【技术实现步骤摘要】
本专利技术涉及图像处理，尤其涉及一种基于量子生成对抗网络的图像处理方法及系统。
技术介绍
1、生成对抗网络是目前图像生成的一种主要方法，生成对抗网络(gan)自2014年由ian goodfellow等人提出后，就越来越受到学术界和工业界的重视。而随着生成对抗网络在理论与模型上的高速发展，它在计算机视觉、自然语言处理、人机交互等领域有着越来越深入的应用，并不断向着其它领域继续延伸。其中，生成对抗网络在图像生成上取得了巨大的成功，这取决于生成对抗网络在博弈下不断提高建模能力，最终实现以假乱真的图像生成。
2、传统生成对抗网络的基本思想是通过让两个神经网络相互对抗，从而实现数据生成任务。其中一个网络被称为生成器(generator),它的目标是生成与真实数据相似的虚假数据，另一个网络被称为判别器(discriminator)，它的目标是区分真实数据和虚假数据。两个网络相互对抗，不断调整参数，从而最终生成具有高质量和多样性的虚假数据。受到gan的启发，量子版本的量子生成对抗网络(qgan)被提了出来，希望能够利用量子比特的纠缠特性和叠加特性，以及量子计算的并行性等特点，以解决传统生成对抗网络的模型崩塌、低收敛、无法有效处理离散数据和梯度消失等问题，在图像生成领域达到更好的效果。
3、但是，量子生成对抗网络这项技术还不够成熟。例如，在医学图像领域，经常要拍多周期的cta图像，重建后给医生评估，费时费力，且成本较高。基于此，本专利技术想要提出一种全新的基于量子生成对抗网络的图像处理技术，能够通过尽量少周期的cta图
技术实现思路
1、本专利技术的目的在于提供一种基于量子生成对抗网络的图像处理方法及系统，以解决在图像处理中传统生成对抗网络的模型崩塌、低收敛、无法有效处理离散数据和梯度消失等问题。
2、为达到上述目的，本专利技术提供一种基于量子生成对抗网络的图像处理方法，包括以下步骤：
3、构建训练样本集，所述训练样本集中包含若干样本图像，采用角度编码的方式将所述样本图像的图像信息编码到量子态，得到图像特征量子态；
4、根据所述图像特征量子态，对搭建好的经典生成器和量子判别器进行训练，得到训练后的量子生成对抗网络；
5、利用所述量子生成对抗网络生成图像。
6、可选的，构建训练样本集的步骤进一步包括：
7、导入原始的图像数据，并进行数据增强操作。
8、可选的，所述采用角度编码的方式进一步包括：
9、将所述图像信息映射到量子态，通过多层量子门操作进行编码，得到所述图像特征量子态。
10、可选的，将所述图像信息映射到量子态，通过多层量子门操作进行编码，得到所述图像特征量子态的步骤进一步包括：
11、将所述样本图像转换为灰度图像，对每个像素的灰度值进行归一化处理；
12、提供若干量子比特，所述量子比特与所述灰度图像的像素一一对应，并将所有的量子比特初始化到基态；
13、对于每个归一化处理的灰度值，计算相应的旋转角度；
14、基于对应的旋转角度，对每个量子比特通过多层量子门操作将每个像素的灰度值转换量子态，所述图像特征量子态为所有像素对应的量子态的集合。
15、可选的，所述经典生成器采用深度卷积生成对抗网络中搭建经典生成器的方法进行搭建，并将其中的卷积层替换成转置卷积层。
16、可选的，所述根据所述图像特征量子态，对搭建好的经典生成器和量子判别器进行训练，得到训练后的量子生成对抗网络的步骤具体包括：
17、将随机产生的噪声数据输入至所述经典生成器，得到经典数据；
18、采用角度编码的方式将所述经典数据编码到量子态，得到生成量子态；
19、利用所述量子判别器对所述生成量子态和所述图像特征量子态进行判别，得到判别结果；
20、根据所述判别结果、所述经典生成器的损失函数以及所述量子判别器的损失函数，优化所述经典生成器和所述量子判别器的参数，得到训练后的量子生成对抗网络。
21、可选的，采用反向传播算法以及梯度下降法对所述经典生成器和所述量子判别器的参数进行优化。
22、基于同一技术构思，本专利技术还提供了一种基于量子生成对抗网络的图像处理系统，包括：
23、编码模块，被配置为构建训练样本集，所述训练样本集中包含若干样本图像，采用角度编码的方式将所述样本图像的图像信息编码到量子态，得到图像特征量子态；
24、训练模块，被配置为根据所述图像特征量子态，对搭建好的经典生成器和量子判别器进行训练，得到训练后的量子生成对抗网络；
25、生成模块，被配置为利用所述量子生成对抗网络生成图像。
26、可选的，所述编码模块进一步被配置为：
27、将所述样本图像转换为灰度图像，对每个像素的灰度值进行归一化处理；
28、提供若干量子比特，所述量子比特与所述灰度图像的像素一一对应，并将所有的量子比特初始化到基态；
29、对于每个归一化处理的灰度值，计算相应的旋转角度；
30、基于对应的旋转角度，对每个量子比特通过多层量子门操作将每个像素的灰度值转换量子态，所述图像特征量子态为所有像素对应的量子态的集合。
31、基于同一技术构思，本专利技术还提供了一种可读存储介质，其上存储有计算机程序，所述计算机程序被执行时能实现如上所述的基于量子生成对抗网络的图像处理方法。
32、在本专利技术提供的一种基于量子生成对抗网络的图像处理方法及系统中，至少具有以下有益效果之一：
33、1)通过采用角度编码的方式将样本图像的图像信息编码到量子态，基于得到的图像特征量子态对所述经典生成器和所述量子判别器组成的量子生成对抗网络进行训练，利用量子比特的纠缠特性、叠加特性以及量子计算的并行性等特点，解决了传统生成对抗网络的模型崩塌、低收敛、无法有效处理离散数据和梯度消失等问题，在图像生成方面达到更好的效果；
34、2)采用多层角度编码策略，通过多层量子门操作增强了量子态表示的丰富性，提高了量子态的表达能力，增强了对图像细节的捕捉，有助于生成和判别更高质量的图像；
35、3)相对于全量子生成对抗网络和量子生成器+经典判别器结构，本专利技术采用了经典生成器+量子判别器结构，所述经典生成器在生成经典样本方面具有更大的灵活性和表达能力，在处理经典数据和任务方面具有高效性，所述量子判别器专门针对量子态进行判别，对量子态的特征敏感，它可以更准确地评估生成的量子态与目标态之间的差异，从而提供更可靠的判别结果。并且，所述经典生成器在经典计算机上运行，而所述量子判别器在量子计算机上运行，使得各自的计算资源得到充分利用，从而提高整体的性能和效率；
36、4)可以显著减少cta周期，只需要一周期或较少周期的cta图像，就可以重建出多周期一样的效果。
本文档来自技高网...【技术保护点】
1.一种基于量子生成对抗网络的图像处理方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于量子生成对抗网络的图像处理方法，其特征在于，构建训练样本集的步骤进一步包括：
3.根据权利要求1所述的基于量子生成对抗网络的图像处理方法，其特征在于，所述采用角度编码的方式进一步包括：
4.根据权利要求3所述的基于量子生成对抗网络的图像处理方法，其特征在于，将所述图像信息映射到量子态，通过多层量子门操作进行编码，得到所述图像特征量子态的步骤进一步包括：
5.根据权利要求1所述的基于量子生成对抗网络的图像处理方法，其特征在于，所述经典生成器采用深度卷积生成对抗网络中搭建经典生成器的方法进行搭建，并将其中的卷积层替换成转置卷积层。
6.根据权利要求1所述的基于量子生成对抗网络的图像处理方法，其特征在于，所述根据所述图像特征量子态，对搭建好的经典生成器和量子判别器进行训练，得到训练后的量子生成对抗网络的步骤具体包括：
7.根据权利要求1所述的基于量子生成对抗网络的图像处理方法，其特征在于，采用反向传播算法以及梯度下降
8.一种基于量子生成对抗网络的图像处理系统，其特征在于，包括：
9.根据权利要求8所述的基于量子生成对抗网络的图像处理系统，其特征在于，所述编码模块进一步被配置为：
10.一种可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被执行时能实现根据权利要求1-7中任一项所述的基于量子生成对抗网络的图像处理方法。
...【技术特征摘要】
1.一种基于量子生成对抗网络的图像处理方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于量子生成对抗网络的图像处理方法，其特征在于，构建训练样本集的步骤进一步包括：
3.根据权利要求1所述的基于量子生成对抗网络的图像处理方法，其特征在于，所述采用角度编码的方式进一步包括：
4.根据权利要求3所述的基于量子生成对抗网络的图像处理方法，其特征在于，将所述图像信息映射到量子态，通过多层量子门操作进行编码，得到所述图像特征量子态的步骤进一步包括：
5.根据权利要求1所述的基于量子生成对抗网络的图像处理方法，其特征在于，所述经典生成器采用深度卷积生成对抗网络中搭建经典生成器的方法进行搭建，并将其中的卷积层替换成转置卷积层。
6.根据...
【专利技术属性】
技术研发人员：唐宇凤，杨淋，朱钦圣，苏怀峰，张献文，蒲明军，周莹，刘腊，经煜，
申请(专利权)人：绵阳市中心医院，
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。