一种用于校准扫描轨迹的方法及装置

本发明涉及数据与信号处理，尤其涉及一种用于校准扫描轨迹的方法及装置。

背景技术：

1、在医学和工程等众多领域，利用微小光纤进行精确成像已经成为重要技术之一。该技术通过特殊的驱动方式(如压电陶瓷，一种能在电压应用下变形的材料)来精准控制光纤按照设定轨迹进行扫描，从而实现特定区域的成像。这类方法可以轻松进入狭小的空间进行成像，因此在小型内窥镜等体积较小的设备中尤为常见。然而，在光纤扫描过程中，由于光纤在扫描过程中的轨迹可能会因为材料本身的特性(如压电陶瓷的迟滞现象)、外部环境(比如温度变化)等因素的干扰而产生偏差，这些偏差会导致最终采集图像的模糊或扭曲。

2、针对轨迹偏移导致的成像问题，目前已经提出的多种解决方法，可以主要分为三类，分别是：基于位置敏感探测器(psd)的校准方法，基于压电感应的方法以及基于深度学习的方法。基于位置敏感探测器是最常用的校准方法，通过将psd安装到成像系统中，监测并记录光纤在扫描过程中的实际运动轨迹，然后根据这些数据调整扫描设备的控制参数，从而实现扫描轨迹的校准。yeoh[1]等人通过在探头附近设计电路来监测压电管的应变，从而推断出光纤的位置和扫描的精确信息，从而无需外部校准设备即可实现光纤位置的高精度确定，保证了长时间医疗程序中的图像质量和扫描准确性，如专利号为201580077863.1，名称为光扫描装置的扫描轨迹测定方法、扫描轨迹测定装置和图像校准方法的发明专利公开了采用psd和压电感应的方式实现校准。zhang[2]等人利用卷积神经网络(cnn)来处理压电陶瓷(pzt)管的反馈信号，通过以psd检测的轨迹作为标签，使得网络模型具有根据pzt反馈信号预测正确轨迹的能力，实现了轨迹的校准，如专利号为202110297462.4，名称为一种基于自校准卷积神经网络的sar图像去斑方法，便是提供了一种基于卷积神经网络实现轨迹的校准。

3、然而目前上述的现有技术所存在的主要缺点包括：

4、基于位置敏感探测器(psd)的校准方法需要在成像系统中额外安装psd，这增加了系统的复杂性，并且psd的精确度受限于其灵敏度和分辨率。此外，实时监测和调整光纤轨迹需要高速数据处理，这对psd在实时处理任务上是一个挑战。

5、基于压电感应的方法忽略了pzt因温度导致的精度下降，在温度变化较大的使用场景中需要重新进行校准。此外，该方法还忽略了pzt本身存在迟滞问题，因此难以准确的校准扫描轨迹。

6、基于深度学习的方法则显著依赖于扫描轨迹和采集温度信息的准确度与质量，获取大量的训练数据非常耗时且昂贵。此外，人工采集数据并不能包含其他潜在的干扰情况，因此这也限制了模型的泛化能力。

技术实现思路

1、针对现有技术存在的不足，本发明的目的在于提供一种扫描轨迹校准方法及装置，该方法通过对多种轨迹干扰因素进行建模，生成大量扫描轨迹数据，接着通过长短期记忆网络来学习原始轨迹数据和干扰后轨迹数据的特征，最终实现对扫描轨迹的校准。

2、为实现上述目的，本发明提供了如下技术方案：一种用于校准扫描轨迹的方法，其特征在于：包括如下步骤：

3、步骤a，构建扫描轨迹模型，设定不同的参数范围，将设定的参数范围带入到构建的扫描轨迹模型中，以生成对应的轨迹坐标作为原始扫描轨迹；

4、步骤b，确定存在的干扰因素，并对确定好的干扰因素进行建模，之后将建好的模型叠加到步骤a中的原始扫描轨迹中；

5、步骤c，将步骤a中叠加了干扰因素的原始扫描轨迹进行划分，划分为测试集和训练集以用于网络训练；

6、步骤d，利用长短期记忆模型构建轨迹校准网络，并使用步骤c中划分的测试集进行训练；

7、步骤e，将待校准的扫描轨迹放入到经过步骤d训练后的模型中进行推理，得到校准后的轨迹坐标完成扫描轨迹的校准。

8、作为本发明的进一步改进，所述步骤a中构建扫描轨迹模型后生成原始扫描轨迹的具体步骤如下：

9、步骤a1，分别定义光栅、螺旋和李萨如图像的数学模型，用于生成对应的原始扫描轨迹；

10、步骤a2，设定不同的参数范围，并使用满足均匀分布的随机采样方式得到一系列的参数值，将得到的参数值带入到步骤a1定义的光栅、螺旋和李萨如图像的数学模型中，得到不同的轨迹坐标数据；

11、其中，光栅图形公式如下：

12、式中，m和n代表不同的线条，通过改变m和n的值可以得到不同的线条；螺旋图形公式如下：

13、式中，r是从螺旋的起点到当前点的距离，是角度，a表示螺旋扫描的起点，b则表示控制螺旋扫描的半径增量；

14、李萨如图形的公式如下：

15、式中，a和b是振幅，分别控制图形在x轴和y轴上的范围；a和b则是频率，控制图形的密度和形状；t是相位参数；是相位差，控制着图形的形状。

16、作为本发明的进一步改进，所述步骤b中确定存在的干扰因素，并对确定好的干扰因素进行建模的具体步骤如下：

17、步骤b1，确定在实际扫描过程中的主要干扰因素，包括噪声、震动、电源波动和光学干扰；

18、步骤b2，根据步骤b1确定的干扰因素，建立针对对应的数学模型，描述其对轨迹的影响规律；

19、步骤b3，将建立的干扰因素模型应用到步骤a中生成的原始轨迹坐标中，得到受干扰影响后的轨迹坐标；

20、其中，建立的数学模型包括如下：

21、对于光栅图形中的噪声干扰，建立模型如下：

22、其中，表示沿x轴和y轴的噪声；

23、对于螺旋图形中的噪声干扰，建立模型如下：

24、其中，表示影响螺旋中心和半径增量的噪声；

25、对于李萨如图形中的噪声干扰，建立模型如下：

26、其中，表示影响振幅和频率的噪声；

27、对于光栅图形中的震动干扰，建立模型如下：

28、其中，表示随时间变化的震动偏移，分别应用到x轴和y轴；对于螺旋图形中的震动干扰，建立模型如下：

29、其中，表示随时间变化的震动偏移，分别应用到螺旋中心和半径增量上；

30、对于李萨如图形中的震动干扰，建立模型如下：

31、其中，表示随时间变化的震动偏移，分别应用到x轴频率，y轴频率以及x和y轴震动之间的相位差。

32、作为本发明的进一步改进，所述步骤c中划分为测试集和训练集的具体步骤如下：

33、步骤c1，根据步骤a中生成的多种轨迹以及使用不同的干扰参数生成的大量扫描轨迹数据，组成标签数据集；

34、步骤c2，将步骤b中的多种轨迹干扰因素应用到步骤c1中的数据集中，组成训练数据集；

35、步骤c3，将步骤c2组成的训练数据集和其对应的标签数据集进行7：3比例划分，其中70％作为训练集，30％作为测试集。

36、作为本发明的进一步改进，所述步骤d中利用长短期记忆模型构建轨迹校准网络，并使用步骤c中划分的测试集进行训练的具体步骤如下：

37、步骤d1，构建长短期记忆模型，该模型包括输入层，lstm层和线性层，输入层用于接收来自轨迹数据的固定特征维度的序列数据；lstm层由若干层lstm单元构成，每层具有指定数量的隐藏单元，线性层用于将若干层lstm层的输出映射到预期的输出维度，从而实现轨迹的校准；

38、步骤d2，使用步骤c中的划分的训练集数据对构建的lstm模型进行训练，具体训练步骤如下：

39、训练之前，读取训练集数据，并对其进行归一化预处理；

40、训练过程中，根据干扰后的轨迹数据与原始轨迹数据之间的均方误差损失值来帮助网络更新参数，学习轨迹校准模式；

41、训练完成后，使用步骤c中划分的测试集数据对模型进行测试并将预训练权重保存，用于之后对其他轨迹进行校准；

42、其中，学习轨迹校准模式如下：

43、其中，n是轨迹点数，是原始轨迹坐标值，是模型预测坐标值，mse越小，表明预测轨迹与原始轨迹之间越相似，校准结果也就越准确。

44、作为本发明的进一步改进，所述步骤e中将待校准的扫描轨迹放入到经过步骤d训练后的模型中进行推理的具体步骤如下：

45、步骤e1，将待校准的轨迹数据格式化为适合模型输入的格式，以确保数据维度和类型与训练时使用的数据一致，并对数据进行归一化处理；

46、步骤e2，加载训练后的lstm模型；

47、步骤e3，将待校准的轨迹数据输入到加载的模型中进行推理，从模型中获取输出并保存，该输出即为校准后的轨迹坐标。

48、本发明另一方面提供了一种装置，包括：

49、数据接收模块：用于接收待校准轨迹数据，包括从扫描装置中实时获取，或者与外部设备连接来获取待校准轨迹数据；

50、数据处理单元，与数据接收模块通信连接，以用于执行数据预处理的组件，包括数据格式化和标准化，将接收到的轨迹数据转换为适合模型处理的格式，并确保数据的尺度与训练过程中使用的数据保持一致；

51、模型推理单元，内置有预训练的长短期记忆网络模型，用于执行步骤a至步骤e，进而实现轨迹数据的校准处理；

52、输出与显示模块，用于处理模型推理单元输出的校准后轨迹数据，并输出显示；存储单元：用于存储待处理的轨迹数据、处理后的数据以及模型参数。

53、本发明的有益效果：

54、本发明不依赖于手动采集大量扫描轨迹数据，而是通过对多种扫描过程中潜在的干扰因素进行建模来模拟实际采集轨迹数据用于模型训练；

55、本发明是首次利用时序网络对扫描轨迹进行校准的方法，时序网络相比于其他神经网络能够有效利用轨迹的时间依赖性，并且还能有效处理较长的序列；

56、本发明不局限于一种特定类型的扫描轨迹，而是利用多种扫描轨迹数据进行模型的学习，从而适用于多种扫描方式的轨迹校准。