《表3 图像重建时间：基于数据驱动的卷积神经网络电容层析成像图像重建》

  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

重建算法的计算速度决定了其能否直接应用于电容层析成像系统的实时重建，因此需要对重建算法的计算效率进行评估。LBP算法和Landweber算法一般使用CPU根据电容向量逐帧进行计算；CNN算法由于其算法特殊性可用GPU进行加速计算，且可将多个样本同时载入显存以进行批量处理，其耗时远少于对样本数据逐帧进行重建所耗的时间。本文使用的CPU为intel i9-9900K，GPU为NVDIA GeForce RTX 2070，基于Windows平台对三种算法重建耗时进行了分析与比较，如表3所示。可以看出：CNN算法进行逐帧成像计算时，每幅图像的重建时间为10122.3μs，而Landweber算法为15806.1μs，CNN算法相比Landweber算法重建时间略有优势。而CNN算法在批量成像时，每幅图像的重建时间仅为114.5μs，与LBP算法相差无几。这表明，CNN算法可以与Landweber算法一样进行实时在线成像，而在离线分析时，可以达到更快的成像速度。