【技术实现步骤摘要】
本专利技术涉及电磁计算领域，尤其涉及电磁逆散射成像方法。
技术介绍
1、非线性逆散射成像(nonlinear electromagnetic inverse scatteringimaging)是一种利用电磁波与物质相互作用的复杂非线性关系进行图像重建的技术，该技术首先是在目标区域周围布置多个天线，当发射天线发射的电磁波照射到目标区域时，目标区域内的散射体会产生散射场，接收天线会捕捉到散射场的数据，并建立散射场与目标区域内介质分布之间的函数关系，然后利用逆散射算法计算出目标区域内的介电常数、导电率等参数，进而使用这些参数重建散射体的图像，显示其位置、形状和材料特性，最终通过迭代优化或深度学习技术，提高成像精度和分辨率。
2、与传统的层析成像理论相比，非线性逆散射成像不仅能够在更复杂的介质中提供更高的分辨率，而且对物体内部的非线性特性和多重散射效应更为敏感，能够呈现出传统成像技术难以捕捉的细节，因此有着非常广阔的应用场景，例如：早期肿瘤检测和癌症诊断；复合材料微小裂纹、气孔等缺陷的无损检测等。
3、然而，电磁逆散射问题的非线性使得散射信号与散射体之间的关系难以解析，病态性意味着方程的解对观测数据的微小变化非常敏感，大量的高维数值计算和迭代优化，需要强大的计算能力和高效的算法来处理。这些因素综合起来，使得电磁逆散射成像在实际应用中面临巨大挑战，需要开发更有效的算法来提高成像精度和效率。
4、对于非线性逆散射成像问题的定量分析关键在于解决逆问题求解的唯一性、稳定性和非线性，传统的算法对这些问题的求解
5、波恩近似法(ba)适用于当散射体的介电常数与背景介质相近且散射体尺寸与波长同量级或者远小于波长的情况，将散射场的二次效应忽略，仅考虑一次散射，总场近似等于入射场；
6、利托夫近似法(ra)适用于当散射体的介电常数与背景介质相近的情况，在一定程度上考虑了散射场的影响，通过对积分方程进行特定变换，进一步线性化逆散射问题，适用于比波恩近似法(ba)稍强的散射情况；
7、扩展波恩近似法(eba)是在波恩近似法(ba)的基础上进一步改进，通过包括二次甚至更高次的散射效应来修正一次近似，使得其在处理较强散射时表现更好；反向传播法(bp)假设感应电流与散射场呈线性关系，推导出总场和散射体相对介电常数的分布。
8、这些非迭代方法有一个共同的弱点就是只适用于当散射体的介电常数与背景介质相近(散射体较弱)的情况，由于忽略了高阶散射效应，非迭代方法在反演复杂结构时精度较低，无法准确重建物体的细节和高对比度区域，并且对噪声和测量误差较为敏感，容易受到不准确数据的影响，导致反演结果不稳定。
9、波恩迭代法(bim)基于波恩近似法(ba)，初始步骤中忽略高阶散射效应，仅考虑一次散射，然后在初始估计得到的散射场基础上，通过反复迭代，逐步修正散射体的相对介电常数分布，考虑更多的散射效应，扩大波恩近似法(ba)的使用范围，但是对于强散射体或多重散射效应明显的情况，精度和收敛性依旧较差。
10、基于子空间优化算法(som) 通过在一个低维子空间中进行优化，逐步逼近最优解，它首先在全局范围内进行粗略搜索，确定一个大致的解，然后在低维子空间内精确优化，减少了计算量和提高了收敛速度，这种方法适用于高维度和复杂散射问题，尤其在先验信息有限的情况下，但是对初始估计依赖较大，可能会陷入局部最优解。
11、对比源反演法(csi)将复杂的非线性问题转化为对比源的线性反演，从而在迭代中不断更新对比源和介电常数分布，这种方法具有较强的鲁棒性，能够处理强散射和多重散射效应，反演结果稳定可靠。
12、可以看出，上述迭代方法相比于非迭代方法应用场景更加广泛，成像精度显著提高，但是都需要消耗较多的计算资源和时间。
技术实现思路
1、本专利技术的目的在于避免现有技术的不足提供一种能够消除成像出现的“伪影”现象，且有效提升弱散射体成像精度的基于seru-net模型的电磁逆散射成像方法，本专利技术提出的seru-net模型是基于u-net模型进行设计；se代表加入的注意力机制(squeeze-and-excitation block)；r代表加入的残差（residual）结构。
2、为实现上述目的，本专利技术采取的技术方案为：一种基于seru-net模型的电磁逆散射成像方法，包括以下步骤：
3、步骤一、使用ni个发射天线和nr个接收天线获取成像区域的实际目标散射场数据，实际目标散射场数据为nr×ni的矩阵，然后利用反向传播算法获取实际目标初始像，其中，nr≥ni且ni、nr取正整数；
4、步骤二、基于mnist手写数字图片集，生成成像区域的虚拟目标，并基于矩量法计算虚拟目标散射场，得到nr个接收天线所在位置的散射场数据，构成维度为nr×ni的虚拟目标散射场数据矩阵，然后利用反向传播算法得到虚拟目标初始像；
5、步骤三、基于虚拟散射场数据矩阵，以所述虚拟目标作为seru-net模型的标签值，所述虚拟目标初始像作为seru-net模型的输入值，构建基于seru-net模型的电磁成像预测模型；
6、步骤四、将所述实际目标初始像输入到电磁成像预测模型中，得到实际目标预测成像结果。
7、进一步的，所述的步骤一包括：
8、以成像区域的中心点为圆心，在半径为r的圆上均匀布置ni个发射天线和nr个接收天线，ni个发射天线依次发射横磁波，实际目标散射场数据均被nr个接收天线所收集，得到nr×ni的散射场数据矩阵，从而使用反向传播算法获得了像素数为m×m的实际目标的初始像，其中m≥16。
9、进一步的，所述的步骤二包括：
10、首先，从mnist手写数字图片集中随机抽取至少400张mnist手写数字图片，利用插值算法，将mnist手写数字图片离散为像素数为m×m的图片，m≥16，提取每张图片的灰度值，并将像素值通过线性变换，转换为像素值范围为[1,5]的图片，将像素值范围为[1,5]的图片等效于范围为[1,5]虚拟目标相对介电常数分布图，则像素值范围为[1,5]的图片即为所述的虚拟目标；
11、然后，模拟ni个发射天线依次发射横磁波，并基于矩量法计算虚拟目标散射场，得到nr个接收天线所在位置的散射场数据，构成维度为nr×ni的虚拟散射场数据矩阵；
12、最后，利用反向传播算法得到像素数为m×m的虚拟目标初始像，m≥16。
13、进一步的，所述的步骤三中建立的电磁成像预测模型的神经网络是由输入层、编码器、解码器和输出层组成；
14、所述编码器包括多个卷积块，每个卷积块包含一个3×3的卷积层、批量归一化和relu激活函本文档来自技高网...
【技术保护点】
1.一种基于SERU-Net模型的电磁逆散射成像方法，其特征在于，包括以下步骤：
2.如权利要求1所述的基于SERU-Net模型的电磁逆散射成像方法，其特征在于，所述的步骤一包括：
3.如权利要求1所述的基于SERU-Net模型的电磁逆散射成像方法，其特征在于，所述的步骤二包括：
4.如权利要求1所述的基于SERU-Net模型的电磁逆散射成像方法，其特征在于，所述的步骤三中建立的电磁成像预测模型的神经网络是由输入层、编码器、解码器和输出层组成；
5.如权利要求4所述的基于SERU-Net模型的电磁逆散射成像方法，其特征在于，所述电磁成像预测模型中还包括：
6.如权利要求5所述的基于SERU-Net模型的电磁逆散射成像方法，其特征在于，所述的残差连接包括主路径和捷径路径，
7.如权利要求4所述的基于SERU-Net模型的电磁逆散射成像方法，其特征在于，所述的代价函数为：
8.如权利要求1-7任一项所述的基于SERU-Net模型的电磁逆散射成像方法，其特征在于，所述的步骤四得到的实际目标预测成像结果为
...【技术特征摘要】
1.一种基于seru-net模型的电磁逆散射成像方法，其特征在于，包括以下步骤：
2.如权利要求1所述的基于seru-net模型的电磁逆散射成像方法，其特征在于，所述的步骤一包括：
3.如权利要求1所述的基于seru-net模型的电磁逆散射成像方法，其特征在于，所述的步骤二包括：
4.如权利要求1所述的基于seru-net模型的电磁逆散射成像方法，其特征在于，所述的步骤三中建立的电磁成像预测模型的神经网络是由输入层、编码器、解码器和输出层组成；
5.如权利...
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。