买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：天津工业大学

摘要：本发明属于电阻抗层析成像领域，尤其涉及一种基于模型驱动的深度ADMM展开EIT成像方法。利用传感器获得边界测量电压后，利用一步正则化方法获得初始成像结果，然后该初始成像结果作为TransADMM网络的输入特征图，所述TransADMM网络包含多个迭代展开块，其中每个迭代展开块是由图像重建网络UTransNet，辅助变量更新与软阈值去噪网络RA‑Net及Lagrange乘数更新网络ConvNet组成。最终获得高分辨率成像结果。TransADMM使用相对较少的训练样本，实现了比SOTA方法优化的可视化结果和量化指标结果。

主权项：1.一种基于深度ADMM的EIT成像方法，其特征在于，利用传感器获得边界测量电压V后，利用一步正则化方法获得初始成像结果，然后该初始成像结果作为TransADMM网络的输入特征图，所述TransADMM网络包含多个迭代展开块，其中每个迭代展开块是由图像重建网络UTransNet、辅助变量更新与软阈值去噪网络RA-Net及Lagrange乘数更新网络ConvNet组成，第k次迭代计算结果包括重建图像、辅助变量更新结果和更新的Lagrange乘数，其中k＝1，2，3，......，10，对于第k+1次迭代过程，图像重建网络UTransNet的输入特征是，输出结果是，和作为辅助变量更新与软阈值去噪网络RA-Net的输入特征，输出结果是，然后和作为Lagrange乘数更新网络ConvNet的输入特征，输出结果是，当第k+1迭代结束后，将计算结果作为第k+2次迭代的输入特征，依次类推，最终获得高分辨率成像结果；所述图像重建网络UTransNet的整体模型采用对称的编码-解码U形结构实现迭代成像的特征提取与特征重构运算，输入特征通过编码器提取隐含特征，并通过解码器重建特征，图像重建网络UTransNet的编码器包含多个特征提取功能块，每个特征提取功能块由卷积通道扩增模块、空间自注意力机制与通道自注意力机制并行模块及卷积特征通道调整模块组成，两个相邻的特征提取功能块之间使用平均池化运算来实现下采样过程，对称地，图像重建网络UTransNet的解码器包含多个特征恢复模块，每个特征恢复模块由上采样运算模块及混合自注意力机制组成；所述辅助变量更新与软阈值去噪网络RA-Net将前次辅助变量更新模块的计算结果作为输入，使用3×3卷积运算捕获重建图像中的高频特征分量，其中，高频特征分量对应于图像中的边界形状特征与噪声扰动，然后，将高频特征分量经过绝对值处理和全局平均池化构建通道层级潜在特征，使用全连接神经网络学习通道层级的噪声特征，由全连接神经网络获得的噪声特征使用Sigmoid函数来限制尺度因子被约束在[0，1]之间，最后，将学习得到的软阈值因子作用于高频特征中来保留边界信息同时抑制噪声扰动，根据计算过程，构建当前迭代计算的重建图像与前次计算的辅助变量的残差作用在更新后的辅助变量，最后获得更新的辅助变量与去噪结果；所述Lagrange乘数更新网络ConvNet的输入是辅助变量更新与软阈值去噪网络RA-Net及前次Lagrange乘数更新网络ConvNet的作差后的计算结果，作为1×1卷积模块的输入，并和前次的Lagrange乘数相加作为当次迭代更新的Lagrange乘数。

全文数据：

权利要求：

百度查询： 天津工业大学 基于模型驱动的深度ADMM展开EIT成像方法