一种基于GAN的COLTRIMS图像修复方法及装置论文和设计-杨玮枫

全文摘要

本公开提供一种基于GAN的COLTRIMS图像修复方法及装置，采用生成对抗网络(GAN)架构,通过训练得到从短时间获取的COLTRIMS的模糊动量谱图像与长时间获取的清晰动量谱图像的映射模型，再利用该映射模型对COLTRIMS的动量谱图像进行自适应修复，通过与COLTRIMS在长时间内获取到的动量谱图像进行比较可以发现，在采集动量谱图像的过程中经过精度筛选得到符合对抗网络的短期CONTRIMS图像，图像可以恢复出更为精确的动量谱图，能够在采集次数的情况下，采集到满足生成对抗网络的精度需求、得到适合的网络图像，本发明获得清晰的动量谱图像很好地还原了动量谱图像的基本结构和干涉现象，降低了通过COLTRIMS技术获取电子动量谱的实验周期与能源消耗费用。

主设计要求

1.一种基于GAN的COLTRIMS图像修复方法，其特征在于，所述方法包括以下步骤：步骤1，在每个不同激光场条件下，通过CCSFA方法生成一张清晰动量谱图像，并通过COLTRIMS进行适应性筛选采集一张模糊动量谱图像；所述通过COLTRIMS进行适应性筛选采集一张模糊动量谱图像方法为：在通过COLTRIMS采集动量谱图像的过程中，以Step次事件发生次数为步长采集动量谱图像，Step为步长数值，COLTRIMS的探测器探测到的事件发生次数Incidents初值为500；定义高能区差值采集的准入条件为High_distance，初值High_distance＝TRUE；定义正常区差值采集的准入条件为Normal_distance，初值Normal_distance＝TRUE；定义低能区差值采集的准入条件为Low_distance，初值Low_distance＝TRUE；上述准入条件为TRUE或FALSE，TRUE为真，即允许；FALSE为假，不允许；步骤1.1，将COLTRIMS的动量谱图像采集区域进行环状划分为三个部分，动量谱图像采集区域的中心区域为低能区，外围区域为高能区，普通区域为正常区，高能区范围为(r-r*0.2)～r，正常区范围为r*0.2～(r-r*0.2)，低能区范围为0～r*0.2，r为动量谱的最大范围，r的值等于电场失势的峰值，电场失势的峰值＝电场强度E0\/电场频率w，“A～B”的意义为A到B，电场强度、电场频率均为动量谱仪的激光场的参数设置；步骤1.2，从COLTRIMS的探测器探测到的事件发生次数Incidents时的动量谱图像开始，以步长Step为单位采集动量谱图像；当高能区差值采集的准入条件High_distance为True时，COLTRIMS以两个相邻步长间隔分别采集第一动量谱图像高能区和第二动量谱图像高能区，第一动量谱图像高能区为事件发生次数为Incidents时COLTRIMS采集的动量谱图像的高能区，第二动量谱图像高能区为事件发生次数为Incidents+Step时COLTRIMS采集的动量谱图像的高能区；步骤1.3，当正常区差值采集的准入条件Normal_distance为True时，COLTRIMS以两个相邻步长间隔分别采集第一动量谱图像正常区和第二动量谱图像正常区，第一动量谱图像正常区为事件发生次数为Incidents时COLTRIMS采集的动量谱图像的正常区，第二动量谱图像正常区为事件发生次数为Incidents+Step时COLTRIMS采集的动量谱图像的正常区；步骤1.4，当低能区差值采集的准入条件Low_distance为True时，COLTRIMS以两个相邻步长间隔分别采集第一动量谱图像低能区和第二动量谱图像低能区，第一动量谱图像低能区为事件发生次数为Incidents时COLTRIMS采集的动量谱图像的低能区，第二动量谱图像低能区为事件发生次数为Incidents+Step时COLTRIMS采集的动量谱图像的低能区；步骤1.5，当High_distance为FALSE时，转到步骤1.6；当High_distance为True时，将第一动量谱图像高能区中所有像素的灰度值的算数平均值和第二动量谱图像的高能区中所有像素的灰度值的算数平均值相减得到高能区差值；步骤1.6，当Normal_distance为FALSE时，转到步骤1.7；当Normal_distance为True时，将第一动量谱图像正常区中所有像素的灰度值的算数平均值和第二动量谱图像的正常区中所有像素的灰度值的算数平均值相减得到正常区差值；步骤1.7，当Low_distance为FALSE时，转到步骤1.8；当Low_distance为True时，将第一动量谱图像低能区中所有像素的灰度值的算数平均值和第二动量谱图像的低能区中所有像素的灰度值的算数平均值相减得到低能区差值；步骤1.8，当高能区差值落入差值精度区间的范围时，令High_distance为FALSE并保存第二动量谱图像高能区图像；当正常区差值落入差值精度区间的范围时，令Normal_distance为FALSE并保存第二动量谱图像正常区图像；当低能区差值落入差值精度区间范围时，令Low_distance为FALSE并保存第二动量谱图像低能区图像；判断High_distance、Normal_distance和Low_distance是否同时为FALSE，即高能区差值、正常区差值和低能区差值是否同时满足精度；如果不同时满足精度，即High_distance、Normal_distance和Low_distance三个值中有任意一个值为TRUE，则令Incidents＝Incidents+Step并转到步骤1.2；如果High_distance、Normal_distance和Low_distance都为FALSE，即第二动量谱图像高能区、第二动量谱图像正常区和第二动量谱图像低能区同时满足精度或当Incidents大于等于5000次时，则转到步骤1.9；步骤1.9，本次COLTRIMS的模糊动量谱图像采集结束，将第二动量谱图像高能区、第二动量谱图像正常区和第二动量谱图像低能区合并为一张动量谱图像作为模糊动量谱图像输出；步骤2，将模糊动量谱图像进行灰度化处理并调节亮度得到灰度化模糊动量谱图像；步骤3，依次将相同激光场条件下，清晰动量谱图像与灰度化模糊动量谱图像组成训练图像对，将训练图像对作为训练数据集训练对抗网络架构得到训练好的对抗网络作为COLTRIMS图像修复模型；步骤4，将模糊动量谱图像输入COLTRIMS图像修复模型进行修复获得清晰的COLTRIMS动量谱图像。

设计方案

1.一种基于GAN的COLTRIMS图像修复方法，其特征在于，所述方法包括以下步骤：

步骤1，在每个不同激光场条件下，通过CCSFA方法生成一张清晰动量谱图像，并通过COLTRIMS进行适应性筛选采集一张模糊动量谱图像；所述通过COLTRIMS进行适应性筛选采集一张模糊动量谱图像方法为：

在通过COLTRIMS采集动量谱图像的过程中，以Step次事件发生次数为步长采集动量谱图像，Step为步长数值，COLTRIMS的探测器探测到的事件发生次数Incidents初值为500；

定义高能区差值采集的准入条件为High_distance，初值High_distance＝TRUE；

定义正常区差值采集的准入条件为Normal_distance，初值Normal_distance＝TRUE；

定义低能区差值采集的准入条件为Low_distance，初值Low_distance＝TRUE；

上述准入条件为TRUE或FALSE，TRUE为真，即允许；FALSE为假，不允许；

步骤1.1，将COLTRIMS的动量谱图像采集区域进行环状划分为三个部分，动量谱图像采集区域的中心区域为低能区，外围区域为高能区，普通区域为正常区，高能区范围为(r-r*0.2)～r，正常区范围为r*0.2～(r-r*0.2)，低能区范围为0～r*0.2，r为动量谱的最大范围，r的值等于电场失势的峰值，电场失势的峰值＝电场强度E0\/电场频率w，“A～B”的意义为A到B，电场强度、电场频率均为动量谱仪的激光场的参数设置；

步骤1.2，从COLTRIMS的探测器探测到的事件发生次数Incidents时的动量谱图像开始，以步长Step为单位采集动量谱图像；

当高能区差值采集的准入条件High_distance为True时，COLTRIMS以两个相邻步长间隔分别采集第一动量谱图像高能区和第二动量谱图像高能区，第一动量谱图像高能区为事件发生次数为Incidents时COLTRIMS采集的动量谱图像的高能区，第二动量谱图像高能区为事件发生次数为Incidents+Step时COLTRIMS采集的动量谱图像的高能区；

步骤1.3，当正常区差值采集的准入条件Normal_distance为True时，COLTRIMS以两个相邻步长间隔分别采集第一动量谱图像正常区和第二动量谱图像正常区，第一动量谱图像正常区为事件发生次数为Incidents时COLTRIMS采集的动量谱图像的正常区，第二动量谱图像正常区为事件发生次数为Incidents+Step时COLTRIMS采集的动量谱图像的正常区；

步骤1.4，当低能区差值采集的准入条件Low_distance为True时，COLTRIMS以两个相邻步长间隔分别采集第一动量谱图像低能区和第二动量谱图像低能区，第一动量谱图像低能区为事件发生次数为Incidents时COLTRIMS采集的动量谱图像的低能区，第二动量谱图像低能区为事件发生次数为Incidents+Step时COLTRIMS采集的动量谱图像的低能区；

步骤1.5，当High_distance为FALSE时，转到步骤1.6；当High_distance为True时，将第一动量谱图像高能区中所有像素的灰度值的算数平均值和第二动量谱图像的高能区中所有像素的灰度值的算数平均值相减得到高能区差值；

步骤1.6，当Normal_distance为FALSE时，转到步骤1.7；当Normal_distance为True时，将第一动量谱图像正常区中所有像素的灰度值的算数平均值和第二动量谱图像的正常区中所有像素的灰度值的算数平均值相减得到正常区差值；

步骤1.7，当Low_distance为FALSE时，转到步骤1.8；当Low_distance为True时，将第一动量谱图像低能区中所有像素的灰度值的算数平均值和第二动量谱图像的低能区中所有像素的灰度值的算数平均值相减得到低能区差值；

步骤1.8，当高能区差值落入差值精度区间的范围时，令High_distance为FALSE并保存第二动量谱图像高能区图像；

当正常区差值落入差值精度区间的范围时，令Normal_distance为FALSE并保存第二动量谱图像正常区图像；

当低能区差值落入差值精度区间范围时，令Low_distance为FALSE并保存第二动量谱图像低能区图像；

判断High_distance、Normal_distance和Low_distance是否同时为FALSE，即高能区差值、正常区差值和低能区差值是否同时满足精度；如果不同时满足精度，即High_distance、Normal_distance和Low_distance三个值中有任意一个值为TRUE，则令Incidents＝Incidents+Step并转到步骤1.2；如果High_distance、Normal_distance和Low_distance都为FALSE，即第二动量谱图像高能区、第二动量谱图像正常区和第二动量谱图像低能区同时满足精度或当Incidents大于等于5000次时，则转到步骤1.9；

步骤1.9，本次COLTRIMS的模糊动量谱图像采集结束，将第二动量谱图像高能区、第二动量谱图像正常区和第二动量谱图像低能区合并为一张动量谱图像作为模糊动量谱图像输出；

步骤2，将模糊动量谱图像进行灰度化处理并调节亮度得到灰度化模糊动量谱图像；

步骤3，依次将相同激光场条件下，清晰动量谱图像与灰度化模糊动量谱图像组成训练图像对，将训练图像对作为训练数据集训练对抗网络架构得到训练好的对抗网络作为COLTRIMS图像修复模型；

步骤4，将模糊动量谱图像输入COLTRIMS图像修复模型进行修复获得清晰的COLTRIMS动量谱图像。

2.根据权利要求1所述的一种基于GAN的COLTRIMS图像修复方法，其特征在于，所述通过CCSFA方法生成一张清晰动量谱图像的方法为：每个不同激光场条件下，首先输入COLTRIMS的激光场的基本参数，并利用随机数生成初始动量，通过求解鞍点方程得到隧穿时间，将上述各条件代入牛顿运动方程求解电子总能量和电子动能，其中，电子总能量即相位的积累，电子动能即总相位；然后，通过开普勒运动方程计算末动能，并将末动能数据通过matlab软件进行仿真从而生成动量谱图像，所述动量谱图像为清晰动量谱图像。

3.根据权利要求1或2所述的一种基于GAN的COLTRIMS图像修复方法，其特征在于，在步骤1和步骤4中，所述激光场条件为COLTRIMS改变激光场的条件，包括但不限于激光场的波长为400nm、800nm、1600nm。

4.根据权利要求3所述的一种基于GAN的COLTRIMS图像修复方法，其特征在于，在步骤2中，将模糊动量谱图像进行灰度化处理并调节亮度得到灰度化模糊动量谱图像的方法为：

将模糊动量谱图像进行灰度化处理得到灰度化图像，并通过灰度化图像亮度调节公式调节灰度化图像的图像亮度得到灰度化模糊动量谱图像，所述灰度化图像亮度调节公式为：

设计说明书

技术领域

本公开涉及动量谱仪、计算机图像处理领域，具体涉及一种基于GAN的COLTRIMS图像修复方法及装置。

背景技术

冷靶反冲离子(电子)动量谱仪(Cold Target Recoil Ion Momentum Spectrum)，简写为COLTRIMS)是以冷气体射流作为目标靶的动量探测技术。通过记录离子和电子到达探测器的时间和位置，得到它们的初始三维动量分布，从而反推反应发生时的瞬态过程。COLTRIMS为研究强激光场中分子原子的超快动力学提供了强有力的手段，并广泛应用于测量原子分子的电离解离、非序列双电离中的电子关联、分子库伦爆炸成像等重要研究领域。

尽管在过去的几十年中，COLTRIMS的成像分辨率、测量速度已经大大改善。然而由于激光系统精密性和COLTRIMS对实验环境的苛刻要求，要完成一次测量仍需要大量的能源、人力资源以及维护经费。至今想通过实验获得如同理论计算下得到的清晰的动量谱图像依然很困难，且耗时很长，而不通过实验，从理论计算得到的清晰动量谱图像目前在电子电离研究领域非常普遍的半经典方法是两种已经发展得较为成熟的半经典方法，即量子轨道蒙特卡洛方法(Quantum Trajectory Monte Carlo)和库伦修正下的强场近似方法(Coulomb-Corrected Strong FieldApproximation)，库伦修正的强场近似模型(CCSFA方法)见参考文献(Yan T-M,Popruzhenko S V,Vrakking M J J and Bauer D2010Phys.Rev.Lett.105 253002)，(肖相如,王慕雪,黎敏,et al.强激光场中原子单电离的半经典方法[J].物理学报,2016,65(22))，通过CCSFA方法可以得到理论上的清晰动量谱图像。

为了减少获取清晰的模糊动量谱图像的成本，本专利公开了基于COLTRIMS的电子动量谱图像修复算法，利用卷积神经网络的自适应修正，建立短时间获取COLTRIMS的模糊动量谱图像与清晰动量谱图像的映射模型，利用对抗网络对生成的清晰的模糊动量谱图像和清晰动量谱图像进行判别来自动修正映射模型。实验获取的COLTRIMS的动量谱图像可以通过该网络自适应修复成在实验条件下和理论计算一样清晰的动量谱图像，从而达到缩短COLTRIMS图像的测量周期，提高通过实验获取的动量谱的清晰度的目的，极大地减少了实验成本。

由于短时间内通过COLTRIMS得到电子动量谱图是模糊不清的，无法看清识别动量谱的结构。因此现阶段都是经过长时间的测试得到较为清晰的动量谱图像，但仍然无法得到像理论计算一样具有明显干涉条纹地动量谱图像。另外，长时间使用COLTRIMS测动量谱会花费大量的时间和能源且结果仍不太理想，因此为了能研究实验图中的干涉结构，还需要通过理论计算还原实验图像，并在此条件下再计算一个能清楚地看到干涉条纹的图像。例如在测量电子-电子关联动量谱时，由于双电子电离几率远小于单电子电离几率，因此若要探测双电子电离动量谱，不仅需要更长的实验周期，还需进行理论计算模拟，才能探索实验中的物理机制。现今使用COLTRIMS技术得到动量谱图的成本还比较高，消耗的能源和实验周期以及人力维护都是一笔极大地费用，而理论计算需要实验图像作为依据才能进行分析。为了将实验与理论各自的优点相结合，引入了生成对抗网络。生成对抗网络在图像修复方面已经非常成熟，比如对老照片图片的修复以及应用在医学领域的OCT图像修复，但仍没有应用在物理学中电子动量谱图修复的技术。

发明内容

本公开提供一种基于GAN的COLTRIMS图像修复方法及装置，采用生成对抗网络(GAN)架构,通过训练得到短时间从实验中获取的模糊动量谱图像与理论计算(库伦修正的强场近似模型；即CCSFA方法)获取的清晰动量谱图像的映射模型，再利用该映射模型对COLTRIMS的模糊动量谱图像进行自适应修复，采集过程中利用适应性筛选步骤确定符合对抗网络架构的最小采集时间，也就是最少的事件发生次数，满足生成对抗网络的精度需求。

为了实现上述目的，根据本公开的一方面，提供一种基于GAN的COLTRIMS图像修复方法，所述方法包括以下步骤：

步骤1，在每个不同激光场条件下，通过CCSFA方法生成一张清晰动量谱图像，并通过COLTRIMS进行适应性筛选采集一张模糊动量谱图像；

步骤2，将模糊动量谱图像进行灰度化处理并调节亮度得到灰度化模糊动量谱图像；

步骤4，将模糊动量谱图像输入COLTRIMS图像修复模型进行修复获得清晰的COLTRIMS动量谱图像。

进一步地，在步骤1中，所述通过CCSFA方法生成一张清晰动量谱图像的方法为：

以下为通过CCSFA方法生成一张清晰动量谱图像的简要步骤：每个不同激光场条件下，首先输入COLTRIMS的激光场的基本参数，基本参数如电场频率、电场强度以及被电离的原子或分子的电离势，并利用随机数生成初始动量，通过求解鞍点方程得到隧穿时间，将上述各条件代入牛顿运动方程求解电子总能量和电子动能，其中，电子总能量即相位的积累，电子动能即总相位；然后，通过开普勒运动方程计算末动能，并将末动能数据通过matlab软件进行仿真从而生成动量谱图像，所述动量谱图像为清晰动量谱图像，具体的方法参见参考文献(Yan T-M,Popruzhenko S V,Vrakking M J J and Bauer D2010Phys.Rev.Lett.105 253002)或参考文献(肖相如,王慕雪,黎敏,et al.强激光场中原子单电离的半经典方法[J].物理学报,2016,65(22))。

进一步地，在步骤1中，由于COLTRIMS三维图像(动量谱图像)的事件发生次数(事件发生次数是在COLTRIMS探测中电子探测器和离子探测器探测到一次电子和离子，则记为发生一次事件)与时间成正比，即时间越长事件发生次数越多，图像上颜色深浅表示电子的几率大小，采集过程中利用适应性筛选步骤确定符合对抗网络架构的最少采集时间，也就是最小事件发生次数，而事件发生概率越大动量谱图像越清晰，因此时间长短即是事件发生概率的大与小；实验上长期测量的时间和理论计算(CCSFA方法)获取清晰动量谱图像的时间都非常长，但若利用生成对抗网络将两者结合应用，其消耗的时间将减少1000倍，且能得到与理论计算一样清晰的COLTIRMS图像。

在COLTRIMS实验中，事件发生次数正比于时间，事件发生次数越多，事件发生概率越大，时间也越长，而在理论计算中，是以轨道数目正比于时间，轨道数目越多，时间越长。实验与理论计算的判定标准不同，实验中必须用事件发生次数

所述实验获取的COLTRIMS的模糊动量谱图像的事件发生次数为5000次左右，所述理论计算(CCSFA方法)获取的清晰动量谱图像中包含的电子轨道数量大于等于5亿条。

例如，COLTRIMS的模糊动量谱图像通过COLTRIMS短期实验测量采集得到，清晰动量谱图像通过理论计算获得，短期测量的事件发生次数一般是小于等于5000次，而理论计算得到的动量谱图像的电子轨道数量是大于等于5亿条。由于理论计算的动量谱电子轨道数量远远大于短期测量的动量谱的事件发生次数，所以理论计算的动量谱明显比实验短期测量的动量谱更清晰且结构分明。

进一步地，在步骤1中，通过COLTRIMS进行适应性筛选采集一张模糊动量谱图像的方法为：

由于如果测量的动量谱图像事件发生次数过少的话，对抗网络架构(生成对抗网络)无法还原动量谱的干涉结构。在通过COLTRIMS采集动量谱图像的过程中，以Step次事件发生次数为步长采集COLTRIMS三维图像(动量谱图像)，Step为步长数值，默认值为500次，可人工调整，COLTRIMS的探测器(COLTRIMS的分子束和激光通过电子探测器和离子探测器)探测到的事件发生次数Incidents初值为500；

定义高能区差值采集的准入条件为High_distance，初值High_distance＝TRUE；

定义正常区差值采集的准入条件为Normal_distance，初值Normal_distance＝TRUE；

定义低能区差值采集的准入条件为Low_distance，初值Low_distance＝TRUE；

上述准入条件为TRUE或FALSE，TRUE为真，即允许；FALSE为假，不允许；

步骤1.1，将COLTRIMS的动量谱图像采集区域进行环状划分为三个部分，动量谱图像采集区域的中心区域为低能区，外围区域为高能区，普通区域为正常区，高能区(外围区域)范围为(r-r*0.2)～r，正常区(普通区域)范围为r*0.2～(r-r*0.2)，低能区(中心区域)范围为0～r*0.2r，r为动量谱的最大范围，r的值等于电场失势的峰值，电场失势的峰值＝电场强度E0\/电场频率w，“A～B”的意义为A到B，电场强度、电场频率均为动量谱仪的激光场的参数设置；

步骤1.2，从COLTRIMS的探测器探测到的事件发生次数Incidents(COLTRIMS探测中电子探测器和离子探测器探测到一次电子和离子，则记为发生一次事件)时的动量谱图像开始，以步长Step为单位采集动量谱图像；

当高能区差值采集的准入条件High_distance为True时(即高能区差值不满足精度)，COLTRIMS以两个相邻步长间隔分别采集第一动量谱图像高能区和第二动量谱图像高能区，第一动量谱图像高能区为事件发生次数为Incidents时COLTRIMS采集的动量谱图像的高能区，第二动量谱图像高能区为事件发生次数为Incidents+Step时COLTRIMS采集的动量谱图像的高能区；

步骤1.3，当正常区差值采集的准入条件Normal_distance为True时(即正常区差值不满足精度)，COLTRIMS以两个相邻步长间隔分别采集第一动量谱图像正常区和第二动量谱图像正常区，第一动量谱图像正常区为事件发生次数为Incidents时COLTRIMS采集的动量谱图像的正常区，第二动量谱图像正常区为事件发生次数为Incidents+Step时COLTRIMS采集的动量谱图像的正常区；

步骤1.4，当低能区差值采集的准入条件Low_distance为True时(即低能区差值不满足精度)，COLTRIMS以两个相邻步长间隔分别采集第一动量谱图像低能区和第二动量谱图像低能区，第一动量谱图像低能区为事件发生次数为Incidents时COLTRIMS采集的动量谱图像的低能区，第二动量谱图像低能区为事件发生次数为Incidents+Step时COLTRIMS采集的动量谱图像的低能区；

步骤1.5，当High_distance为FALSE时(即高能区差值已经满足精度)，转到步骤1.6；当High_distance为True时，将第一动量谱图像高能区中所有像素的灰度值的算数平均值和第二动量谱图像的高能区中所有像素的灰度值的算数平均值相减得到高能区差值；像素的灰度值通过灰度化图像得到(灰度化图像为现有技术)；

步骤1.6，当Normal_distance为FALSE时(即正常区差值已经满足精度)，转到步骤1.7；当Normal_distance为True时，将第一动量谱图像正常区中所有像素的灰度值的算数平均值和第二动量谱图像的正常区中所有像素的灰度值的算数平均值相减得到正常区差值；像素的灰度值通过灰度化图像得到(灰度化图像为现有技术)；

步骤1.7，当Low_distance为FALSE时(即低能区差值已经满足精度)，转到步骤1.8；当Low_distance为True时，将第一动量谱图像低能区中所有像素的灰度值的算数平均值和第二动量谱图像的低能区中所有像素的灰度值的算数平均值相减得到低能区差值；像素的灰度值通过灰度化图像得到(灰度化图像为现有技术)；

步骤1.8，当高能区差值落入差值精度区间的范围时，令High_distance为FALSE(即高能区差值已经满足精度)并保存第二动量谱图像高能区图像；

当正常区差值落入差值精度区间的范围时，令Normal_distance为FALSE(即正常区差值已经满足精度)保存第二动量谱图像正常区图像；

当低能区差值落入差值精度区间范围时，令Low_distance为FALSE(即低能区差值已经满足精度)并保存第二动量谱图像低能区图像；

判断High_distance、Normal_distance和Low_distance是否同时为FALSE，即高能区差值、正常区差值和低能区差值是否同时满足精度；如果不同时满足精度，即High_distance、Normal_distance和Low_distance三个值中有任意一个值为TRUE，则令Incidents＝Incidents+Step，(即将第二动量谱图像高能区、第二动量谱图像正常区和第二动量谱图像低能区中的动量谱图像的事件发生次数的最大值作为开始点)并转到步骤1.2进行新一轮的COLTRIMS动量谱图像采集；所述差值精度区间为±0.05，可人工调整，即落入±0.05区间则满足精度；如果High_distance、Normal_distance和Low_distance都为FALSE，即第二动量谱图像高能区、第二动量谱图像正常区和第二动量谱图像低能区同时满足精度或当Incidents大于等于5000次时，则转到步骤1.9；

步骤1.9，本次COLTRIMS的模糊动量谱图像采集结束，将第二动量谱图像高能区、第二动量谱图像正常区和第二动量谱图像低能区合并为一张动量谱图像作为适合于对抗网络架构的模糊动量谱图像输出。

经过上述的筛选操作步骤，筛选出的各个COLTRIMS的模糊动量谱图像中适合于对抗网络的灰度化模糊动量谱图像得到模糊动量谱图像；采集到的图像的高能区正常区、和低能区的差值算术平均值满足精度时，则得到了该对抗网络的适合输入的图像。根据上述的筛选操作，得到符合对抗网络的短期实验CONTRIMS图像。此图像则可以恢复出更为精确的动量谱图，不满足精度的测量的事件发生次数过少、过于COLTRIMS的图像就不适合于对抗网络，采集过程中利用适应性筛选步骤确定符合对抗网络架构的最小采集时间，也就是最少的事件发生次数。

例如，在采集图像的过程中，以500次事件发生次数为步长。比如当COLTRIMS探测采集的事件发生次数达到500次时，记录下该图像，当COLTRIMS探测采集的事件发生次数达到1000次时，记录下该图像，并将两个图像的高能区、正常区和低能区分别相减，判断差值较大，则下一次进行事件发生次数为1500的采集时着重采集那一区域的值。

也就是说通过这一次的图像与前一次的图像做差值来判断是否需要进行下一次采集。当采集到的图像的高能区、正常区、低能区差值算术平均值满足精度时，则得到了该网络适合输入的图像。

进一步地，在步骤1和步骤4中，所述激光场条件为COLTRIMS改变激光场的条件，包括但不限于激光场的波长为400nm、800nm、1600nm，激光场的波长取值范围为300nm到1800nm，另外，激光场条件也可以由激光包络形式、激光场强度等情况不同从而生成不同结构的动量谱图像。

进一步地，在步骤2中，将模糊动量谱图像进行灰度化处理并调节亮度得到灰度化模糊动量谱图像的方法为：

利用OpenCV视觉库中的img.convert()函数将模糊动量谱图像进行灰度化处理转为二进制格式，通过write_data2records()函数将二进制格式的模糊动量谱图像转存为二进制的tfrecords文件，在使用tfrecords文件时，利用read_and_recode()来读取解码模糊动量谱图像数据，并进行批量采样得到灰度化图像，由于模糊动量谱图像具有RGB三个维度的数据，灰度化后灰度化图像数据减少为1维，训练数据减少了2\/3，因此便于网络学习

利用“逻辑斯蒂S型曲线”方程为原型，通过灰度化图像亮度调节公式调节灰度化图像的图像亮度得到灰度化模糊动量谱图像，所述灰度化图像亮度调节公式为：

设计图

一种基于GAN的COLTRIMS图像修复方法及装置论文和设计

一种基于GAN的COLTRIMS图像修复方法及装置论文和设计-杨玮枫

全文摘要

主设计要求

设计方案

相关信息详情

猜你喜欢