买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：西安电子科技大学

摘要：本发明提出了一种基于SPH启发的PG‑SPECT图像超分辨重建方法，实现步骤为：获取训练样本集和测试样本集；构建基于SPH启发的重建网络模型O；初始化参数；对重建网络模型O进行迭代训练；获取PG‑SPECT图像的重建结果。本发明所构建的基于SPH启发的PG‑SPECT图像超分辨重建网络模型中的光滑粒子子网络能够通过扩大卷积接受域，有效地保留PG‑SPECT图像图像中的细节信息；N‑S引导子网络在图像重建过程中引导PG‑SPECT像素向期望方向运动，从而在图像中产生清晰的边缘；实验结果表明，本发明能够有效提高了PG‑SPECT图像重建的分辨率。

主权项：1.一种基于SPH启发的PG-SPECT图像超分辨重建方法，其特征在于，包括以下步骤：1获取训练样本集和测试样本集：获取K幅PG-SPECT图像，并对每幅PG-SPECT图像进行预处理后进行降采样；将每幅预处理后的PG-SPECT图像作为其降采样后的图像块的标签，然后随机选取其中N个图像块及其标签组成训练样本集R1，将剩余的图像块及其标签组成测试样本集E1，其中，K≥600，2构建基于SPH启发的重建网络模型O：构建包括顺次连接的SPH启发的超分子网络、融合模块和上采样模块的重建网络模型O；其中，SPH启发的超分子网络包括由并行排布的用于对输入的样本进行图像重建的光滑粒子子网络，和用于对输入的样本进行边缘信息重建的N-S引导子网络两个分支；融合模块用于对两个分支重建结果进行逐元素融合；上采样模块用于对融合得到的富含细节信息的重建特征图进行上采样；3初始化参数：初始化迭代次数为s，最大迭代次数为S，S≥10000，第s次迭代的重建网络模型Os中可学习的权值、偏置参数分别为ws、bs，并令s＝1；4获取训练样本的重建PG-SPECT图像：将训练样本集R1作为重建网络模型O的输入，光滑粒子子网络对每个训练样本的特征图依次进行特征细化，得到N个富含内容细节和上下文信息的特征图；同时N-S引导子网络对每个训练样本的特征图依次进行引导，得到N个富含清晰边缘的补偿特征图；融合模块对第n个特征图及其对应的补偿特征图逐元素相加；上采样模块对融合模块输出的每个包含丰富细节和边缘信息的特征图进行上采样，得到N个重建的PG-SPECT图像；5计算重建网络模型的的损失值：采用L1范数，并通过重建的PG-SPECT图像及其对应训练样本标签计算损失值Ls，通过N-S引导子网络生成的补偿特征图与其对应的训练样本标签的特征图计算损失值LNS，然后通过Ls和LNS计算重建网络模型O的损失值L；6获取训练好的重建网络模型：通过链式法则分别求取重建网络模型O的损失值L对权值ws、偏置bs的偏导，并采用梯度下降法，通过L对权值ws、偏置bs的偏导对权值ws和偏置bs进行更新，得到本次迭代的重建网络模型Os；然后判断s≥S是否成立，若是，得到训练好的重建网络模型O*，否则，令s＝s+1，Os＝O，并执行步骤4；7获取PG-SPECT图像的重建结果：将测试样本集E1作为训练好的重建网络模型O*的输入进行前向传播，得到所有测试样本对应的重建图像。

全文数据：

权利要求：

百度查询： 西安电子科技大学 基于SPH启发的PG-SPECT图像超分辨重建方法