Page 64 - 无损检测2023年第二期

赵付宝, 等:

复合材料的双能 CT 图像融合算法

图像和低能 CT 图像经反卷积层处理生成高能 CT 练, 还用于约束源图像和生成图像之间的相似性。
图像和低能 CT 图像的聚合图像, 然后经编码器生 生成器 G 的损失函数由对抗损失函数和内容损失
成整体特征图像, 最后经解码器生成融合 CT 图像。 函数组成, λ 表示权重, 则有
编码器由4个3×3的卷积层组成, 每层卷积层后设 adv ( 1 )
Loss G =Loss G + λLoss con
置 BN+ReLU 结构( BN : 批量归一化, ReLU : 线性 adv 定义为
式中: 生成器 G 的对抗损失函数 Loss G
激活函数), 通过卷积后每层可获得 48 个特征图。 Loss G = E { l g1-D h G ( h , l )]}} +
adv
[
{
为缓解梯度消失、 减少卷积后特征信息的丢失, 利用 E { l g1-D lϕ G ( h , l )]}} ( 2 )
[
{
先前计算的各层图像特征, 采用 DenseNet结构, 以 式中: E 为服从真实数据的分布; h 表示高能图像; l
前馈方式在所有层之间建立跳跃连接, 在每一层的 表示低能图像; G ( h , l ) 为生成的图像, 其具有足够
输入通道中加入之前的各层输出。解码器由5层卷 的真实性和信息量来欺骗鉴别器; 为下采算子, 由
ϕ
积层构成, 前 4 个卷积层每层采用 BN+ReLU 结 两个大小为3×3 , 步长为2的平均池化层实现。
构, 最后一层接 BN 批量归一化及tanh 激活函数, 2
文中使用 F- 范数(· ) 约束下采样融合 CT
F
所有卷积层的步长均设置为1 。为避免网络训练过 图像, 使其具有相似的像素强度, 通过约束下采样融
程中出现梯度爆炸或消失的情况并加快训练速度, 合 CT 图像和低能 CT 图像像素强度之间的关系,
采用了 BN 批量归一化, ReLU 激活函数加速网络 防止压缩或模糊导致的纹理信息丢失以及上采样过

收敛。
程导致的图像信息不准确。在正则化项中使用 TV
1.2 判别器 范数(· ), 约束高能 CT 图像与低能 CT 图像中
TV
是为了区
设置两个判别器 D h 和 D l , 判别器 D h 相似的梯度变化, 消除图像复原带来的伪影, 保持图
用于
分生成的融合 CT 图像与高能 CT 图像, 而 D l 像的光滑性; 内容损失可以表示为
区分低能 CT 图像和生成的融合 CT 图像。判别器
2
Loss con= E [ G ( h , l ) l F +
-
ϕ
的总体网络架构如图 3 所示。每个判别器分为 4 ] ( 3 )
-
η G ( h , l ) h TV
层, 前3层为 Conv层, 第4层为完全连接层。所有
式中: 为权重, 用来权衡像素强度和梯度变化的差
η
卷积层的步长均设置为 2 。在第 4 层, 为了更好地
异。
根据源图像估计输入图像的概率, 使用tanh激活函
所用的两个判别器的作用是区分源图像和生成
数代替 ReLU 激活函数。
的融合 CT 图像。判别器的对抗性损失可以计算不
同分布之间的JS散度, 从而确定纹理信息是否符合
实际, 并通过网络不断训练生成真实分布。对抗性
可表示为
损失 Loss D 和 Loss D
h l

Loss D = E [ l gD h h )] +
(
-
h
E { l g1-D h ϕ G ( h , l )]}} ( 4 )
{
[
-
Loss D = E [ l g D ll +
()]
-
l
[
{
E { l g1-D lϕ G ( h , l )]}} ( 5 )
-
对抗生成网络训练过程分为以下3个步骤。

( 1 )随机选取配对好的高能 CT 图像和低能
CT 图像的像素块对, 将每一对像素块在图像通道
维度上拼接起来作为生成器 G 的输入, 经过生成器
G 后, 得到对应像素块对的融合 CT 图像, 计算生成
图3 判别器的总体网络架构
器 G 的损失函数, 并利用优化器对网络参数进行更
1.3 损失函数 新, 得到生成器 G 的网络参数。
众所周知, GAN 网络的训练过程不稳定, 会产 ( 2 )将步骤( 1 ) 中所得像素块对的融合 CT 图

生伪像或不可控的结果。解决此问题的方案就是在 中进
像和对应的高能像素块输入到第一判别器 D h
网络中引入一组约束, 避免生成伪像和不可控结果。 中
行分类, 对应的低能像素块输入到第二判别器 D l
因此, 文中的生成器 G 不仅接受了欺骗判别器的训
进行分类, 并计算第一判别器 D h 和第二判别器 D l
0
3
2023年 第45卷 第2期
无损检测