申请/专利权人：中国科学院沈阳自动化研究所

申请日：2021-10-21

公开（公告）日：2024-04-19

公开（公告）号：CN114037609B

主分类号：G06T3/4046

分类号：G06T3/4046;G06T3/4076

优先权：

专利状态码：有效-授权

法律状态：2024.04.19#授权;2022.03.01#实质审查的生效;2022.02.11#公开

摘要：本发明提出一种基于学习太赫兹成像逆过程的太赫兹图像超分辨算法，直接学习一对从参考的高分辨率图像到太赫兹图像的映射关系，通过复数域神经网络建立成像系统降质的逆过程模型。将这一模型应用于太赫兹图像实现超分辨，从而由得到的映射关系将输入的低分辨太赫兹图像恢复到高分辨图像。本发明不依赖于数据集，解决了太赫兹成像速度限制的数据集获取困难的问题；有效减少了点扩展函数本身误差对超分辨结果的影响；提高了太赫兹成像过程中的多种不确定影响条件中的自适应能力，能够更精确地建立太赫兹图像与高分辨率图像之间映射关系；进一步地，由于不需要训练大量的数据，时间成本得到显著的降低；相对于基于数据集的神经网络方法在提高太赫兹系统的成像分辨率方面得到了更好的效果，能够有效提升太赫兹成像系统的性能。

主权项：1.一种基于学习太赫兹成像逆过程的太赫兹图像超分辨算法，其特征在于，包括以下步骤：S1、测量一个参考的低分辨率太赫兹图像并设置与之对应的目标高分辨率图像；所述测量的用于参考的太赫兹图像为LRtrainai+jbi；设置的与其相对应的高分辨率图像为groundtruthtrainai+jbi；所述的算法对于反射式或透射式、近场或远场太赫兹成像系统均适用，且能够同时测量成像数据的幅值和相位信息得到太赫兹图像；所述低分辨率太赫兹图像来源于实际测量的太赫兹图像，适用于不同尺度的图像；S2、构建一个轻量级的复数域神经网络模型；所述的轻量级复数域神经网络模型，包括依次连接的复数域输入层、复数域卷积层、复数域激活层、复数域输出层；S3、利用构建的复数域神经网络模型学习参考的低分辨率太赫兹图像与对应的目标高分辨率图像之间的映射关系，得到太赫兹成像系统的超分辨模型；所述学习参考的低分辨率太赫兹图像与对应的目标高分辨率图像之间的映射关系，包括：通过轻量级复数域神经网络模型学习低分辨太赫兹图像LRtrainai+jbi与高分辨图像groundtruthtrainai+jbi之间的映射关系，建立太赫兹成像系统的逆过程模型；得到太赫兹成像系统的超分辨模型：groundtruthtrainai+jbi＝COSSRLRtrainai+jbi，其中COSSR·表示得到的映射关系模型；S4、将实际测量的太赫兹图像输入太赫兹成像系统的超分辨模型中，获取对应的超分辨率的图像；所述获取对应的超分辨率的图像，包括：通过得到的COSSR·模型重建测量的低分辨率的太赫兹图像LRtestai+jbi的超分辨图像SRtestai+jbi：SRtestai+jbi＝COSSRLRtestai+jbi。

全文数据：

权利要求：

百度查询： 中国科学院沈阳自动化研究所 一种基于学习太赫兹成像逆过程的太赫兹图像超分辨算法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD