《表1 典型流型的评价指标》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于数据驱动的卷积神经网络电容层析成像图像重建》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

图5为LBP、Landweber和改进的CNN模型三种方法对典型流型的成像效果比较。可以看出：LBP算法对分层流、环状流、核心流以及双核流均容易出现介质分布边缘模糊现象，重建获得的颗粒分布失真较为明显；Landweber算法成像效果总体要优于LBP算法，但对核心流和双核流而言，在边界位置与原图相比仍存在较大误差。此外Landweber算法多次迭代后会在管壁附近产生少量噪声；LBP算法和Landweber算法在管壁附近成像效果较好，而对中心区域的成像效果较差。相比较而言，使用CNN方法重建时，尽管气固两相边界处仍有部分噪声，但其总体的介质分布形状大小均与原图非常接近，图像重建效果最好。表1给出了三种重建算法对几种典型流型进行图像重建的相对图像误差、相关系数和相含量误差。可以看出LBP算法在分层流和双核流中表现略优于Landweber算法，而在环状流和核心流中Landweber算法表现更好，但二者总体表现相差不大；而采用CNN方法对四种流型进行图像重建的三个指标均远优于LBP和Landweber算法。