1 重庆大学ICT研究中心光电技术及系统教育部重点实验室，重庆 400044
2 重庆大学工业CT无损检测教育部工程研究中心，重庆 400044
针对相对平行直线扫描CT（PTCT）图像重建存在的有限角伪影问题，提出一种学习局部和非局部正则项的深度迭代展开方法。该方法将具有固定迭代次数的梯度下降算法迭代展开到神经网络，利用具有坐标注意力（CA）机制的卷积模块和Swin-Transformer模块作为迭代模块交替级联部署，构成端到端的深度重建网络。卷积模块学习局部正则化，其中CA用于减少图像过平滑；Swin-Transformer模块学习非局部正则化，提高网络对图像细节的恢复能力；在相邻模块间，使用迭代连接（IC）增强模型提取深层特征的能力，提高每次迭代的效率。通过消融实验验证了网络各部分的有效性，并在两种类型的数据集上进行实验，结果证明了本文方法的效果。实验结果表明，本文方法在抑制PTCT重建图像有限角伪影的同时，能较好地保留重建图像细节，提高重建图像质量。
X射线光学 计算机断层成像 相对平行直线扫描 图像重建 有限角 深度学习
1 西南交通大学轨道交通运载系统全国重点实验室摩擦学研究所，四川 成都 610031
2 西南交通大学唐山研究院，河北 唐山 063000
3 中国工程物理研究院核物理与化学研究所，四川 绵阳 621900
4 北京航空航天大学机械工程及自动化学院，北京 100191
中子偏置CT（computed tomography）扫描是一种有效的大尺寸样品层析检测方法，但投影数据截断会导致较大的CT系统转台旋转中心标定误差，严重影响成像质量。基于投影数据对称性原理，提出了一种计算旋转中心左侧和右侧投影数据和之间方差的偏置CT扫描旋转中心精确标定算法。设计了对称补数据重建算法和投影数据预处理重建算法，验证得到，对称补数据重建算法对旋转中心标定误差更为敏感，较小的误差值会导致补齐后投影数据出现拼接缝以及拼接错位问题。提出了一种中子投影数据噪声仿真方法，设计的三维仿真模体验证了所提标定算法与投影数据预处理重建算法在不同旋转中心偏置大小以及不同强度投影噪声条件下的性能优势。基于反应堆中子源开展了中子偏置CT扫描成像验证实验，获得了样品清晰的内外部结构细节，中子CT成像系统的成像视野扩大了31.4%。
计算机断层扫描成像 图像重建技术 中子 偏置扫描 旋转中心
1 中科技术物理苏州研究院，江苏 苏州215000云遥动力科技(苏州)有限公司，江苏 苏州215000
2 中科技术物理苏州研究院，江苏 苏州215000中国科学院上海技术物理研究所，上海200083云遥动力科技(苏州)有限公司，江苏 苏州215000
风云四号A卫星（FY-4A）部分通道的图像分辨率较低，影响风云卫星多通道协同监测能力。针对该问题，提出一种改进的超分辨率生成对抗网络（Enhanced Super-Resolution Generative Adversarial Networks, ESRGAN）算法来实现FY-4A影像的超分辨率重建。该方法基于ESRGAN的生成器架构，利用迁移学习策略，将预训练权重作为模型的初始值，设计了一组包含5层空洞卷积层的残差密集模块（Residual-in-Residual Dense Block, RRDB），并优化了损失函数。结果表明，在4倍影像分辨率重建下，相比于ESRGAN算法，改进的ESRGAN算法在峰值信噪比(Peak Signal-to-Noise Ratio, PSNR)、结构相似性（Structural Similarity，SSIM）、空间相关系数（Correlation Coefficient，CC）上分别提高了0704、0029、0002，均方根误差（Root-Mean-Square Error，RMSE）降低了10%，且重建影像更加清晰自然，纹理更加细致。
风云四号 深度学习 图像重建 超分辨率 Fengyun-4 deep learning image reconstruction super resolution
强激光与粒子束
2023, 35(10): 104006
东南大学大型发电装备安全运行与智能测控国家工程研究中心，江苏 南京 210096
光场显微粒子图像测速技术通过单光场相机即可实现微尺度三维速度场的测量，但单光场相机角度信息有限，导致粒子重建的轴向分辨率低、重建速度慢。基于此，提出一种基于卷积神经网络深度学习模型的光场显微粒子三维空间分布重建方法，以实现粒子三维分布的高分辨率快速重建。首先，根据光场显微成像模型，基于粒子的实际发光特性生成模拟光场图像，进而构建“粒子空间分布-光场图像”数据集；然后，耦合光场显微成像特点，建立卷积神经网络深度学习模型，通过“粒子空间分布-光场图像”数据集对模型进行学习和训练，获得光场显微三维粒子空间分布预测模型，并对预测模型的性能进行评价；最后，测量水平微通道层流流动中的示踪粒子空间分布和三维速度场。模拟和实验结果表明：相比常规的反卷积方法，所提方法的粒子重建轴向分辨率提高79.3%，基本消除了粒子重建的拉伸效应；单张图像重建时间仅为0.243 s，可以满足实时测量的需求。
图像重建技术 微尺度流动 深度学习 三维粒子场 光场显微粒子图像测速技术 光学学报
2023, 43(21): 2115002
杭州电子科技大学自动化学院，浙江 杭州 310016
光学层析成像技术由于其非接触性、结构简单、采样率高、安全性高、分辨率高等特性，在工业流体监测以及医学等领域得到广泛应用，同时在学术领域上也具有很高的研究价值。光学层析成像分为扫描阶段和图像重建阶段。在重建过程中，算法的性能往往决定着图像重建的质量。鉴于现有重建算法存在重建速度慢与图像质量不高等问题，提出一种基于预置矩阵的Landweber重建算法。该算法通过引入历史迭代信息、在迭代过程中添加预置矩阵和加速项而加快迭代速度，减小重建图像与真实图像的误差。对圆形测量场内5个特定分布进行实验仿真，对比所提改进算法与传统算法的性能。仿真结果显示，该算法的重建误差在5%左右，同时证实该改进算法相较于传统算法有显著性能提升，重建误差降低48%，图像质量得到显著提升。
光学层析成像 图像重建算法 Landweber算法 预置矩阵 加速项 激光与光电子学进展
2023, 60(16): 1611003
1 北京工业大学信息学部计算智能与智能系统北京市重点实验室，北京 100124
2 先进信息网络北京实验室，北京 100124
Cherenkov激发的荧光扫描成像（CELSI）是一种新型的光学成像技术，为监测体内恶性肿瘤的生物学特性提供了一种手段。为提高CELSI图像重建质量，本文提出了一种基于迭代优化展开的深度学习图像重建算法——ADMM-Net。在该算法中，交替方向乘子法（ADMM）与卷积神经网络（CNN）相结合组成一个深度网络，网络中的所有参数通过端到端训练进行学习。实验结果表明：该算法可以有效提升重建图像的质量。当网络层数为5时，该算法重建的单荧光目标图像的平均峰值信噪比和结构相似性值分别可达到33.75 dB和0.86。该算法不仅可以分辨出边沿距离最小为2 mm的双荧光目标，而且在多荧光目标和不同荧光量子产额比率下表现出了良好的泛化能力。
医用光学 生物技术 Cherenkov激发的荧光扫描成像 图像重建技术 交替方向乘子法 深度学习 优化展开 中国激光
2023, 50(15): 1507106
1 重庆大学 微电子与通信工程学院，重庆400044
2 安徽大学 物质科学与信息技术研究院，安徽合肥30039
从极少量的测量值中有效且高概率高质量恢复出原始信号是压缩感知图像重建研究的核心问题，学者们相继提出了传统和基于深度学习的压缩感知图像重建算法，传统算法通常基于优化模型迭代求解，重建质量和重建速度都无法保证；基于深度学习的算法重建质量相对较高，但缺乏物理可解释性。受滤波流的启发，本文提出了联合全局与局部的深度压缩感知图像重建模型（G2LNet），其以卷积层执行压缩采样以及初始重建过程，利用快速傅里叶卷积与滤波流，同时考虑了图像全局上下文信息和图像像素局部邻域信息，联合学习优化测量矩阵与滤波流，建立了完整的端到端可训练的深度图像压缩感知重建网络。经实验验证，在压缩感知图像重建领域常用的Set5，Set11，BSD68测试集上取得了良好的重建效果，在采样率为20%的情况下，G2LNet的图像重建质量相比于经典的传统算法MH与基于深度学习的算法CSNet的平均PSNR分别提高了2.29 dB，0.51 dB，有效提升了重建图像质量。
压缩感知 图像重建 快速傅里叶卷积 滤波流 深度神经网络 compressive sensing image reconstruction fast Fourier convolution filter flow deep neural network 光学 精密工程
2023, 31(14): 2135
