论文部分内容阅读
电阻抗层析成像(Electrical impedance tomography,简称EIT)技术是一种新型的功能成像技术,其通过测量物体表面的电信息,重建出物体内部电导率分布的图像。由于该技术具有无辐射性、非侵入性,响应快速、成本低廉等优点,在医学成像和工业检测等领域中具有广阔的应用前景。EIT图像重建是一个典型的非线性、病态逆问题。目前大多数重建算法将EIT逆问题进行了线性近似,但线性化的过程中丢失了很多重要的信息,导致重建的图像质量不高,且图像中存在大量的伪影。而现有的人工神经网络的方法虽然有效的解决了非线性求解问题,但在训练过程中容易过拟合,对于复杂非线性函数的学习能力有限,从而重建图像的精度不高。本文针对目前的图像重建算法中存在的问题,提出基于深度神经网络模型的EIT图像重建算法,利用深度神经网络高度逼近复杂非线性函数的能力,建立边界电压值与电导率分布的非线性映射关系,实现EIT图像重建。本文主要研究内容如下:1.采用堆栈式稀疏自编码器结合逻辑回归模型构建用于EIT图像重建的深度神经网络模型。通过该网络模型建立边界电压值与电导率分布之间的非线性映射关系,实现图像重建,并分别进行了仿真分析与实验验证。2.通过构建大数据样本,以物体的几何形状作为先验信息,训练深度神经网络模型。为了提高网络模型的性能,对网络参数进行优化,以得到吏好的图像重建结果。3.建立实验数据与仿真数据映射关系模型,对实验数据进行预处理,利用仿真数据训练好的深度神经网络模型实现实验模型EIT图像重建,解决了实际模型中用于训练深度神经网络模型的样本数少的问题。通过仿真实验和系统实验验证了本文算法的有效性。实验结果表明,相对于非智能重建算法中的共轭梯度法和智能重建算法中的BP神经网络的方法,本文提出基于深度神经网络模型的方法重建出的EIT图像伪影较少,图像质量较高,并能够准确反映出物场内目标物体的形状边缘及大小。