在半空间中使用U-Net与代修改对比方案进行电磁成像.

科学领域:

• 地质物理学 地质物理学
• 电气工程 电气工程
• 计算机科学 计算机科学

背景情况:

• 反向散射问题 (ISP) 对于地下成像至关重要,但在准确性和噪声方面面临挑战.
• 传统的代修改对比方案 (IMCS) 方法需要大量的代才能获得可接受的结果.
• 深度学习为在地物理和工程应用中增强图像重建提供了潜力.

研究的目的:

• 开发一种改进的方法,在半空间中解决反射散射问题.
• 为了提高地下结构重建的准确性和抗噪力.
• 利用深度学习 (U-Net) 来优化代修改对比方案 (IMCS).

主要方法:

• 实施U-Net深度学习架构,与代修改对比方案 (IMCS) 集成.
• 在IMCS中使用对比功能来提高目标可见性和内部结构重建.
• 用3次代IMCS对U-Net进行比较分析,与传统的200次代IMCS相比.

主要成果:

• 与200次代IMCS相比,使用3次代IMCS的U-Net显著提高了重建图像的准确性.
• 拟议的方法证明了对比度边界的增强检测和结构相似性 (SSI) 的改善.
• 即使在高斯噪声显著的情况下,也保持了强大的性能,确保了可靠的重建.

结论:

• 将U-Net深度学习与IMCS相结合,为逆分散问题提供了强大而高效的解决方案.
• 在地下成像中,U-Net-IMCS方法提供了卓越的准确性,噪声免疫性和结构相似性.
• 这种方法对于需要从分散数据中进行高准确度重建的应用程序来说是一个显著的进步.