基于Hopfield神经网络的光学层析图像重建.pdfVIP

2003年卜一省(市)光学学术会议论文集 i eI d神经网络的光学层析图像重建+ 基于Hopf 陈韶华11青 湖北大学物理学与电子技术学院，武汉，430062 摘 要基于神经网络提出了一种新的光学CT图像重建算法。将层析图像重建问题转化为最小范数准则下的优 化问题，并构造相应的连续型Hopfield神经网络模型。数值模拟结果表明，该技术具有较高的重建精度。 关键词 神经网络，光学CT，数值模拟，图像重建 1．引言 光学CT技术是一种不干扰原物理量场的测量诊断技术，它在热物理测试、等离子体诊断、光纤 折射率测量等方面已显示出了极大的优越性，尤其是在场分布测量方面，几乎是其它方法不可代替的。 该技术要求首先对物理量场进行多方位扫描积分测量，获取投影数据，然后用这些测量值——投影数 据进行反演(重建)运算，给出物理量的场分布信息【1J。传统的光学层析图像重建算法主要有两类： ～是基于变换的变换法，一是基于模型的迭代法。前者以Fourier切片定理为基础，速度较快，但是噪 声性能不好，后者将重建问题表达为在一定准则下的优化问题，适用于有噪声或投影数据不全的情形， 但速度一般比较慢。从光学CT技术的实用性考虑，目前正在向少数投影和有限视角方向发展。 人J二神经网络系统是由大量简单的信息处理单元——神经元J。‘泛相互连接而成的一种空间不规 则的拓扑结构。它是迄今所知的功能最强、效率最高的最完美的信息处理单元系统，目前已应用于图 像处理、模式识别、自动控制、信号处理、最优化以及人j：智能等领域I玉31。 本文在我们前期研究工作的基础上【4。11，将层析图像重建问题转化为最小范数准则下的优化问题， 并构造相应的连续型Hopfield神经网络模型，提出了一种新的用于燃烧气体浓度场反演的光学CT重 建算法，并对其进行数值模拟。 2．重建算法 2．1差分吸收 根据差分吸收原理，待测燃烧气体分子沿某一探测方向0位于探测位置Z处的积分浓度为【71： ———j—ln—Io(Ao—)I(A) (1) 上cu，s)as= =p(1，口) 0(4。)一仃(A)1(4。)，。(A) 式中九．和A为相差极微的两个激光波长(九位于待侧气体分子的中心吸收谱线上，而A刚好移出待 测气体分子中心吸收谱线)，仃Q)为待测气体分子的吸收截面，p(1，口)为待测气体分子浓度分布 光程。根据式(1)，若能从多个探测方向获取投影数据，并利用CT重建算法，就可以得到待测气体 分子的浓度场分布。 2．2Hopfield神经网络重建算法 设c(x，y)位于区域D内，采用网格法，将区域D划分为Ⅳ个均匀的矩形网格。假定网格足够小， 在该网格元内c(x，y)是常数，则最小范数为…： 上 ， 呀(c)=：ct‘ (2) 和湖北省教育厅重点科研计划(2001A01014) 323 —————————————————二塑生兰塑!立!堂堂堂查垒坚笙兰窭 采用惩罚函数法‘引，并附加先验性边界条件，以确保cO，y)的取值钮实际范闸以内，则c伍，y)可 由以卜约束最优化问题的解确定： m‘nF C，C2‘．．CN)=min荟ct c3， 2+y荔ls加一荟ctB。t} pq，口) s加5 _『=1,2…J，，l=1,2…M， (4) 0scO，y)s口x