1.基于U-Net网络的计算鬼成像重建恢复的方法,其特征在于,具体操作过程包括如下步骤:步骤1,获取计算鬼成像得到的MNSIT数据集相对应的基于Hadamard矩阵的鬼成像数据集;
步骤2,构建U-Net网络模型,将步骤1得到的数据分为训练集、测试集和验证集,通过训练集数据训练U-Net网络模型中的参数;
步骤3,通过测试集数据训练U-Net网络模型中的超参数;
步骤4,通过验证集验证训练好的U-Net网络模型并输出结果,实现计算鬼成像重建。
2.如权利要求1所述的基于U-Net网络的计算鬼成像重建恢复的方法,其特征在于,所述步骤1的具体过程如下:通过现有生成鬼成像图像的仪器得到鬼成像图像记为O(x,y),如式(2)所示:O(x,y)=<δSδIr(x,y)> (2)其中,<·>为系综平均;
其中,Br通过桶探测器得出;
其中, 是Rr的共轭函数;
其中,z表示光的传播距离,λ是激光的波长,Er是SLM的复振幅;
其中,E(in)是射入SLM的复振幅; 是随机相位掩模,随机相位掩模由随机Hadamard矩阵生成,则鬼成像的最终结果由式(7)表示:
3.如权利要求1所述的基于U-Net网络的计算鬼成像重建恢复的方法,其特征在于,所述步骤2的具体过程如下:步骤2.1,构建U-Net网络模型,并初始化网络中的所有参数,将步骤1中的训练集数据作为输入通过给定参数的卷积层,再进行实例正则化层,最后通过激活函数层输出;
步骤2.2,定义损失函数,通过比较损失函数将步骤2.1的输出结果与训练集数据的原始图像,根据损失函数对网络进行反向传播,保持网络中的超参数不变对网络中的参数进行训练,直至损失函数稳定,则U-Net网络模型训练完成,否则重复执行步骤2.1和步骤2.2。
4.如权利要求3所述的基于U-Net网络的计算鬼成像重建恢复的方法,其特征在于,所述步骤2.1中实例正则化的公式如式(8)所示:其中,γ和β都是超参数,μ(x)为图像x的均值,σ(x)为图像x的方差。
5.如权利要求3所述的基于U-Net网络的计算鬼成像重建恢复的方法,其特征在于,所述步骤2.1中,最后一个卷积模块的激活函数层为sigmoid激活函数,其他卷积模块的激活函数层为relu激活函数。
6.如权利要求3所述的基于U-Net网络的计算鬼成像重建恢复的方法,其特征在于,所述步骤2.1中构建U-Net网络模型的具体过程如下:步骤2.1.1,将训练集数据作为输入,进行5个卷积模块的操作,其中卷积核的大小为9*
9,步长为1,特征层为64,并将经过最后一个卷积模块的输出保存;
步骤2.1.2,对步骤2.1.1的输出结果运用最大池化操作进行池化;
步骤2.1.3,对步骤2.1.2的输出结果进行5个卷积模块的操作,其中卷积核的大小为7*
7,步长为1,特征层为128,并将经过最后一个卷积模块的输出保存;
步骤2.1.4,将上述输出结果重复步骤2.1.2的操作并输出,对其输出进行5个卷积模块的操作,其中卷积核的大小为5*5,步长为1,特征层为256,对其输出的输出运用反卷积操作进行上采样;
步骤2.1.5,将步骤2.1.3的输出结果与步骤2.1.4的上采样结果运用concat操作连接起来,并对其进行5个卷积模块的操作,其中卷积核的大小为7*7,步长为1,特征层为128,对其出输出再进行一次上采样;
步骤2.1.6,将步骤2.1.1的输出结果与步骤2.1.5的上采样结果用concat操作连接起来,执行步骤2.1.1的过程并输出,将输出结果进行1个卷积模块的操作,其中卷积核的大小为1*1,步长为1,特征层为1,得到网络的输出结果,网络模型训练完成。
7.如权利要求3所述的基于U-Net网络的计算鬼成像重建恢复的方法,其特征在于,所述步骤2.2中的损失函数如式(9)所示:其中,n为图像的大小,i为图像对应的像素位置,yi为通过网络得到的图像中像素为i的位置,y′i为训练集中的原始图像中像素为i的位置。
8.如权利要求6所述的基于U-Net网络的计算鬼成像重建恢复的方法,其特征在于,所述步骤3的具体过程如下:步骤3.1,将验证集中的数据输入到网络中,执行步骤2.1。
步骤3.2,通过比较损失函数将步骤2.1的输出结果与训练集数据的原始图像,根据损失函数对网络进行反向传播,保持网络中的参数不变对网络中的超参数进行训练,直至损失函数稳定,则U-Net网络模型训练完成,否则重复执行步骤3.1和步骤3.2。
9.如权利要求6所述的基于U-Net网络的计算鬼成像重建恢复的方法,其特征在于,所述步骤4的具体过程如下:将需要处理的图像输入到训练好的网络中,重复步骤2.1.1至步骤2.1.6的操作,比较网络的输出结果和测试集中的原始图像,计算损失函数,进行网络反向传播,直至损失函数保持稳定,输出结果即为计算鬼成像图像重建。