将欠采样图像依次输入至线性映射网络、残差网络中进行训练，得重构模型；S5、判断重构模型训练次数是否不小于预设训练次数，若是，则输出重构模型；否则进入S6；S6、重复S4～S5，每重复一次训练次数加1。2.如权利要求1所述的太赫兹光谱图像重构模型的构建方法，其特征在于，步骤S2具体为：将太赫兹光谱图像分为多个平面光谱图像，将每个平面光谱图像分割为多个n
×
n的不重叠图像块，即得预处理图像。3.如权利要求2所述的太赫兹光谱图像重构模型的构建方法，其特征在于，步骤S3具体为：采用高斯随机采样矩阵对预处理图像进行欠采样，得到欠采样图像信号y
i
作为压缩感知测量值，采样次数A＝N
×
b，其中b为采样率，N为每个图像块的总像素数。4.如权利要求3所述的太赫兹光谱图像重构模型的构建方法，其特征在于，步骤S4具体为：S4.1、将欠采样图像信号y
i
一并输入至线性映射网络中，对欠采样图像进行初始重构，得到初始重构图像信号x
i
；其中线性映射网络的模型为：x
i
＝f(y
i
,{W})
ꢀꢀꢀꢀꢀꢀ
(1)式(1)中，W∈R
m
×
n
是映射矩阵；线性映射网络的损失函数为：线性映射网络的损失函数为：式(3)中X∈{X1,X2,
…
X
N
}，Y∈{Y1,Y2,
…
...

【专利技术属性】
技术研发人员：蒋玉英，葛宏义，李广明，陈心雨，王飞，李丽，张元，
申请(专利权)人：河南工业大学，
类型：发明
国别省市：