【技术实现步骤摘要】
本专利技术涉及全息成像，具体涉及一种基于物理启发的轻量级深度学习压缩成像方法及装置。
技术介绍
1、全息成像作为一种强大的现代成像技术，被广泛应用于生物医学、材料科学和其他领域。这种新型的成像技术，不需要过度使用笨重和昂贵的光学元件就可以实现从测量域上的衍射光强度恢复对象域上的复杂光场，这也是基于相干衍射成像的相同理论框架。
2、在全息成像技术中，关键的一步是解决处理测量域上的二维强度分布以恢复扩展物域上的空间分辨信息这一不确定的逆问题。传统上，为了解决光学成像中的逆向问题，梯度下降法被反复应用，但该方法通常依赖于物理模型和复杂的数学算法，且这个过程通常需要大量的迭代，所以对于高分辨率的成像任务来说，计算成本非常高。另一方面，深度学习(dl)方法被应用于解决光学成像的各种逆向问题。这些dl方法已被证明提供了一个框架，可以在两个领域的大量数据上取得先进的结果。大多数基于dl的光学成像研究都是基于监督学习方法，通常需要物域真实值和测量域相匹配的数据对，但获得匹配的数据对是非常昂贵和耗时的。更重要的是，在生物医学成像应用中，考虑到生物对象的动态性质和多样性，获得匹配的数据是不现实的。
3、为解决上述问题，一些研究人员研究出了使用非配对数据的学习方法，这些方法使用的框架最初是为实现图像到图像转化任务开发的。它们完全依赖于源域和目标域中给定数据分布之间的统计关系。因此，在现有的框架中，深度神经网络的表示能力严格限制在分布内(id)数据(特征关联度更高的数据)，这些数据在给定的训练数据的统计分布范围内。也有人提出了基
4、为了解决这些问题，现有的最先进的方法(pi-ot-cyclegan网络)探讨了将参数化的物理前向模型纳入dl方法的潜力，以适应性地处理成像配置中的确定性扰动。在全息成像的框架下，该方法测试了在物体与传感器的距离超出给定数据范围的变化下的可行性。该模型专门对全息成像配置中的距离进行了参数化，并将其与深度神经网络结合起来进行逆向操作，使得该方法能够同时重建出复振幅图和距离。然而，该方法仍然存在需要复杂的网络模型、庞大的网络参数与计算量以及需要高质量的测量的衍射强度模式的问题。
技术实现思路
1、为了解决现有技术中的不足，本专利技术的目的在于提供一种基于物理启发的轻量级深度学习压缩成像方法及装置。
2、为实现上述目的，本专利技术采用了以下技术方案：
3、在本专利技术的第一方面，公开了一种基于物理启发的轻量级深度学习压缩成像方法。
4、该方法包括以下步骤：
5、s1、构建压缩全息感知模型；
6、s2、利用所述压缩全息感知模型获取低维衍射强度，利用计算超分重建方法构建计算成像框架，利用所述计算成像框架从所述低维衍射强度中恢复复值振幅；
7、s3、分别构建基于list层的轻量化计算成像框架与距离生成网络；
8、s4、利用所述轻量化计算成像框架和所述距离生成网络，确定轻量级深度学习压缩全息成像模型；
9、s5、利用所述轻量级深度学习压缩全息成像模型，进行压缩全息成像。
10、进一步的，所述压缩全息感知模型为：
11、i(x,y；z＝d)＝φu(x,y；z＝0)+e (1)
12、其中，u(x,y；z＝0)为高维信号，i(x,y；z＝d)为测量向量，φ为压缩感知矩阵，e为噪声。
13、进一步的，所述利用所述压缩全息感知模型获取低维衍射强度，利用计算超分重建方法构建计算成像框架，利用所述计算成像框架从所述低维衍射强度中恢复复值振幅，包括：
14、s21、构建超分重建模块利用无约束优化方法获取测量向量i(x,y；z＝d)以高概率恢复信号的稀疏系数并进行稀疏化处理；
15、
16、
17、其中，τ为正则化常数，l1为由u的先验信息决定的惩罚项，用于创建稀疏解，ψ表示稀疏化的基本条件，表示重建出的高维信号；
18、所述超分重建模块为基于u-net架构的网络，包括第一编码器和第一解码器；所述第一编码器将衍射强度作为输入，由两个卷积块的重复组成，其中包括3×3卷积、分组归一化和斜率为0.1的relu单元，以及一个跨度为2的2×2最大池化层；隐向量是由编码器创建的，作为输入给第一解码器；所述第一解码器由重复转置卷积和两个卷积块组成；所述第一解码器中的第一个卷积块将第一编码器中最后一个卷积块的输出作为输入，该输出经过挤压和激发网络；所述第一解码器的输出用作挤压和激励网络和1×1卷积的输入，最终生成复值振幅图；
19、s22、构建holo-unet网络；
20、所述holo-unet网络基于unet网络架构，包括第二编码器、中间层和第二解码器；
21、第二编码器将复值振幅图作为输入，由两个重复的卷积块组成，其中包括3×3卷积层和relu单元，以及一个2×2的最大池化层；所述中间层由两个重复的卷积块组成；所述第二解码器由两个卷积块和转置卷积组成，最终生成复值振幅图；
22、s23、将所述超分重建模块和所述holo-unet网络相结合，确定计算成像框架，利用所述计算成像框架，从低维衍射强度中重建复值振幅。
23、进一步的，所述分别构建基于list层的轻量化计算成像框架与距离生成网络，包括：
24、将list层分别引入计算成像框架与pi-ot-cyclegan模型的距离生成网络中，代替pi-ot-cyclegan模型中的卷积核大小为3×3的卷积层，生成轻量化的计算成像框架与距离生成网络；
25、其中，list层是用m个输入和n个输出特征通道代替一个正常的3×3卷积层；
26、假设输入到list模块的是形状为(h，w，m)(高度，宽度，通道)的特征体；首先，输入体积与m/k个1×1核进行点卷积；k是压缩比；其次，将k个特征映射传递到两个并行的1×1和3×3卷积流中，在1×1分支中，执行另一组点向1×1卷积，输出n/nb个通道；nb是分支因子，在3×3分支采用深度可分核实现，输出n-n/nb个通道，1×1卷积流和3×3卷积流的输出被连接起来形成总共n个通道，并传递到下一层。
27、进一步的，所述利用所述轻量化计算成像框架和所述距离生成网络，确定轻量级深度学习压缩全息成像模型，包括：
28、将所述轻量化计算成像框架与所述距离生成网络引入pi-ot-cyclegan模型中，得到轻量级深度学习压缩全息成像模型pi-lw-ot-cyclegan。
29、进一步的，所述轻量级深度学习压缩本文档来自技高网...
【技术保护点】
1.基于物理启发的轻量级深度学习压缩成像方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的基于物理启发的轻量级深度学习压缩成像方法，其特征在于，
3.根据权利要求2所述的基于物理启发的轻量级深度学习压缩成像方法，其特征在于，
4.根据权利要求1所述的基于物理启发的轻量级深度学习压缩成像方法，其特征在于，
5.根据权利要求1所述的基于物理启发的轻量级深度学习压缩成像方法，其特征在于，
6.根据权利要求1或5所述的基于物理启发的轻量级深度学习压缩成像方法，其特征在于，
7.基于物理启发的轻量级深度学习压缩成像装置，其特征在于，该装置包括：
【技术特征摘要】
1.基于物理启发的轻量级深度学习压缩成像方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的基于物理启发的轻量级深度学习压缩成像方法，其特征在于，
3.根据权利要求2所述的基于物理启发的轻量级深度学习压缩成像方法，其特征在于，
4.根据权利要求1所述的基于物理启发的...
【专利技术属性】
技术研发人员：张成，史继森，周昊，韩鹏，章权兵，程鸿，沈川，韦穗，
申请(专利权)人：安徽大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。