基于复合深度学习的EMIS重建方法及系统与流程

本发明涉及雷达图像检测识别及人工智能算法领域，具体涉及基于复合深度学习的emis重建方法及系统。

背景技术：

1、在电磁逆散射问题(emis)的传统解决方法中，主要采用了迭代计算方法，如born迭代法和rytov近似。例如公布号为cn105677937a的现有发明专利申请文献《一种电磁逆散射重构介质目标的方法》利用麦克斯韦方程组与本构方程推导出正向与逆向电磁散射积分方程；猜测被测物体的形状，将积分方程利用方法进行离散化得到矩阵方程；在离散化后的逆向散射方程中，利用高斯-牛顿最小化方法将病态方程正则化，其中用到的正则化参数由乘性正则化方法获取；采用born迭代方法进行迭代，达到所需精度后，得到所测物体介质的波数，从而实现重构介质目标。以及公布号为cn115018943a的现有发明专利申请文献《一种基于无训练的深度级联网络的电磁逆散射成像方法》，前述现有方法包括：1数据准备阶段，根据测量到的散射场，获得输入数据；2网络结构搭建阶段，模拟基于子空间优化迭代算法的过程，设计深度级联网络结构；3损失函数设计，在目标函数中使用不包含参考真实值的待求散射体的数据损失与状态损失外，增加若干其他包含先验信息的已知散射体的总电流损失和介电常数损失，作为正则化项以提高重建质量；4通过迭代优化深度级联网络，对单个待求的散射体进行建模，得到单个待求的散射体的重建结果。前述现有技术中采用的born迭代法适用于处理低对比度情况，它基于一阶散射近似，但在高对比度情况下，由于多次散射效应，其准确性大幅降低。相较之下，rytov近似适用于稍高对比度的场景，通过对波动方程的对数变换来处理相位延迟和振幅变化，但它同样受限于对比度和多次散射效应。这些传统方法在高对比度或强散射环境下性能不佳，且在处理复杂或大尺寸数据集时需要大量的计算资源和时间。随着深度学习技术的发展，基于深度学习的新方法为处理高对比度、复杂散射环境下的emis问题提供了新的可能性。

2、现有技术的缺点：

3、在电磁逆散射问题(emis)的研究领域中，尽管传统方法如born迭代法和rytov近似在某些情况下有效，但它们在处理高对比度和强散射环境时面临明显的技术挑战：

4、高对比度问题：在高对比度的场景中，物体的介电常数或电导率与周围环境的差异很大。传统方法在这种情况下往往不能准确重建物体属性，因为它们基于的线性近似或单次散射假设不再有效。

5、多次散射效应：在强散射环境中，电磁波在到达接收器之前可能会在多个物体表面多次反射和折射。传统方法通常无法有效处理这种多次散射，从而导致重建图像的精度和分辨率下降。

6、计算效率和资源消耗：传统的迭代方法通常需要大量的计算时间和资源，特别是当处理大尺寸的数据集或需要高分辨率重建时。这不仅增加了时间成本，也限制了这些方法在实时或大规模应用中的可行性。

7、泛化能力有限：传统方法在不同类型的数据集或不同的物理场景中可能需要调整参数或算法，显示出有限的泛化能力。这意味着它们在新的或变化的应用场景中可能不那么有效。

8、综上，现有技术存在高对比度和强散射环境下的重建精度较低、算法的泛化能力较差、计算效率低成本高以及多次散射效应的技术问题。

技术实现思路

1、本发明所要解决的技术问题在于：如何解决现有技术中高对比度和强散射环境下的重建精度较低、算法的泛化能力较差、计算效率低成本高以及多次散射效应的技术问题。

2、本发明是采用以下技术方案解决上述技术问题的：基于复合深度学习的emis重建方法包括：

3、s1、采集并输入电磁波散射数据，据以构建电磁逆散射问题积分方程；

4、s2、利用复值卷积神经网络cvcnns，根据电磁逆散射问题积分方程处理得到对比对图像，利用深度残差卷积神经网络drcnns进行残差学习，以优化对比度图像，以得到第一对比度恢复图像；

5、s3、利用深度残差卷积神经网络drcnns，对第一对比度恢复图像进行再优化操作，以完成特征融合操作，得到第二对比度优化图像。

6、本发明融合了复值卷积神经网络(cvcnns)和深度残差卷积神经网络(drcnns)，通过复值卷积神经网络(cvcnns)处理复数数据，能够有效捕捉散射数据的振幅和相位信息，为对比度图像的初步重建提供了准确的基础；本发明利用深度残差卷积神经网络(drcnns)进一步优化初步对比度图像，利用其残差学习机制提高了重建图像的细节和准确性，适用于高对比度和复杂散射场景中，网络输出最终的优化对比度图像，提供更准确和详细的结果，提高了电磁逆散射问题重建的精确度。本发明提高电磁波散射数据处理的准确性和效率，在电磁逆散射重建应用场景下，相较于传统技术具有显著优势。

7、在更具体的技术方案中，步骤s1中，电磁波散射数据包括：散射波的振幅以及相位信息。

8、在更具体的技术方案中，步骤s1中，利用下述逻辑，构建得到电磁逆散射问题积分方程：

9、escattered(r)＝∫vg(r,r′)·χ(r′)·eincident(r′)dr′

10、式中，escattered(r)是在位置r的散射场，g(r,r′)是格林函数，表示位置r′的源对位置r的影响，χ(r′)是散射体的电磁特性，eincident(r′)是入射场，v是散射体的体积。

11、在更具体的技术方案中，步骤s2包括：

12、s21、对电磁波散射数据进行标注化、噪声去除操作，以得到复数输入数据；

13、s22、利用复值卷积神经网络cvcnns接收并处理复数输入数据中的振幅信息、相位信息；

14、s23、利用深度残差卷积神经网络drcnns，进行多层卷积操作，以提取电磁波散射特征；

15、s24、根据电磁波散射特征生成第一对比度恢复图像。

16、本发明采用深度残差卷积神经网络drcnns对cvcnns输出的初步对比度图像进行优化。本发明利用drcnns进行残差学习，允许网络专注于学习输入与输出之间的微小差异，适用于细化和增强对比度图像，同时，本发明利用cvcnns针对电磁散射数据的复数特性，能够同时处理振幅和相位信息，提高了最终重建图像的准确性和质量。

17、在更具体的技术方案中，步骤s21中，利用下述逻辑将电磁波散射数据转换为复数输入数据xcomplex：

18、xcomplex＝xamplitude+i·xphase

19、式中，xamplitude和xphase分别是振幅和相位数据。

20、在更具体的技术方案中，步骤s22中，利用下述逻辑，同时处理振幅信息、相位信息：

21、z＝f(w·xcomplex+b）

22、式中，z是网络输出，w是权重，b是偏置，f是激活函数，xcomplex是复数输入。

23、在更具体的技术方案中，步骤s23中，利用下述逻辑，多层卷积操作中的每层卷积：

24、

25、式中，fij是特征图上的点，σ是激活函数，kmn是卷积核，x(i+m)(j+n)是输入数据，b是偏置，m和n：这两个参数代表卷积核kmn在图像数据x(i+m)(j+n)上的位置偏移，在卷积操作中，卷积核沿着输入图像的高度(m方向)和宽度(n方向)滑动，以计算特征图fij上的每个点。

26、在更具体的技术方案中，步骤s3包括：

27、s31、接收第一对比度恢复图像，利用深度残差卷积神经网络drcnns对第一对比度恢复图像，进行对比度再优化操作；

28、s32、利用深度残差卷积神经网络drcnns进行残差学习；

29、s33、利用深度残差卷积神经网络drcnns进行深度学习，以对第一对比度恢复图像，进行对比度细化、优化操作，据以获取第二对比度优化图像。

30、本发明通过利用drcnns进行深度学习，对初始对比度图像进行细化和优化，使用更多层和残差连接来增强特征提取和修正能力。drcnns通过残差学习深化对复杂特征的识别和优化，尤其在高对比度和复杂散射场景中表现更好。

31、本发明将cvcnns的初步特征提取能力与drcnns的深层特征优化优势相结合，显著提升了电磁逆散射问题的处理效率和重建精度。这种融合策略不仅加快了处理速度，降低了计算成本，还增强了模型在处理不同类型和复杂度散射数据时的泛化能力，使其在多种应用场景下均表现出色。

32、在更具体的技术方案中，步骤s32中，利用下述逻辑进行残差学习：

33、rl＝hl(xl)-xl

34、式中，rl是第ι层的残差，hl(xl)是第ι层的输出，xl是输入。

35、在更具体的技术方案中，基于复合深度学习的emis重建系统包括：

36、电磁逆散射问题积分方程构建模块，用以采集并输入电磁波散射数据，据以构建电磁逆散射问题积分方程；

37、第一对比度恢复模块，用以利用复值卷积神经网络cvcnns，根据电磁逆散射问题积分方程处理得到对比对图像，利用深度残差卷积神经网络drcnns进行残差学习，以优化对比度图像，以得到第一对比度恢复图像，第一对比度恢复模块与电磁逆散射问题积分方程构建模块连接；

38、第二对比度恢复模块，用以利用深度残差卷积神经网络drcnns，对第一对比度恢复图像进行再优化操作，以完成特征融合操作，得到第二对比度优化图像，第二对比度恢复模块与第一对比度恢复模块连接。

39、本发明相比现有技术具有以下优点：

40、本发明融合了复值卷积神经网络(cvcnns)和深度残差卷积神经网络(drcnns)，通过复值卷积神经网络(cvcnns)处理复数数据，能够有效捕捉散射数据的振幅和相位信息，为对比度图像的初步重建提供了准确的基础；本发明利用深度残差卷积神经网络(drcnns)进一步优化初步对比度图像，利用其残差学习机制提高了重建图像的细节和准确性，适用于高对比度和复杂散射场景中，网络输出最终的优化对比度图像，提供更准确和详细的结果，提高了电磁逆散射问题重建的精确度。本发明提高电磁波散射数据处理的准确性和效率，在电磁逆散射重建应用场景下，相较于传统技术具有显著优势。

41、本发明采用深度残差卷积神经网络drcnns对cvcnns输出的初步对比度图像进行优化。本发明利用drcnns进行残差学习，允许网络专注于学习输入与输出之间的微小差异，适用于细化和增强对比度图像，同时，本发明利用cvcnns针对电磁散射数据的复数特性，能够同时处理振幅和相位信息，提高了最终重建图像的准确性和质量。

42、本发明通过利用drcnns进行深度学习，对初始对比度图像进行细化和优化，使用更多层和残差连接来增强特征提取和修正能力。drcnns通过残差学习深化对复杂特征的识别和优化，尤其在高对比度和复杂散射场景中表现更好。

43、本发明将cvcnns的初步特征提取能力与drcnns的深层特征优化优势相结合，显著提升了电磁逆散射问题的处理效率和重建精度。这种融合策略不仅加快了处理速度，降低了计算成本，还增强了模型在处理不同类型和复杂度散射数据时的泛化能力，使其在多种应用场景下均表现出色。

44、本发明解决了现有技术中存在的高对比度和强散射环境下的重建精度较低、算法的泛化能力较差、计算效率低成本高以及多次散射效应的技术问题。