用于图像特征提取的超表面及其设计方法和设计装置与流程

本发明涉及光电材料设计领域，尤其涉及一种用于图像特征提取的超表面及其设计方法和设计装置。

背景技术：

1、在计算机视觉和图像处理领域，边缘检测是一项基础任务，用于识别图像中的物体边缘和重要特征，对于目标检测、人脸识别、图像分割和3d重建等应用至关重要。

2、传统的边缘提取方法在处理大规模图像数据时，存在计算复杂度高、对噪声敏感、难以适用于多种尺度、计算效率低等问题。

3、近年来，虽然卷积神经网络等深度学习方法在边缘检测任务中取得了显著进展，但其计算复杂度和存储需求较高，所以运算速度相对较慢，限制了其在实时应用中的应用。所以，现有技术还不能很好的满足边缘特征提取任务的需求。

技术实现思路

1、为解决上述的现有技术问题中的至少其一，本发明的目的在于提供一种可以快速、准确完成图像特征提取的超表面及其设计方法和设计装置。

2、为实现上述发明目的，本发明一实施方式提供一种用于图像特征提取的超表面的设计方法，所述超表面包括多个基元，所述设计方法包括步骤：

3、获取训练数据，所述训练数据包括样本图像、以及与所述样本图像对应的标签数据；

4、基于图像特征提取任务，确定每个基元的尺寸参数；

5、将所述样本图像和所述尺寸参数输入图像特征提取模型，得到输出图像，其中，所述图像特征提取模型用于预测所述样本图像经所述尺寸参数对应的超表面调制后得到的输出图像；

6、计算损失值，其中，所述损失值包括所述输出图像与所述标签数据之间的对比损失；

7、基于所述损失值更新所述尺寸参数，直到所述损失值收敛，得到训练好的基元的目标尺寸参数。

8、作为本发明的进一步改进，所述图像特征提取任务为图像边缘特征提取任务，所述图像特征提取模型用于生成与所述样本图像对应的边缘特征图像，所述标签数据为与所述样本图像对应的理论边缘特征图像。

9、作为本发明的进一步改进，所述基于图像特征提取任务，确定每个基元的尺寸参数包括：

10、基于图像特征提取任务生成所述超表面的相位分布；

11、根据所述相位分布，确定每个基元的尺寸参数。

12、作为本发明的进一步改进，所述基于图像特征提取任务生成所述超表面的相位分布，包括：

13、基于高斯拉普拉斯函数，生成所述超表面的相位分布。

14、作为本发明的进一步改进，所述基于高斯拉普拉斯函数，生成所述超表面的相位分布，包括：

15、将所述高斯拉普拉斯函数的正值映射到第一相位区间，将高斯拉普拉斯函数的负值映射到第二相位区间，其中，所述第一相位区间与所述第二相位区间的范围之和为所述超表面的相位范围；

16、或者，

17、基于所述高斯拉普拉斯函数的正值创建第一相位遮挡，基于所述高斯拉普拉斯函数的负值创建第二相位遮挡，基于所述第一相位遮挡和第二相位遮挡确定所述超表面的相位分布。

18、作为本发明的进一步改进，所述根据所述相位分布确定每个基元的尺寸参数，包括：

19、将所述相位分布输入相位-尺寸映射模型，得到每个基元的尺寸参数，其中，所述相位-尺寸映射模型表征相位和尺寸之间的映射关系。

20、作为本发明的进一步改进，所述损失值还包括相位范围损失和/或高频损失，其中，所述相位范围损失基于当前尺寸参数对应的相位范围确定，所述高频损失基于所述输出图像在频域的频率信息确定，所述计算损失值包括：

21、对所述对比损失、以及所述相位范围损失和/或所述高频损失加权求和，确定所述损失值。

22、作为本发明的进一步改进，所述对比损失的计算公式为：

23、

24、其中，u(z)为所述标签数据，u(pg(x,y))为与所述标签数据对应于同一样本图像的所述输出图像。

25、作为本发明的进一步改进，所述相位范围损失的计算公式为：

26、

27、其中，pg(x,y)为所述超表面的(x,y)处的相位。

28、作为本发明的进一步改进，所述高频损失的计算公式为：

29、

30、其中，▽pg(x,y)为所述超表面的(x,y)处相位的梯度。

31、作为本发明的进一步改进，所述将所述样本图像和所述尺寸参数输入图像特征提取模型，得到输出图像，包括：

32、基于所述图像特征提取模型，根据所述尺寸参数得到第一耦合系数、第二耦合系数和传播常数，其中，所述第一耦合系数用于表征基元的近场电场与基元周围的预设关联基元的近场磁场的关联关系，所述预设关联基元包括位于所述基元周围的预设位置的预设数量的基元，所述第二耦合系数用于表征基元的近场电场与基元周围的预设关联的近场电场的关联关系；

33、根据所述样本图像、所述第一耦合系数、所述第二耦合系数和所述传播常数，得到所述输出图像。

34、作为本发明的进一步改进，所述图像特征提取模型包括：第一耦合系数子模型、第二耦合系数子模型和传播常数子模型，所述第一耦合系数子模型是由基元的尺寸参数和第一耦合系数对神经网络训练得到的，所述第二耦合系数子模型是由所述基元的尺寸参数和第二耦合系数对神经网络训练得到的，所述传播常数子模型是由所述基元的有效折射率和传播常数对神经网络训练得到的；

35、其中，所述基于所述图像特征提取模型，根据所述尺寸参数得到第一耦合系数、第二耦合系数和传播常数，包括：

36、基于所述第一耦合系数模型，根据所述尺寸参数得到第一耦合系数；

37、基于所述第二耦合系数模型，根据所述尺寸参数得到第二耦合系数；

38、基于所述传播常数模型，根据所述尺寸参数得到传播常数。

39、为实现上述发明目的之一，本发明一实施例提供了一种用于图像特征提取的超表面的设计装置，所述超表面包括多个基元，所述设计装置包括：

40、获取模块，用于获取训练数据，所述训练数据包括样本图像、以及与所述样本图像对应的标签数据；

41、生成模块，用于基于图像特征提取任务生成所述超表面的相位分布；

42、确定模块，用于根据所述相位分布确定每个基元的尺寸参数；

43、特征提取模块，用于将所述样本图像和所述尺寸参数输入图像特征提取模型，得到输出图像，其中，所述图像特征提取模型用于确定预测所述样本图像经过与所述尺寸参数对应的超表面调制后得到的输出图像；

44、计算模块，用于计算损失值，其中，所述损失值包括所述输出图像与所述标签数据之间的对比损失；

45、更新模块，用于基于所述损失值更新所述尺寸参数，直到所述损失值收敛，得到训练好的基元的目标尺寸参数。

46、为实现上述发明目的之一，本发明一实施例提供了一种用于图像特征提取的超表面，所述超表面包括多个基元，所述多个基元根据上述的用于图像特征提取的超表面的设计方法确定的训练好的目标尺寸参数进行配置。

47、为实现上述发明目的之一，本发明一实施例提供了一种图像特征提取方法，包括：

48、获取目标图像；

49、利用上述的用于图像特征提取的超表面对所述目标图像进行图像特征提取。

50、为实现上述发明目的之一，本发明一实施例提供了一种电子设备，包括：

51、存储模块，存储计算机程序；

52、处理模块，执行所述计算机程序时可实现上述的用于图像特征提取的超表面的设计方法中的步骤。

53、为实现上述发明目的之一，本发明一实施例提供了一种可读存储介质，其存储有计算机程序，该计算机程序被处理模块执行时可实现上述的用于图像特征提取的超表面的设计方法中的步骤。

54、与现有技术相比，本发明具有以下有益效果：基于本技术实施例的用于图像特征提取的超表面及其设计方法，先根据图像特征提取任务确定出初始的超表面的相位分布，再通过图像特征提取模型更新与相位分布对应的尺寸参数，并更新尺寸参数得到目标尺寸参数，通过该设计方法最终设计出的超表面可以很好的满足任务的需求，当入射光经过超表面时，通过超表面直接在成像过程中完成特征的提取，从而高效、低延迟地完成图像特征提取任务，且针对图像特征提取任务的设计过程更具有针对性，能快速准确的完成超表面的设计。