(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110696117.8 (22)申请日 2021.06.23 (65)同一申请的已公布的文献号 申请公布号 CN 113378472 A (43)申请公布日 2021.09.10 (73)专利权人 合肥工业大 学 地址 230009 安徽省合肥市包河区屯溪路 193号 (72)发明人 宋仁成　黄优优　成娟　李畅　 刘羽　陈勋　 (74)专利代理 机构 安徽省合肥新 安专利代理有 限责任公司 34101 专利代理师 陆丽莉　何梅生 (51)Int.Cl. G06F 30/27(2020.01) G06F 17/16(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 111/10(2020.01) (56)对比文件 CN 111999731 A,2020.1 1.27 CN 111610374 A,2020.09.01 CN 111609787 A,2020.09.01CN 111507047 A,2020.08.07 CN 111077523 A,2020.04.28 US 2004085536 A1,2004.05.06 WO 02059580 A1,20 02.08.01 US 20210 03699 A1,2021.01.07 WO 2021017372 A1,2021.02.04 花少炎 等.基 于压缩感知的超 声逆散射成 像研究. 《北京生物医学工程》 .2015,第34卷(第 01期), 李亚丹.基 于物理模型驱动深度网络的电磁 场逆散射成像. 《中国优秀硕士学位 论文全文数 据库 (基础科 学辑)》 .2021,第2021年卷(第01 期), I.T. Rekan os.Neural-netw ork-based inverse-scat tering technique for o nline microwave medical ima ging. 《IEEE Transacti ons on Magnetics》 .20 02,第38卷(第 2期), Zhenchao Ma 等.Learn ing-Based Fast Electroma gnetic Scat tering Solver Through Generative Adversarial Netw ork. 《IEEE Transacti ons on Antennas and Propagation》 .2021,第69卷(第04期), 审查员 吴单单 (54)发明名称 一种基于生成对抗网络的混合边界电磁逆 散射成像方法 (57)摘要 本发明公开了一种基于生成对抗网络的混 合边界电磁逆散射成像方法， 其步骤包括： 1数据 准备阶段， 根据测量到的散射场， 使用T ‑矩阵方 法进行统一 建模， 利用反向传播法BP快速生成低 分辨率的散射体图像； 2网络 结构搭建阶段， 采用 生成对抗网络架构， 同时在生 成器中添加注意力 机制模块； 3设计损失函数， 建立生成对抗网络的 优化目标； 4通过训练生成对抗网络， 进行混合边 界T‑矩阵系数的重建。 本发明将生成对抗网络结合T‑矩阵方法应用到混合边界电磁逆散射成像 中， 在生成器中添加注意力机制模块， 同时针对 PEC和介电散射体T ‑矩阵系数不平衡问题提出了 一种数据平衡策略， 从而实现快速高精度的混合 边界电磁逆散射成像 。 权利要求书2页 说明书7页 附图3页 CN 113378472 B 2022.09.13 CN 113378472 B 1.一种基于生成对抗网络的混合边界电磁逆散射成像方法， 其特征在于， 包括以下步 骤： 步骤一、 数据处 理； 步骤1.1、 定义M ×M的网格， 在所述网格中设置有不同物理性质的混合边界散射体， 并 采用T‑矩阵法计算所述网格内的散射场； 所述混合边界散射体包括： 完美电导体和介电散 射体； 步骤1.2、 使用T ‑矩阵方法对所述混合边界散射体进行统一建模， 得到完美电导体和介 电散射体分别对应的真实的T ‑矩阵系数； 步骤1.3、 根据所述散射场， 利用反向传播 法生成低分辨率混合边界散射体图像集合{xi |i＝1,2,…,N}； xi表示第i张低分辨 率的输入图像， N表示 一个批量中的图片数量； 步骤1.4、 对标签图像中完美电导体所对应的真实的T ‑矩阵系数进行缩放， 使得与介电 散射体所对应的真实的T ‑矩阵系数处在同一个数量级上； 步骤二、 生成对抗网络的结构搭建； 步骤2.1、 构建空间注意力模块AG； 所述空间注意力模块AG包括两个支路， 一个为线性变换Wg支路， 另一个为线性变换Wx支 路； 两个支路的输出通过加法器依次与ReLU激活函数、 线性变换 ψ模块、 Sigmoid激活函数相 连； 且所述Sigmoid激活函数的输出通过乘法器与空间注 意力模块AG的输入相连， 所述线性 变换Wg、 Wx和 ψ均是对输入张量按通道进行 卷积核为q ×q×q的卷积计算； 步骤2.2、 构建生成器Gθ； 设置所述 生成器Gθ的结构是由解码部分、 编码部分和空间注意力模块AG构成； 所述编码部分是以一个卷积模块和一个最大池化层为一组而构成的a组结构， 所述卷 积模块是由一对卷积核大小为 n×n的卷积层、 批标准 化层和ReLU激活函数组成； 所述解码部分是以一个卷积核大小为p ×p的反卷积层和一个所述卷积模块而构 成的a 组结构； 步骤2.3、 搭建生成器Gθ； 步骤2.3.1、 定义变量b， 并初始化b＝1； 步骤2.3.2、 将所述生成器Gθ的第b个卷积模块的输出与所述空间注意力模块AG相连， 并 将所述空间注 意力模块AG的输出与第a ‑b+1个反卷积层的输出串联， 所述第a ‑b+1个反卷积 层的输出与第2a+2 ‑b个卷积模块的输入相连， 其中， b∈[1,a]； 步骤2.3.3、 将b+1赋值给b， 并判断b>a是否成立， 若成立， 则执行步骤2.3.4； 否则， 返 回 步骤2.3.2； 步骤2.3.4、 在所述生成器Gθ的第2a+1个 卷积模块后添加一个 卷积核大小为q ×q的卷积 层； 步骤2.3.5、 将所述低分辨率混合边界散射体图像集合{xi|i＝1,2,…,N}输入所述生成 器Gθ中， 从而输出近似真实的重建图像集 合{Gθ(xi)|i＝1,2,…,N}； 步骤2.4、 搭建判别器Dφ； 所述判别器Dφ采用卷积神经网络， 且所述判别器Dφ由c个卷积层依次串联而成， 以所述 低分辨率混合边界散射体图像 集合{xi|i＝1,2, …,N}作为一个条件， 并与重建图像 集合{Gθ (xi)|i＝1,2, …,N}配对或者与真实的目标图像集合{yi|i＝1,2, …,N}配对后 输入所述判权　利　要　求　书 1/2 页 2 CN 113378472 B 2别器Dφ中， 输出特征判 别矩阵， 其中， yi表示目标图像 集合{yi|i＝1,2, …,N}中对应的第i张 目标图像； 所述特征判 别矩阵中的每 一个判别值表示 所述判别器Dφ对重建图像 集合{Gθ(xi) |i＝1,2,…,N}或者真实的目标图像集 合{yi|i＝1,2,…,N}的特征级别的判断结果； 步骤三、 设计损失函数， 建立 生成对抗网络的优化目标； 步骤3.1、 利用式(1)设计生成器Gθ的目标损失函数LG： LG＝α L1+LA                                   (1) 式(1)中， L1表示1范数损失， 并通过式(2)得到； LA表示生成器Gθ和判别器Dφ之间的对抗 损失， 并通过式(3)得到； α 是超参数， 用来平衡1范 数损失和对抗损失的影响； 式(2)中， | |·||1表示1范数； 步骤3.2、 利用式(4)设计判别器Dφ的目标函数LD： 式(4)中， 对于第i张真实的目标图像yi， 期望所述判别器Dφ对其输出特征级别的判断为 1， 对于生成器Gθ生成的重建图像Gθ(xi)， 期望所述判别器Dφ对其输出 特征级别的判断为0； 步骤3.3、 使用ADAM优化器对所述 目标损失函数LG和LD进行最小化求解， 并在反向传播 过程中， 所述判 别器Dφ和生成器Gθ进行交替对抗训练， 并不断优化生成器Gθ和判别器Dφ的参 数， 其中， 目标损失函数LG的优化参数为生成器Gθ的未知参数θ， 优化目标损失函数LG时， 固 定判别器Dφ的未知参数φ； 目标函数LD的优化参数为判别器Dφ的未知参数φ， 优化目标函 数LD时， 固定生成器Gθ的未知参数θ； 从而得到最优生成器 用于对低分辨率混合边界散 射体图像进行高质量重建。权　利　要　求　书 2/2 页 3 CN 113378472 B 3