層析成像深度學習圖像重建技術(電阻及電阻\超聲雙模態融合)
內容大鋼
本書圍繞層析成像技術展開,重點聚焦于電阻及電阻/超聲雙模態融合的深度學習圖像重建方法。在介紹了層析成像技術的重要意義及電學、多模態層析成像技術現狀后,深入剖析了深度學習在圖像重建中的應用進展與面臨的問題。
書中詳細闡述了多種創新圖像重建方法,如V-Net與VD-Net圖像重建方法,Landweber深度學習圖像重建方法,電阻/超聲雙模態注意力融合圖像重建方法等。通過大量模擬與實驗測試,對這些方法進行了全面驗證與對比分析,為多相介質分佈的可視化檢測提供了精準有效的技術支持。
本書適合從事層析成像技術研究的科研人員、工程師等學習,也可用作高等院校相關專業的教學用書。
作者介紹
李峰|責編:耍利娜
李峰,太原工業學院副教授。畢業於天津大學控制科學與工程專業,博士學位,主要研究方向:多相流動工業過程檢測、過程層析成像圖像重建、深度學習方法。先後在《IEEE Transactions on Instrumentation and Measurement》《IEEE Sensors Journal》《天津大學學報》等期刊發表多篇高質量論文,授權國家發明專利4項,2018年獲青年學者優秀論文陳學俊獎。
目錄
第1章 緒論
1.1 層析成像技術及其意義
1.2 電學層析成像技術
1.2.1 電學層析成像技術概述
1.2.2 電學層析成像圖像重建方法
1.3 多模態層析成像技術
1.3.1 多模態層析成像技術概述
1.3.2 多模態層析成像圖像重建方法
1.4 層析成像技術中深度學習圖像重建方法
1.4.1 深度學習方法及特點
1.4.2 深度學習在圖像重建中的研究現狀
1.4.3 深度學習圖像重建面臨的問題
1.5 本書主要思路及內容
1.5.1 主要思路
1.5.2 主要內容
第2章 層析成像基本原理與圖像重建方法
2.1 電阻層析成像數學模型及研究問題
2.1.1 電阻層析成像數學模型
2.1.2 電阻層析成像研究問題
2.2 電阻層析成像圖像重建常用方法
2.3 深度學習圖像重建方法
2.3.1 深度學習應用於反問題的解釋性
2.3.2 深度學習單模態圖像重建的應用
2.3.3 深度學習多模態融合重建的實現
2.4 重建圖像評價指標
2.5 多相介質分佈資料庫
2.5.1 樣本庫的基本形式及內容
2.5.2 離散氣泡分佈的樣本建立
2.5.3 分層分佈的樣本建立
2.5.4 資料庫中樣本集的使用
2.6 本章小結
第3章 V型網路ERT圖像重建方法
3.1 卷積神經網路
3.2 V-Net圖像重建方法
3.2.1 重建網路構建思路
3.2.2 重建網路的訓練
3.2.3 重建網路結構的選擇
3.2.4 V-Net網路構建結果
3.2.5 V-Net網路抗噪性測試
3.3 VD-Net圖像重建方法
3.3.1 密集連接的信息流與梯度流
3.3.2 VD-Net網路
3.3.3 VD-Net網路抗噪性測試
3.4 模擬和實驗測試結果與分析
3.4.1 不同重建方法的對比
3.4.2 移動模型實驗測試
3.4.3 空間解析度實驗測試
3.4.4 分層分佈動態實驗測試
3.5 本章小結
第4章 Landweber深度學習圖像重建方法
4.1 Landweber深度學習圖像重建模型
4.2 Landweber迭代重建網路
4.2.1 重建網路的訓練
4.2.2 重建網路結構的選擇
4.2.3 重建網路構建結果
4.2.4 重建網路抗噪性測試
4.2.5 重建網路不同電導率對比度測試
4.3 實驗結果與分析
4.3.1 離散泡狀分佈實驗測試
4.3.2 分層分佈動態實驗測試
4.4 本章小結
第5章 電阻/超聲雙模態注意力融合圖像重建
5.1 雙模態融合基礎
5.1.1 超聲波透射衰減原理
5.1.2 雙模態測量信息與敏感空間
5.2 雙模態信息融合方法
5.3 雙分支注意力圖像重建網路
5.3.1 雙模態信息融合思路<