论文部分内容阅读
电阻层析成像技术(Electrical Resistance Tomography, ERT)是一种新兴的可视化过程检测技术,具有非侵入、安全、简单便携、造价低等特点,有着广阔的应用前景。然而,由于ERT的“软场”效应,重建过程具有高度的非线性、不适定性和病态性,导致重建图像退化严重、准确度不高,限制了其应用与发展。降低ERT重建图像退化程度,提高成像精度,一直是国内外ERT研究的重点和热点问题。本文针对ERT的图像退化问题,重点开展了基于非线性映射的ERT重建研究。
针对ERT图像退化问题,从ERT图像重建原理和数学模型入手,分析了场域分布与边界测量电压的映射关系。指出了在ERT敏感场中,对边界电压与电导率分布间的映射关系进行线性化近似是导致重建图像退化的主要原因,也是导致场域内灵敏度系数严重的非一致性引起图像退化畸变的重要因素。
针对ERT线性化求解对重建图像退化的影响,在分析采用均匀场灵敏度矩阵重建误差影响的基础上,提出了一种对重建图像与灵敏度矩阵关联的交替修正的迭代动态更新重建算法,构建了具有非线性特征的映射关系。该算法根据边界电压的变化与初始灵敏度矩阵引入误差之间的相关性,获得具有惩罚因子的修正系数,对重建后的电导率分布及初始灵敏度矩阵进行修正,并利用修正后的灵敏度矩阵进行图像重建。实验结果表明,新算法可以更加清晰地重构场域内两种介质之间的边界,伪影更少,分布更准确。
针对传统算法对ERT非线性映射问题求解困难的情况,提出了一种基于条件式生成对抗网络(Conditional Generative Adversarial Network, CGAN)的ERT重建算法。通过学习边界测量电压与目标图像之间的非线性映射关系,算法实现了深度学习由测量值到图像的端到端的应用,本方法可有效提高重建图像的准确性,使重建图像的细节更清晰,实用性更强;为实现有效学习,针对ERT场域内介质分布具有多样性的特点,提出了一种将介质分布随机化的数据集产生方法并建立了数据集,实验表明,本文所设计的数据集产生方法能够较好地模拟介质分布的多样性。将该网络用于对退化图像进行复原,得到的重建图像也得到进一步优化。
针对ERT场中心的敏感度低、重建图像模糊的问题,本文提出了带有中心电极的ERT结构及算法。将带有中心电极的ERT传感器结构用于对场域的激励以提高场域中心的敏感性。为克服中心电极带来的电极附近的成像畸变,提出了一种有限元级图像融合的重建算法,提高了中心场域图像的准确度,利用人工设计的数据集进一步验证了该方法的有效性。
针对ERT图像退化问题,从ERT图像重建原理和数学模型入手,分析了场域分布与边界测量电压的映射关系。指出了在ERT敏感场中,对边界电压与电导率分布间的映射关系进行线性化近似是导致重建图像退化的主要原因,也是导致场域内灵敏度系数严重的非一致性引起图像退化畸变的重要因素。
针对ERT线性化求解对重建图像退化的影响,在分析采用均匀场灵敏度矩阵重建误差影响的基础上,提出了一种对重建图像与灵敏度矩阵关联的交替修正的迭代动态更新重建算法,构建了具有非线性特征的映射关系。该算法根据边界电压的变化与初始灵敏度矩阵引入误差之间的相关性,获得具有惩罚因子的修正系数,对重建后的电导率分布及初始灵敏度矩阵进行修正,并利用修正后的灵敏度矩阵进行图像重建。实验结果表明,新算法可以更加清晰地重构场域内两种介质之间的边界,伪影更少,分布更准确。
针对传统算法对ERT非线性映射问题求解困难的情况,提出了一种基于条件式生成对抗网络(Conditional Generative Adversarial Network, CGAN)的ERT重建算法。通过学习边界测量电压与目标图像之间的非线性映射关系,算法实现了深度学习由测量值到图像的端到端的应用,本方法可有效提高重建图像的准确性,使重建图像的细节更清晰,实用性更强;为实现有效学习,针对ERT场域内介质分布具有多样性的特点,提出了一种将介质分布随机化的数据集产生方法并建立了数据集,实验表明,本文所设计的数据集产生方法能够较好地模拟介质分布的多样性。将该网络用于对退化图像进行复原,得到的重建图像也得到进一步优化。
针对ERT场中心的敏感度低、重建图像模糊的问题,本文提出了带有中心电极的ERT结构及算法。将带有中心电极的ERT传感器结构用于对场域的激励以提高场域中心的敏感性。为克服中心电极带来的电极附近的成像畸变,提出了一种有限元级图像融合的重建算法,提高了中心场域图像的准确度,利用人工设计的数据集进一步验证了该方法的有效性。