内容简介
本书围绕层析成像技术展开，重点聚焦于电阻及电阻/超声双模态融合的深度学习图像重建方法。在介绍了层析成像技术的重要意义及电学、多模态层析成像技术现状后，深入剖析了深度学习在图像重建中的应用进展与面临的问题。
书中详细阐述了多种创新图像重建方法，如V-Net与VD-Net图像重建方法，Landweber深度学习图像重建方法，电阻/超声双模态注意力融合图像重建方法等。 通过大量仿真与实验测试，对这些方法进行了全面验证与对比分析，为多相介质分布的可视化检测提供了精准有效的技术支持。
本书适合从事层析成像技术研究的科研人员、工程师等学习，也可用作高等院校相关专业的教学用书。
目录
第1章 绪论 001
1.1 层析成像技术及其意义 002
1.2 电学层析成像技术 004
1.2.1 电学层析成像技术概述 004
1.2.2 电学层析成像图像重建方法 005
1.3 多模态层析成像技术 008
1.3.1 多模态层析成像技术概述 008
1.3.2 多模态层析成像图像重建方法 009
1.4 层析成像技术中深度学习图像重建方法 011
1.4.1 深度学习方法及特点 011
1.4.2 深度学习在图像重建中的研究现状 012
1.4.3 深度学习图像重建面临的问题 014
1.5 本书主要思路及内容 015
1.5.1 主要思路 015
1.5.2 主要内容 017
第2章 层析成像基本原理与图像重建方法 019
2.1 电阻层析成像数学模型及研究问题 020
2.1.1 电阻层析成像数学模型 020
2.1.2 电阻层析成像研究问题 022
2.2 电阻层析成像图像重建常用方法 023
2.3 深度学习图像重建方法 027
2.3.1 深度学习应用于反问题的解释性 027
2.3.2 深度学习单模态图像重建的应用 028
2.3.3 深度学习多模态融合重建的实现 031
2.4 重建图像评价指标 033
2.5 多相介质分布数据库 034
2.5.1 样本库的基本形式及内容 034
2.5.2 离散气泡分布的样本建立 037
2.5.3 分层分布的样本建立 040
2.5.4 数据库中样本集的使用 042
2.6 本章小结 043
第3章 V型网络ERT图像重建方法 045
3.1 卷积神经网络 046
3.2V-Net图像重建方法 049
3.2.1 重建网络构建思路 049
3.2.2 重建网络的训练 051
3.2.3 重建网络结构的选择 052
3.2.4 V-Net网络构建结果 053
3.2.5 V-Net网络抗噪性测试 055
3.3 VD-Net图像重建方法 058
3.3.1 密集连接的信息流与梯度流 058
3.3.2 VD-Net网络 060
3.3.3 VD-Net网络抗噪性测试 062
3.4 仿真和实验测试结果与分析 065
3.4.1 不同重建方法的对比 065
3.4.2 移动模型实验测试 068
3.4.3 空间分辨率实验测试 069
3.4.4 分层分布动态实验测试 070
3.5 本章小结 073
第4章 Landweber深度学习图像重建方法 075
4.1 Landweber深度学习图像重建模型 076
4.2 Landweber迭代重建网络 077
4.2.1 重建网络的训练 077
4.2.2 重建网络结构的选择 079
4.2.3 重建网络构建结果 080
4.2.4 重建网络抗噪性测试 082
4.2.5 重建网络不同电导率对比度测试 085
4.3 实验结果与分析 086
4.3.1 离散泡状分布实验测试 086
4.3.2 分层分布动态实验测试 088
4.4 本章小结 088
第5章 电阻/超声双模态注意力融合图像重建 091
5.1 双模态融合基础 092
5.1.1 超声波透射衰减原理 092
5.1.2 双模态测量信息与敏感空间 093
5.2 双模态信息融合方法 095
5.3 双分支注意力图像重建网络 097
5.3.1 双模态信息融合思路 097
5.3.2 双模态融合网络的训练 099
5.3.3 双模态融合策略的选择 100
5.4 仿真结果与分析 104
5.4.1 仿真重建结果 104
5.4.2 算法抗噪性分析 107
5.5 实验结果与分析 108
5.6 本章小结 112
第6章 总结与展望 115
6.1 总结 116
6.2 展望 117
附录 符号对照表和缩略语说明 119
参考文献 123
前言/序言
在当今科技迅猛发展的时代浪潮中，多相介质分布的精确检测已然成为众多领域实现突破与创新的关键环节。化工产业的核心生产流程、石油运输的关键管道体系以及生物医学的前沿研究范畴，均迫切依赖于对多相介质状态的精准把控。在此背景下，层析成像技术作为一项具有革命性意义的可视化检测手段，肩负着重大使命，为解决多相介质分布检测难题开辟了新的路径。 电学层析成像技术凭借其无辐射、响应迅速、结构简便且成本低廉等显著优势，在多相介质检测领域占据重要地位。然而，其传统的图像重建方法却在复杂的非线性问题面前陷入困境。边界测量与介质分布之间的关系错综复杂，传统方法难以精准解析，致使重建图像的质量和精度难以满足实际需求。
深度学习技术的蓬勃兴起，宛如一盏明灯，照亮了层析成像技术发展的前行道路。其独特的多层结构和强大的学习能力，赋予了它从海量数据中自动挖掘、学习和提取特征的卓越本领，使其能够有效应对复杂的非线性建模挑战。在图像重建领域，深度学习展现出巨大的潜力，为突破传统方法的局限性带来了新的希望。
本书紧紧围绕电阻及电阻/超声双模态融合的层析成像深度学习图像重建技术，从基础理论的系统梳理到创新方法的精心构建，从网络架构的细致设计到实验验证的严谨实施，展开了全面而深入的讲解。本书深入剖析了深度学习在图像重建中的应用现状与面临的关键问题，提出了一系列具有创新性和实用性的图像重建方法。这些方法不仅在理论上具有重要意义，更在实际应用中展现出卓越的性能，为多相介质分布的精确检测提供了强有力的技术支撑。
本书旨在为从事相关研究的学者、工程师提供一本具有参考价值的专业图书。无论是在学术研究的深入探索中，还是在工程实践的具体应用里，本书都能为读者提供有益的启发和帮助。期望本书能够推动层析成像技术在多相介质检测领域不断迈向新的高度，助力相关产业实现技术升级与创新发展。同时，也衷心希望能够激发更多研究者的热情与创造力，吸引他们投身于这一充满活力与挑战的研究领域，共同为科技进步贡献力量。
由于作者水平有限，书中不妥之处在所难免，恳请广大读者批评指正。
著者
