1.一种基于神经网络学习先验的光子反射率图像去噪方法,其特征在于,包括如下步骤:
步骤1,构造光子计数成像模型,光子计数成像模型表述为:
其中,α表示光子反射率图像,j(α)为数据保真项,k(α)为先验约束项;
步骤2,对成像模型进行求解,得到相应子问题;
步骤3,对子问题的物理模型进行网络化,构造卷积神经网络以及损失函数;
步骤4,对卷积神经网络进行训练,根据训练好的网络模型得到反射率图像的去噪结果。
2.如权利要求1所述的一种基于神经网络学习先验的光子反射率图像去噪方法,其特征在于:步骤1的具体实现包括以下子步骤:
步骤1.1,构建数据保真项j(α),给定光子计数值ki,j,反射率αi,j的泊松负对数似然函数可表示为:
其中n为发射的脉冲数,η为探测器的探测效率,b为脉冲重复周期的背景计数,s为脉冲重复周期内的信号计数,i,j为空间点坐标,将上式作为数据保真项;
步骤1.2,构建先验约束项k(α),
其中,
步骤1.3,得到最终的反射率图像重建模型,由于ηsα<<1,因此,可作如下近似:
1-exp[-(ηsα+b)]≈ηsα+b
由此可得到最终的重建模型:
其中λ为正则化参数,k为所有空间点光子计数值构成的矩阵。
3.如权利要求2所述的一种基于神经网络学习先验的光子反射率图像去噪方法,其特征在于:步骤2的具体实现包括以下子步骤,
步骤2.1,基于fista的优化策略对式(1)进行求解,得到如下两个子问题:
其中ρ为一常数,rx为中间变量r在第x次迭代计算时得到的结果,它是αx在第x次迭代时的直接重建结果,其初值可根据极大似然估计得到。
4.如权利要求3所述的一种基于神经网络学习先验的光子反射率图像去噪方法,其特征在于:步骤3的具体实现包括以下子步骤:
步骤3.1,rx模型的网络化,其中参数ρ的值随网络的学习而变化,根据式(2),rx模型变为:
步骤3.2,αx模型的网络化,为了使模型网络化,假设rx和
其中β是一个只与
其中θ=βλ,于是,得到
引入
为了保持网络的灵活性与增加网络的容量,使
步骤3.3,构造损失函数,采用数据集
其中:
其中nb为训练块的总数,np为网络层数,ns为每个训练块的大小,γ为一常数。
5.如权利要求4所述的一种基于神经网络学习先验的光子反射率图像去噪方法,其特征在于:rx的初值可根据极大似然估计得到,即