技术领域
[0001] 本公开涉及动量谱仪、计算机
图像处理领域，具体涉及一种基于GAN的COLTRIMS图像修复方法及装置。
背景技术
[0002] 冷靶
反冲离子(
电子)动量谱仪(Cold Target Recoil Ion Momentum Spectrum)，简写为COLTRIMS)是以冷气体射流作为目标靶的动量探测技术。通过记录离子和电子到达探测器的时间和
位置，得到它们的初始三维动量分布，从而反推反应发生时的瞬态过程。COLTRIMS为研究强激光场中分子
原子的超快动
力学提供了强有力的手段，并广泛应用于测量原子分子的电离解离、非序列双电离中的电子关联、分子库伦爆炸成像等重要研究领域。
[0003] 尽管在过去的几十年中，COLTRIMS的成像
分辨率、测量速度已经大大改善。然而由于激光系统精密性和COLTRIMS对实验环境的苛刻要求，要完成一次测量仍需要大量的
能源、人力资源以及维护经费。至今想通过实验获得如同理论计算下得到的清晰的动量谱图像依然很困难，且耗时很长，而不通过实验，从理论计算得到的清晰动量谱图像目前在电子电离研究领域非常普遍的半经典方法是两种已经发展得较为成熟的半经典方法，即量子轨道蒙特卡洛方法(Quantum Trajectory Monte Carlo)和库伦修正下的强场近似方法(Coulomb-Corrected Strong FieldApproximation)，库伦修正的强场近似模型(CCSFA方法)见参考文献(Yan T-M,Popruzhenko S V,Vrakking M J J and Bauer D 2010Phys.Rev.Lett.105 253002)，(肖相如,王慕
雪,黎敏,et al.强激光场中原子单电离的半经典方法[J].物理学报,2016,65(22))，通过CCSFA方法可以得到理论上的清晰动量谱图像。
[0004] 为了减少获取清晰的模糊动量谱图像的成本，本
专利公开了基于COLTRIMS的电子动量谱图像修复
算法，利用
卷积神经网络的自适应修正，建立短时间获取COLTRIMS的模糊动量谱图像与清晰动量谱图像的映射模型，利用对抗网络对生成的清晰的模糊动量谱图像和清晰动量谱图像进行判别来自动修正映射模型。实验获取的COLTRIMS的动量谱图像可以通过该网络自适应修复成在实验条件下和理论计算一样清晰的动量谱图像，从而达到缩短COLTRIMS图像的测量周期，提高通过实验获取的动量谱的清晰度的目的，极大地减少了实验成本。
[0005] 由于短时间内通过COLTRIMS得到电子动量谱图是模糊不清的，无法看清识别动量谱的结构。因此现阶段都是经过长时间的测试得到较为清晰的动量谱图像，但仍然无法得到像理论计算一样具有明显干涉条纹地动量谱图像。另外，长时间使用COLTRIMS测动量谱会花费大量的时间和能源且结果仍不太理想，因此为了能研究实验图中的干涉结构，还需要通过理论计算还原实验图像，并在此条件下再计算一个能清楚地看到干涉条纹的图像。例如在测量电子-电子关联动量谱时，由于双电子电离几率远小于单电子电离几率，因此若要探测双电子电离动量谱，不仅需要更长的实验周期，还需进行理论计算模拟，才能探索实验中的物理机制。现今使用COLTRIMS技术得到动量谱图的成本还比较高，消耗的能源和实验周期以及人力维护都是一笔极大地
费用，而理论计算需要实验图像作为依据才能进行分析。为了将实验与理论各自的优点相结合，引入了生成对抗网络。生成对抗网络在图像修复方面已经非常成熟，比如对老照片图片的修复以及应用在医学领域的OCT图像修复，但仍没有应用在物理学中电子动量谱图修复的技术。
发明内容
[0006] 本公开提供一种基于GAN的COLTRIMS图像修复方法及装置，采用生成对抗网络(GAN)架构,通过训练得到短时间从实验中获取的模糊动量谱图像与理论计算(库伦修正的强场近似模型；即CCSFA方法)获取的清晰动量谱图像的映射模型，再利用该映射模型对COLTRIMS的模糊动量谱图像进行自适应修复，采集过程中利用适应性筛选步骤确定符合对抗网络架构的最小采集时间，也就是最少的事件发生次数，满足生成对抗网络的
精度需求。
[0007] 为了实现上述目的，根据本公开的一方面，提供一种基于GAN的COLTRIMS图像修复方法，所述方法包括以下步骤：
[0008] 步骤1，在每个不同激光场条件下，通过CCSFA方法生成一张清晰动量谱图像，并通过COLTRIMS进行适应性筛选采集一张模糊动量谱图像；
[0009] 步骤2，将模糊动量谱图像进行灰度化处理并调节
亮度得到灰度化模糊动量谱图像；
[0010] 步骤3，依次将相同激光场条件下，清晰动量谱图像与灰度化模糊动量谱图像组成训练图像对，将训练图像对作为
训练数据集训练对抗网络架构得到训练好的对抗网络作为COLTRIMS图像修复模型；
[0011] 步骤4，将模糊动量谱图像输入COLTRIMS图像修复模型进行修复获得清晰的COLTRIMS动量谱图像。
[0012] 进一步地，在步骤1中，所述通过CCSFA方法生成一张清晰动量谱图像的方法为：
[0013] 以下为通过CCSFA方法生成一张清晰动量谱图像的简要步骤：每个不同激光场条件下，首先输入COLTRIMS的激光场的基本参数，基本参数如
电场频率、电场强度以及被电离的原子或分子的电离势，并利用随机数生成初始动量，通过求解鞍点方程得到隧穿时间，将上述各条件代入
牛顿运动方程求解电子总
能量和电子
动能，其中，电子总能量即
相位的积累，电子动能即总相位；然后，通过开普勒运动方程计算末动能，并将末动能数据通过matlab
软件进行仿真从而生成动量谱图像，所述动量谱图像为清晰动量谱图像，具体的方法参见参考文献(Yan T-M,Popruzhenko S V,Vrakking M J J and Bauer D 2010Phys.Rev.Lett.105 253002)或参考文献(肖相如,王慕雪,黎敏,et al.强激光场中原子单电离的半经典方法[J].物理学报,2016,65(22))。
[0014] 进一步地，在步骤1中，由于COLTRIMS三维图像(动量谱图像)的事件发生次数(事件发生次数是在COLTRIMS探测中电子探测器和离子探测器探测到一次电子和离子，则记为发生一次事件)与时间成正比，即时间越长事件发生次数越多，图像上
颜色深浅表示电子的几率大小，采集过程中利用适应性筛选步骤确定符合对抗网络架构的最少采集时间，也就是最小事件发生次数，而事件发生概率越大动量谱图像越清晰，因此时间长短即是事件发生概率的大与小；实验上长期测量的时间和理论计算(CCSFA方法)获取清晰动量谱图像的时间都非常长，但若利用生成对抗网络将两者结合应用，其消耗的时间将减少1000倍，且能得到与理论计算一样清晰的COLTIRMS图像。
[0015] 在COLTRIMS实验中，事件发生次数正比于时间，事件发生次数越多，事件发生概率越大，时间也越长，而在理论计算中，是以轨道数目正比于时间，轨道数目越多，时间越长。实验与理论计算的判定标准不同，实验中必须用事件发生次数
[0016] 所述实验获取的COLTRIMS的模糊动量谱图像的事件发生次数为5000次左右，所述理论计算(CCSFA方法)获取的清晰动量谱图像中包含的电子轨道数量大于等于5亿条。
[0017] 例如，COLTRIMS的模糊动量谱图像通过COLTRIMS短期实验测量采集得到，清晰动量谱图像通过理论计算获得，短期测量的事件发生次数一般是小于等于5000次，而理论计算得到的动量谱图像的电子轨道数量是大于等于5亿条。由于理论计算的动量谱电子轨道数量远远大于短期测量的动量谱的事件发生次数，所以理论计算的动量谱明显比实验短期测量的动量谱更清晰且结构分明。
[0018] 进一步地，在步骤1中，通过COLTRIMS进行适应性筛选采集一张模糊动量谱图像的方法为：
[0019] 由于如果测量的动量谱图像事件发生次数过少的话，对抗网络架构(生成对抗网络)无法还原动量谱的干涉结构。在通过COLTRIMS采集动量谱图像的过程中，以Step次事件发生次数为步长采集COLTRIMS三维图像(动量谱图像)，Step为步长数值，默认值为500次，可人工调整，COLTRIMS的探测器(COLTRIMS的分子束和激光通过电子探测器和离子探测器)探测到的事件发生次数Incidents初值为500；
[0020] 定义高能区差值采集的准入条件为High_distance，初值High_distance＝TRUE；
[0021] 定义正常区差值采集的准入条件为Normal_distance，初值Normal_distance＝TRUE；
[0022] 定义低能区差值采集的准入条件为Low_distance，初值Low_distance＝TRUE；
[0023] 上述准入条件为TRUE或FALSE，TRUE为真，即允许；FALSE为假，不允许；
[0024] 步骤1.1，将COLTRIMS的动量谱
图像采集区域进行环状划分为三个部分，动量谱图像采集区域的中心区域为低能区，外围区域为高能区，普通区域为正常区，高能区(外围区域)范围为(r-r*0.2)～r，正常区(普通区域)范围为r*0.2～(r-r*0.2)，低能区(中心区域)范围为0～r*0.2r，r为动量谱的最大范围，r的值等于电场失势的峰值，电场失势的峰值＝电场强度E0/电场频率w，“A～B”的意义为A到B，电场强度、电场频率均为动量谱仪的激光场的参数设置；
[0025] 步骤1.2，从COLTRIMS的探测器探测到的事件发生次数Incidents(COLTRIMS探测中电子探测器和离子探测器探测到一次电子和离子，则记为发生一次事件)时的动量谱图像开始，以步长Step为单位采集动量谱图像；
[0026] 当高能区差值采集的准入条件High_distance为True时(即高能区差值不满足精度)，COLTRIMS以两个相邻步长间隔分别采集第一动量谱图像高能区和第二动量谱图像高能区，第一动量谱图像高能区为事件发生次数为Incidents时COLTRIMS采集的动量谱图像的高能区，第二动量谱图像高能区为事件发生次数为Incidents+Step时COLTRIMS采集的动量谱图像的高能区；
[0027] 步骤1.3，当正常区差值采集的准入条件Normal_distance为True时(即正常区差值不满足精度)，COLTRIMS以两个相邻步长间隔分别采集第一动量谱图像正常区和第二动量谱图像正常区，第一动量谱图像正常区为事件发生次数为Incidents时COLTRIMS采集的动量谱图像的正常区，第二动量谱图像正常区为事件发生次数为Incidents+Step时COLTRIMS采集的动量谱图像的正常区；
[0028] 步骤1.4，当低能区差值采集的准入条件Low_distance为True时(即低能区差值不满足精度)，COLTRIMS以两个相邻步长间隔分别采集第一动量谱图像低能区和第二动量谱图像低能区，第一动量谱图像低能区为事件发生次数为Incidents时COLTRIMS采集的动量谱图像的低能区，第二动量谱图像低能区为事件发生次数为Incidents+Step时COLTRIMS采集的动量谱图像的低能区；
[0029] 步骤1.5，当High_distance为FALSE时(即高能区差值已经满足精度)，转到步骤1.6；当High_distance为True时，将第一动量谱图像高能区中所有
像素的灰度值的算数平均值和第二动量谱图像的高能区中所有像素的灰度值的算数平均值相减得到高能区差值；
像素的灰度值通过灰度化图像得到(灰度化图像为
现有技术)；
[0030] 步骤1.6，当Normal_distance为FALSE时(即正常区差值已经满足精度)，转到步骤1.7；当Normal_distance为True时，将第一动量谱图像正常区中所有像素的灰度值的算数平均值和第二动量谱图像的正常区中所有像素的灰度值的算数平均值相减得到正常区差值；像素的灰度值通过灰度化图像得到(灰度化图像为现有技术)；
[0031] 步骤1.7，当Low_distance为FALSE时(即低能区差值已经满足精度)，转到步骤1.8；当Low_distance为True时，将第一动量谱图像低能区中所有像素的灰度值的算数平均值和第二动量谱图像的低能区中所有像素的灰度值的算数平均值相减得到低能区差值；像素的灰度值通过灰度化图像得到(灰度化图像为现有技术)；
[0032] 步骤1.8，当高能区差值落入差值精度区间的范围时，令High_distance为FALSE(即高能区差值已经满足精度)并保存第二动量谱图像高能区图像；
[0033] 当正常区差值落入差值精度区间的范围时，令Normal_distance为FALSE(即正常区差值已经满足精度)保存第二动量谱图像正常区图像；
[0034] 当低能区差值落入差值精度区间范围时，令Low_distance为FALSE(即低能区差值已经满足精度)并保存第二动量谱图像低能区图像；
[0035] 判断High_distance、Normal_distance和Low_distance是否同时为FALSE，即高能区差值、正常区差值和低能区差值是否同时满足精度；如果不同时满足精度，即High_distance、Normal_distance和Low_distance三个值中有任意一个值为TRUE，则令Incidents＝Incidents+Step，(即将第二动量谱图像高能区、第二动量谱图像正常区和第二动量谱图像低能区中的动量谱图像的事件发生次数的最大值作为开始点)并转到步骤1.2进行新一轮的COLTRIMS动量谱图像采集；所述差值精度区间为±0.05，可人工调整，即落入±0.05区间则满足精度；如果High_distance、Normal_distance和Low_distance都为FALSE，即第二动量谱图像高能区、第二动量谱图像正常区和第二动量谱图像低能区同时满足精度或当Incidents大于等于5000次时，则转到步骤1.9；
[0036] 步骤1.9，本次COLTRIMS的模糊动量谱图像采集结束，将第二动量谱图像高能区、第二动量谱图像正常区和第二动量谱图像低能区合并为一张动量谱图像作为适合于对抗网络架构的模糊动量谱图像输出。
[0037] 经过上述的筛选操作步骤，筛选出的各个COLTRIMS的模糊动量谱图像中适合于对抗网络的灰度化模糊动量谱图像得到模糊动量谱图像；采集到的图像的高能区正常区、和低能区的差值算术平均值满足精度时，则得到了该对抗网络的适合输入的图像。根据上述的筛选操作，得到符合对抗网络的短期实验CONTRIMS图像。此图像则可以恢复出更为精确的动量谱图，不满足精度的测量的事件发生次数过少、过于COLTRIMS的图像就不适合于对抗网络，采集过程中利用适应性筛选步骤确定符合对抗网络架构的最小采集时间，也就是最少的事件发生次数。
[0038] 例如，在采集图像的过程中，以500次事件发生次数为步长。比如当COLTRIMS探测采集的事件发生次数达到500次时，记录下该图像，当COLTRIMS探测采集的事件发生次数达到1000次时，记录下该图像，并将两个图像的高能区、正常区和低能区分别相减，判断差值较大，则下一次进行事件发生次数为1500的采集时着重采集那一区域的值。
[0039] 也就是说通过这一次的图像与前一次的图像做差值来判断是否需要进行下一次采集。当采集到的图像的高能区、正常区、低能区差值算术平均值满足精度时，则得到了该网络适合输入的图像。
[0040] 进一步地，在步骤1和步骤4中，所述激光场条件为COLTRIMS改变激光场的条件，包括但不限于激光场的
波长为400nm、800nm、1600nm，激光场的波长取值范围为300nm到1800nm，另外，激光场条件也可以由激光包络形式、激光场强度等情况不同从而生成不同结构的动量谱图像。
[0041] 进一步地，在步骤2中，将模糊动量谱图像进行灰度化处理并调节亮度得到灰度化模糊动量谱图像的方法为：
[0042] 利用OpenCV视觉库中的img.convert()函数将模糊动量谱图像进行灰度化处理转为二进制格式，通过write_data2records()函数将二进制格式的模糊动量谱图像转存为二进制的tfrecords文件，在使用tfrecords文件时，利用read_and_recode()来读取解码模糊动量谱图像数据，并进行批量
采样得到灰度化图像，由于模糊动量谱图像具有RGB三个维度的数据，灰度化后灰度化图像数据减少为1维，训练数据减少了2/3，因此便于网络学习[0043] 利用“逻辑斯蒂S型曲线”方程为
原型，通过灰度化图像亮度调节公式调节灰度化图像的图像亮度得到灰度化模糊动量谱图像，所述灰度化图像亮度调节公式为：
[0044]式中，
Imageadjust为调整亮度后的灰度化模糊动量谱图像，imageblurred为灰度化图像，经过多次试验，为了保持逻辑斯蒂S型曲线的值在0-255取倍数为273.4635，差值为13.05；通过灰度化图像亮度调节公式对动量谱的灰度化图像的亮度进行了调整，使图像最暗和最亮像素的值仍为0和255，对高亮部分和暗部的亮度较大幅的压缩，对中等亮度的像素较小幅度的压缩，使其在训练网络前就能去除边界几率相对较小的电子轨道，使动量谱的结构更明显，利于网络学习，且可减少一定数量的训练次数。
[0045] 进一步地，在步骤3中，依次将相同激光场条件下，清晰动量谱图像与灰度化模糊动量谱图像组成训练图像对，将训练图像对作为训练数据集训练对抗网络架构得到训练好的对抗网络作为COLTRIMS图像修复模型的方法为：
[0046] 所述对抗网络架构分为一个生成网络和一个判别网络；所述生成网络表示为G网络，所述判别网络表示为D网络，对于G网络(生成网络)，依次将相同激光场条件下，理论计算获得的清晰动量谱图像分别与每个灰度化模糊动量谱图像组成训练图像对作为训练数据集(即每个相同激光场条件下，清晰动量谱图像与灰度化模糊动量谱图像组成训练图像对)，对抗网络架构接收训练数据集的二进制图片数据作为训练数据集，利用卷积网络来学习训练图像对中灰度化模糊动量谱图像的特征，再通过反卷积网络将学到的多种特征合并到一张图像上，生成了清晰的图像，记作G(z)，D网络来判别一张图片是否是清晰的，因此D网络通过输入一张训练数据集中灰度化模糊动量谱图像对应的清晰动量谱图像作为参照，输出D(G(z))代表G(z)是清晰图片的概率，如果输出为1，就代表是清晰图片，如果输出为0，就代表不是清晰图片，在训练过程中，生成网络G的目标就是尽量生成清晰的图片去欺骗D网络，D网络的目标就是尽量把G生成的图片和清晰的图片分别开来。这样G网络和D网络就构成了一个动态的“博弈过程”，进行多次
迭代后，G网络生成了足以欺骗D网络的清晰图片，此时D(G(z))＝0.5，此时就训练出了一个实验的COLTRIMS的模糊动量谱图像与理论计算得到的清晰动量谱图像的映射模型即训练好的对抗网络，因此通过端到端的训练得到了一个COLTRIMS的模糊动量谱图像与清晰动量谱图像的映射模型，即为COLTRIMS图像修复模型。
[0047] 在所述生成网络的卷积网络中，具有八层卷积网络。卷积层采用了滑动步长为1，形状为5×5的卷积核，除了第一个卷积层外，每一层都采用了批量正则化；其中所有激活函数ReLU都是leaky ReLU，斜率为0.2。在反卷积网络中，具有八层卷积网络。反卷积层也采用了滑动步长为1，形状为5×5的卷积核，除了最后一个反卷积层外，每一层都采用了批量正则化；其中所有的激活函数都是ReLU，且进行了对称跨层连接，最后一层的激活函数是tanh。在判别网络的卷积网络中，具有五层卷积网络。该卷积网络与生成层卷积网络相同，不同之处在于最后一层为全连接层。其反向优化采用的是出事学习率为2e-4、动量为0.5的Adam算法来交替优化生成器和判别器。
[0048] 进一步地，在步骤4中，将模糊动量谱图像输入COLTRIMS图像修复模型进行修复获得清晰的COLTRIMS动量谱图像方法为：
[0049] 使用不同激光场条件下的COLTRIMS的模糊动量谱图像灰度化后作为G网络的训练对象，使用不同激光场条件下清晰动量谱图像作为D网络的清晰参照图像,通过G网络训练后得到的输出G(z)，即生成获得清晰的COLTRIMS动量谱图像。通过与清晰动量谱图像进行比较可以发现，该清晰的COLTRIMS动量谱图像很好地还原了模糊动量谱图像的基本结构和干涉现象。
[0050] 本发明还提供了一种基于GAN的COLTRIMS图像修复装置，所述装置包括：
存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的
计算机程序，所述处理器执行所述计算机程序运行在以下装置的单元中：
[0051] 动量谱图像采集单元，用于在每个不同激光场条件下，通过CCSFA方法生成一张清晰动量谱图像，并通过COLTRIMS进行适应性筛选采集一张模糊动量谱图像；所述通过COLTRIMS进行适应性筛选采集一张模糊动量谱图像方法为：
[0052] 在通过COLTRIMS采集动量谱图像的过程中，以Step次事件发生次数为步长采集动量谱图像，Step为步长数值，COLTRIMS的探测器探测到的事件发生次数Incidents初值为500；
[0053] 定义高能区差值采集的准入条件为High_distance，初值High_distance＝TRUE；
[0054] 定义正常区差值采集的准入条件为Normal_distance，初值Normal_distance＝TRUE；
[0055] 定义低能区差值采集的准入条件为Low_distance，初值Low_distance＝TRUE；
[0056] 上述准入条件为TRUE或FALSE，TRUE为真，即允许；FALSE为假，不允许；
[0057] 步骤1.1，将COLTRIMS的动量谱图像采集区域进行环状划分为三个部分，动量谱图像采集区域的中心区域为低能区，外围区域为高能区，普通区域为正常区，高能区范围为(r-r*0.2)～r，正常区范围为r*0.2～(r-r*0.2)，低能区范围为0～r*0.2，r为动量谱的最大范围，r的值等于电场失势的峰值，电场失势的峰值＝电场强度E0/电场频率w，“A～B”的意义为A到B，电场强度、电场频率均为动量谱仪的激光场的参数设置；
[0058] 步骤1.2，从COLTRIMS的探测器探测到的事件发生次数Incidents时的动量谱图像开始，以步长Step为单位采集动量谱图像；
[0059] 当高能区差值采集的准入条件High_distance为True时，COLTRIMS以两个相邻步长间隔分别采集第一动量谱图像高能区和第二动量谱图像高能区，第一动量谱图像高能区为事件发生次数为Incidents时COLTRIMS采集的动量谱图像的高能区，第二动量谱图像高能区为事件发生次数为Incidents+Step时COLTRIMS采集的动量谱图像的高能区；
[0060] 步骤1.3，当正常区差值采集的准入条件Normal_distance为True时，COLTRIMS以两个相邻步长间隔分别采集第一动量谱图像正常区和第二动量谱图像正常区，第一动量谱图像正常区为事件发生次数为Incidents时COLTRIMS采集的动量谱图像的正常区，第二动量谱图像正常区为事件发生次数为Incidents+Step时COLTRIMS采集的动量谱图像的正常区；
[0061] 步骤1.4，当低能区差值采集的准入条件Low_distance为True时，COLTRIMS以两个相邻步长间隔分别采集第一动量谱图像低能区和第二动量谱图像低能区，第一动量谱图像低能区为事件发生次数为Incidents时COLTRIMS采集的动量谱图像的低能区，第二动量谱图像低能区为事件发生次数为Incidents+Step时COLTRIMS采集的动量谱图像的低能区；
[0062] 步骤1.5，当High_distance为FALSE时，转到步骤1.6；当High_distance为True时，将第一动量谱图像高能区中所有像素的灰度值的算数平均值和第二动量谱图像的高能区中所有像素的灰度值的算数平均值相减得到高能区差值；
[0063] 步骤1.6，当Normal_distance为FALSE时，转到步骤1.7；当Normal_distance为True时，将第一动量谱图像正常区中所有像素的灰度值的算数平均值和第二动量谱图像的正常区中所有像素的灰度值的算数平均值相减得到正常区差值；
[0064] 步骤1.7，当Low_distance为FALSE时，转到步骤1.8；当Low_distance为True时，将第一动量谱图像低能区中所有像素的灰度值的算数平均值和第二动量谱图像的低能区中所有像素的灰度值的算数平均值相减得到低能区差值；
[0065] 步骤1.8，当高能区差值落入差值精度区间的范围时，令High_distance为FALSE并保存第二动量谱图像高能区图像；
[0066] 当正常区差值落入差值精度区间的范围时，令Normal_distance为FALSE并保存第二动量谱图像正常区图像；
[0067] 当低能区差值落入差值精度区间范围时，令Low_distance为FALSE并保存第二动量谱图像低能区图像；
[0068] 判断High_distance、Normal_distance和Low_distance是否同时为FALSE，即高能区差值、正常区差值和低能区差值是否同时满足精度；如果不同时满足精度，即High_distance、Normal_distance和Low_distance三个值中有任意一个值为TRUE，则令Incidents＝Incidents+Step并转到步骤1.2；如果High_distance、Normal_distance和Low_distance都为FALSE，即第二动量谱图像高能区、第二动量谱图像正常区和第二动量谱图像低能区同时满足精度或当Incidents大于等于5000次时，则转到步骤1.9；
[0069] 步骤1.9，本次COLTRIMS的模糊动量谱图像采集结束，将第二动量谱图像高能区、第二动量谱图像正常区和第二动量谱图像低能区合并为一张动量谱图像作为模糊动量谱图像输出；
[0070] 图像灰度化单元，用于将模糊动量谱图像进行灰度化处理并调节亮度得到灰度化模糊动量谱图像；
[0071] 网络训练单元，用于依次将相同激光场条件下，清晰动量谱图像与灰度化模糊动量谱图像组成训练图像对，将训练图像对作为训练数据集训练对抗网络架构得到训练好的对抗网络作为COLTRIMS图像修复模型；
[0072] 图像修复单元，用于将模糊动量谱图像输入COLTRIMS图像修复模型进行修复获得清晰的COLTRIMS动量谱图像。
[0073] 本公开的有益效果为：本发明提供一种基于GAN的COLTRIMS图像修复方法及装置，在采集动量谱图像的过程中经过精度筛选得到符合对抗网络的短期CONTRIMS图像，图像可以恢复出更为精确的实验动量谱图，采集过程中利用适应性筛选步骤确定符合对抗网络架构的最小采集时间，也就是最少事件发生次数，满足生成对抗网络的精度需求，并得到适合的网络图像，大幅度降低了通过COLTRIMS技术获取清晰的实验电子动量谱实验周期与能源消耗费用。
附图说明
[0074] 通过对结合附图所示出的实施方式进行详细说明，本公开的上述以及其他特征将更加明显，本公开附图中相同的参考标号表示相同或相似的元素，显而易见地，下面描述中的附图仅仅是本公开的一些
实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，在附图中：
[0075] 图1所示为一种基于GAN的COLTRIMS图像修复方法的
流程图；
[0076] 图2所示为COLTRIMS的模糊动量谱图像；
[0077] 图3所示为COLTRIMS的清晰动量谱图像；
[0078] 图4所示为采集图像适应性筛选整体装置示意图；
[0079] 图5所示为对抗网络架构训练示意图；
[0080] 图6所示为获得清晰的动量谱图像；
[0081] 图7所示为一种基于GAN的COLTRIMS图像修复装置结构图。
具体实施方式
[0082] 以下将结合实施例和附图对本公开的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本公开的目的、方案和效果。需要说明的是，在不冲突的情况下，本
申请中的实施例及实施例中的特征可以相互组合。
[0083] 如图1所示为根据本公开的一种基于GAN的COLTRIMS图像修复方法的流程图，下面结合图1来阐述根据本公开的实施方式的一种基于GAN的COLTRIMS图像修复方法。
[0084] 本公开提出一种基于GAN的COLTRIMS图像修复方法，具体包括以下步骤：
[0085] 步骤1，在每个不同激光场条件下，通过CCSFA方法生成一张清晰动量谱图像，并通过COLTRIMS进行适应性筛选采集一张模糊动量谱图像；
[0086] 步骤2，将模糊动量谱图像进行灰度化处理并调节亮度得到灰度化模糊动量谱图像；
[0087] 步骤3，依次将相同激光场条件下，清晰动量谱图像与灰度化模糊动量谱图像组成训练图像对，将训练图像对作为训练数据集训练对抗网络架构得到训练好的对抗网络作为COLTRIMS图像修复模型；
[0088] 步骤4，将模糊动量谱图像输入COLTRIMS图像修复模型进行修复获得清晰的COLTRIMS动量谱图像。
[0089] 进一步地，在步骤1中，所述通过CCSFA方法生成一张清晰动量谱图像的方法为：
[0090] 以下为通过CCSFA方法生成一张清晰动量谱图像的简要步骤：每个不同激光场条件下，首先输入COLTRIMS的激光场的基本参数，基本参数如电场频率、电场强度以及被电离的原子或分子的电离势，并利用随机数生成初始动量，通过求解鞍点方程得到隧穿时间，将上述各条件代入牛顿运动方程求解电子总能量和电子动能，其中，电子总能量即相位的积累，电子动能即总相位；然后，通过开普勒运动方程计算末动能，并将末动能数据通过matlab软件进行仿真从而生成动量谱图像，所述动量谱图像为清晰动量谱图像，具体的方法参见参考文献(Yan T-M,Popruzhenko S V,Vrakking M J J and Bauer D 2010Phys.Rev.Lett.105 253002)或参考文献(肖相如,王慕雪,黎敏,et al.强激光场中原子单电离的半经典方法[J].物理学报,2016,65(22))。
[0091] 进一步地，在步骤1中，由于COLTRIMS三维图像(动量谱图像)的事件发生次数(事件发生次数是在COLTRIMS探测中电子探测器和离子探测器探测到一次电子和离子，则记为发生一次事件)与时间成正比，即时间越长事件发生次数越多，图像上颜色深浅表示电子的几率大小，采集过程中利用适应性筛选步骤确定符合对抗网络架构的最少采集时间，也就是最小事件发生次数，而事件发生概率越大动量谱图像越清晰，因此时间长短即是事件发生概率的大与小；实验上长期测量的时间和理论计算(CCSFA方法)获取清晰动量谱图像的时间都非常长，但若利用生成对抗网络将两者结合应用，其消耗的时间将减少1000倍，且能得到与理论计算一样清晰的COLTIRMS图像。
[0092] 在COLTRIMS实验中，事件发生次数正比于时间，事件发生次数越多，事件发生概率越大，时间也越长，而在理论计算中，是以轨道数目正比于时间，轨道数目越多，时间越长。实验与理论计算的判定标准不同，实验中必须用事件发生次数
[0093] 所述实验获取的COLTRIMS的模糊动量谱图像的事件发生次数为5000次左右，所述理论计算(CCSFA方法)获取的清晰动量谱图像中包含的电子轨道数量大于等于5亿条。
[0094] 例如，COLTRIMS的模糊动量谱图像通过COLTRIMS短期实验测量采集得到，清晰动量谱图像通过理论计算获得，短期测量的事件发生次数一般是小于等于5000次，而理论计算得到的动量谱图像的事件发生次数是大于等于5亿次。由于理论计算的动量谱电子轨道数量远远大于短期测量的动量谱的事件发生次数，所以理论计算的动量谱明显比实验短期测量的动量谱更清晰且结构分明。
[0095] 如图2所示为COLTRIMS的模糊动量谱图像，图3所示为COLTRIMS的清晰动量谱图像，COLTRIMS的模糊动量谱图像和COLTRIMS的清晰动量谱图像的区别在于事件发生次数(事件发生次数是在COLTRIMS探测中电子探测器和离子探测器探测到一次电子和离子，则记为发生一次事件)的概率区别，模糊动量谱图像中的事件发生次数一般是小于等于5000次，而理论计算得到的清晰动量谱图像的事件发生次数是大于等于5亿次。
[0096] 所述COLTRIMS的模糊动量谱图像中包含的电子轨道数量为小于等于100万条，所述清晰动量谱图像中包含的电子轨道数量大于等于5亿条。由于长期测量的动量谱电子轨道数量远远大于短期测量的动量谱电子轨道数量，长期测量的动量谱明显比短期测量的动量谱更清晰且结构分明。
[0097] 如图4所示，图4所示为采集图像适应性筛选整体装置示意图，采集图像的
硬件装置为冷靶反冲离子(电子)动量谱仪(COLTRIMS)，其结构主要由分子束和激光通过电子探测器和离子探测器构成，例如可以对稀有气体等原子分子结构的粒子进行探测采集得到动量谱图像，在图4中，示意了如何通过以下步骤进行针对网络(对抗网络)的适应性筛选步骤。
[0098] 进一步地，在步骤1中，通过COLTRIMS进行适应性筛选采集一张模糊动量谱图像的方法为：
[0099] 由于如果测量的动量谱图像事件发生次数过少的话，对抗网络架构(生成对抗网络)无法还原动量谱的干涉结构。在通过COLTRIMS采集动量谱图像的过程中，以Step次事件发生次数为步长采集COLTRIMS三维图像(动量谱图像)，Step为步长数值，默认值为500次，可人工调整，COLTRIMS的探测器(COLTRIMS的分子束和激光通过电子探测器和离子探测器)探测到的事件发生次数Incidents初值为500；
[0100] 定义高能区差值采集的准入条件为High_distance，初值High_distance＝TRUE；
[0101] 定义正常区差值采集的准入条件为Normal_distance，初值Normal_distance＝TRUE；
[0102] 定义低能区差值采集的准入条件为Low_distance，初值Low_distance＝TRUE；
[0103] 上述准入条件为TRUE或FALSE，TRUE为真，即允许；FALSE为假，不允许；
[0104] 步骤1.1，将COLTRIMS的动量谱图像采集区域进行环状划分为三个部分，动量谱图像采集区域的中心区域为低能区，外围区域为高能区，普通区域为正常区，高能区(外围区域)范围为(r-r*0.2)～r，正常区(普通区域)范围为r*0.2～(r-r*0.2)，低能区(中心区域)范围为0～r*0.2r，r为动量谱的最大范围，r的值等于电场失势的峰值，电场失势的峰值＝电场强度E0/电场频率w，“A～B”的意义为A到B，电场强度、电场频率均为动量谱仪的激光场的参数设置；
[0105] 步骤1.2，从COLTRIMS的探测器探测到的事件发生次数Incidents(COLTRIMS探测中电子探测器和离子探测器探测到一次电子和离子，则记为发生一次事件)时的动量谱图像开始，以步长Step为单位采集动量谱图像；
[0106] 当高能区差值采集的准入条件High_distance为True时(即高能区差值不满足精度)，COLTRIMS以两个相邻步长间隔分别采集第一动量谱图像高能区和第二动量谱图像高能区，第一动量谱图像高能区为事件发生次数为Incidents时COLTRIMS采集的动量谱图像的高能区，第二动量谱图像高能区为事件发生次数为Incidents+Step时COLTRIMS采集的动量谱图像的高能区；
[0107] 步骤1.3，当正常区差值采集的准入条件Normal_distance为True时(即正常区差值不满足精度)，COLTRIMS以两个相邻步长间隔分别采集第一动量谱图像正常区和第二动量谱图像正常区，第一动量谱图像正常区为事件发生次数为Incidents时COLTRIMS采集的动量谱图像的正常区，第二动量谱图像正常区为事件发生次数为Incidents+Step时COLTRIMS采集的动量谱图像的正常区；
[0108] 步骤1.4，当低能区差值采集的准入条件Low_distance为True时(即低能区差值不满足精度)，COLTRIMS以两个相邻步长间隔分别采集第一动量谱图像低能区和第二动量谱图像低能区，第一动量谱图像低能区为事件发生次数为Incidents时COLTRIMS采集的动量谱图像的低能区，第二动量谱图像低能区为事件发生次数为Incidents+Step时COLTRIMS采集的动量谱图像的低能区；
[0109] 步骤1.5，当High_distance为FALSE时(即高能区差值已经满足精度)，转到步骤1.6；当High_distance为True时，将第一动量谱图像高能区中所有像素的灰度值的算数平均值和第二动量谱图像的高能区中所有像素的灰度值的算数平均值相减得到高能区差值；
像素的灰度值通过灰度化图像得到(灰度化图像为现有技术)；
[0110] 步骤1.6，当Normal_distance为FALSE时(即正常区差值已经满足精度)，转到步骤1.7；当Normal_distance为True时，将第一动量谱图像正常区中所有像素的灰度值的算数平均值和第二动量谱图像的正常区中所有像素的灰度值的算数平均值相减得到正常区差值；像素的灰度值通过灰度化图像得到(灰度化图像为现有技术)；
[0111] 步骤1.7，当Low_distance为FALSE时(即低能区差值已经满足精度)，转到步骤1.8；当Low_distance为True时，将第一动量谱图像低能区中所有像素的灰度值的算数平均值和第二动量谱图像的低能区中所有像素的灰度值的算数平均值相减得到低能区差值；像素的灰度值通过灰度化图像得到(灰度化图像为现有技术)；
[0112] 步骤1.8，当高能区差值落入差值精度区间的范围时，令High_distance为FALSE(即高能区差值已经满足精度)并保存第二动量谱图像高能区图像；
[0113] 当正常区差值落入差值精度区间的范围时，令Normal_distance为FALSE(即正常区差值已经满足精度)保存第二动量谱图像正常区图像；
[0114] 当低能区差值落入差值精度区间范围时，令Low_distance为FALSE(即低能区差值已经满足精度)并保存第二动量谱图像低能区图像；
[0115] 判断High_distance、Normal_distance和Low_distance是否同时为FALSE，即高能区差值、正常区差值和低能区差值是否同时满足精度；如果不同时满足精度，即High_distance、Normal_distance和Low_distance三个值中有任意一个值为TRUE，则令Incidents＝Incidents+Step，(即将第二动量谱图像高能区、第二动量谱图像正常区和第二动量谱图像低能区中的动量谱图像的事件发生次数的最大值作为开始点)并转到步骤1.2进行新一轮的COLTRIMS动量谱图像采集；所述差值精度区间为±0.05，可人工调整，即落入±0.05区间则满足精度；如果High_distance、Normal_distance和Low_distance都为FALSE，即第二动量谱图像高能区、第二动量谱图像正常区和第二动量谱图像低能区同时满足精度或当Incidents大于等于5000次时，则转到步骤1.9；
[0116] 步骤1.9，本次COLTRIMS的模糊动量谱图像采集结束，将第二动量谱图像高能区、第二动量谱图像正常区和第二动量谱图像低能区合并为一张动量谱图像作为适合于对抗网络架构的模糊动量谱图像输出。
[0117] 经过上述的筛选操作步骤，筛选出的各个COLTRIMS的模糊动量谱图像中适合于对抗网络的灰度化模糊动量谱图像得到模糊动量谱图像；采集到的图像的高能区正常区、和低能区的差值算术平均值满足精度时，则得到了该对抗网络的适合输入的图像。根据上述的筛选操作，得到符合对抗网络的短期实验CONTRIMS图像。此图像则可以恢复出更为精确的动量谱图，不满足精度的测量的事件发生次数过少、过于COLTRIMS的图像就不适合于对抗网络，采集过程中利用适应性筛选步骤确定符合对抗网络架构的最小采集时间，也就是最少的事件发生次数。
[0118] 例如，在采集图像的过程中，以500次事件发生次数为步长。比如当COLTRIMS探测采集的事件发生次数达到500次时，记录下该图像，当COLTRIMS探测采集的事件发生次数达到1000次时，记录下该图像，并将两个图像的高能区、正常区和低能区分别相减，判断差值较大，则下一次进行事件发生次数为1500的采集时着重采集那一区域的值。
[0119] 也就是说通过这一次的图像与前一次的图像做差值来判断是否需要进行下一次采集。当采集到的图像的高能区、正常区、低能区差值算术平均值满足精度时，则得到了该网络适合输入的图像。
[0120] 进一步地，在步骤1和步骤4中，所述激光场条件为COLTRIMS改变激光场的条件，包括但不限于激光场的波长为400nm、800nm、1600nm，激光场的波长取值范围为300nm到1800nm，另外，激光场条件也可以由激光包络形式、激光场强度等情况不同从而生成不同结构的动量谱图像。
[0121] 进一步地，在步骤2中，将模糊动量谱图像进行灰度化处理并调节亮度得到灰度化模糊动量谱图像的方法为：
[0122] 利用OpenCV视觉库中的img.convert()函数将模糊动量谱图像进行灰度化处理转为二进制格式，通过write_data2records()函数将二进制格式的模糊动量谱图像转存为二进制的tfrecords文件，在使用tfrecords文件时，利用read_and_recode()来读取解码模糊动量谱图像数据，并进行批量采样得到灰度化图像，由于模糊动量谱图像具有RGB三个维度的数据，灰度化后灰度化图像数据减少为1维，训练数据减少了2/3，因此便于网络学习[0123] 利用“逻辑斯蒂S型曲线”方程为原型，通过灰度化图像亮度调节公式调节灰度化图像的图像亮度得到灰度化模糊动量谱图像，所述灰度化图像亮度调节公式为：
[0124]式中，
Imageadjust为调整亮度后的灰度化模糊动量谱图像，imageblurred为灰度化图像，经过多次试验，为了保持逻辑斯蒂S型曲线的值在0-255取倍数为273.4635，差值为13.05；通过灰度化图像亮度调节公式对动量谱的灰度化图像的亮度进行了调整，使图像最暗和最亮像素的值仍为0和255，对高亮部分和暗部的亮度较大幅的压缩，对中等亮度的像素较小幅度的压缩，使其在训练网络前就能去除边界几率相对较小的电子轨道，使动量谱的结构更明显，利于网络学习，且可减少一定数量的训练次数。
[0125] 进一步地，在步骤3中，依次将相同激光场条件下，清晰动量谱图像与灰度化模糊动量谱图像组成训练图像对，将训练图像对作为训练数据集训练对抗网络架构得到训练好的对抗网络作为COLTRIMS图像修复模型的方法为：
[0126] 如图5所示，图5所示为对抗网络架构训练示意图，所述对抗网络架构分为一个生成网络和一个判别网络；所述生成网络表示为G网络，所述判别网络表示为D网络，对于G网络(生成网络)，依次将相同激光场条件下，理论计算获得的清晰动量谱图像分别与每个灰度化模糊动量谱图像组成训练图像对作为训练数据集(即每个相同激光场条件下，清晰动量谱图像与灰度化模糊动量谱图像组成训练图像对)，对抗网络架构接收训练数据集的二进制图片数据作为训练数据集，利用卷积网络来学习训练图像对中灰度化模糊动量谱图像的特征，再通过反卷积网络将学到的多种特征合并到一张图像上，生成了清晰的图像，记作G(z)，D网络来判别一张图片是否是清晰的，因此D网络通过输入一张训练数据集中灰度化模糊动量谱图像对应的清晰动量谱图像作为参照，输出D(G(z))代表G(z)是清晰图片的概率，如果输出为1，就代表是清晰图片，如果输出为0，就代表不是清晰图片，在训练过程中，生成网络G的目标就是尽量生成清晰的图片去欺骗D网络，D网络的目标就是尽量把G生成的图片和清晰的图片分别开来。这样G网络和D网络就构成了一个动态的“博弈过程”，进行多次迭代后，G网络生成了足以欺骗D网络的清晰图片，此时D(G(z))＝0.5，此时就训练出了一个实验的COLTRIMS的模糊动量谱图像与理论计算得到的清晰动量谱图像的映射模型即训练好的对抗网络，因此通过端到端的训练得到了一个COLTRIMS的模糊动量谱图像与清晰动量谱图像的映射模型，即为COLTRIMS图像修复模型。
[0127] 在所述生成网络的卷积网络中，具有八层卷积网络。卷积层采用了滑动步长为1，形状为5×5的卷积核，除了第一个卷积层外，每一层都采用了批量正则化；其中所有激活函数ReLU都是leaky ReLU，斜率为0.2。在反卷积网络中，具有八层卷积网络。反卷积层也采用了滑动步长为1，形状为5×5的卷积核，除了最后一个反卷积层外，每一层都采用了批量正则化；其中所有的激活函数都是ReLU，且进行了对称跨层连接，最后一层的激活函数是tanh。在判别网络的卷积网络中，具有五层卷积网络。该卷积网络与生成层卷积网络相同，不同之处在于最后一层为全连接层。其反向优化采用的是出事学习率为2e-4、动量为0.5的Adam算法来交替优化生成器和判别器。
[0128] 进一步地，在步骤4中，将模糊动量谱图像输入COLTRIMS图像修复模型进行修复获得清晰的COLTRIMS动量谱图像方法为：
[0129] 使用不同激光场条件下的如图2所示的COLTRIMS的模糊动量谱图像灰度化后作为G网络的训练对象，使用不同激光场条件下如图3所示的清晰动量谱图像作为D网络的清晰参照图像,通过G网络训练后得到的输出G(z)，即生成获得清晰的动量谱图像，如图6所示，图6所示为获得清晰的动量谱图像，如图6所示，图6所示为获得清晰的动量谱图像。
[0130] 通过与清晰动量谱图像进行比较可以发现，该清晰的COLTRIMS动量谱图像很好地还原了模糊动量谱图像的基本结构和干涉现象。
[0131] 本公开的实施例提供的一种基于GAN的COLTRIMS图像修复装置，如图7所示为本公开的一种基于GAN的COLTRIMS图像修复装置图，该实施例的一种基于GAN的COLTRIMS图像修复装置包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种基于GAN的COLTRIMS图像修复装置实施例中的步骤。
[0132] 所述装置包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序运行在以下装置的单元中：
[0133] 动量谱图像采集单元，用于在每个不同激光场条件下，通过CCSFA方法生成一张清晰动量谱图像，并通过COLTRIMS进行适应性筛选采集一张模糊动量谱图像；所述通过COLTRIMS进行适应性筛选采集一张模糊动量谱图像方法为：
[0134] 在通过COLTRIMS采集动量谱图像的过程中，以Step次事件发生次数为步长采集动量谱图像，Step为步长数值，COLTRIMS的探测器探测到的事件发生次数Incidents初值为500；
[0135] 定义高能区差值采集的准入条件为High_distance，初值High_distance＝TRUE；
[0136] 定义正常区差值采集的准入条件为Normal_distance，初值Normal_distance＝TRUE；
[0137] 定义低能区差值采集的准入条件为Low_distance，初值Low_distance＝TRUE；
[0138] 上述准入条件为TRUE或FALSE，TRUE为真，即允许；FALSE为假，不允许；
[0139] 步骤1.1，将COLTRIMS的动量谱图像采集区域进行环状划分为三个部分，动量谱图像采集区域的中心区域为低能区，外围区域为高能区，普通区域为正常区，高能区范围为(r-r*0.2)～r，正常区范围为r*0.2～(r-r*0.2)，低能区范围为0～r*0.2，r为动量谱的最大范围，r的值等于电场失势的峰值，电场失势的峰值＝电场强度E0/电场频率w，“A～B”的意义为A到B，电场强度、电场频率均为动量谱仪的激光场的参数设置；
[0140] 步骤1.2，从COLTRIMS的探测器探测到的事件发生次数Incidents时的动量谱图像开始，以步长Step为单位采集动量谱图像；
[0141] 当高能区差值采集的准入条件High_distance为True时，COLTRIMS以两个相邻步长间隔分别采集第一动量谱图像高能区和第二动量谱图像高能区，第一动量谱图像高能区为事件发生次数为Incidents时COLTRIMS采集的动量谱图像的高能区，第二动量谱图像高能区为事件发生次数为Incidents+Step时COLTRIMS采集的动量谱图像的高能区；
[0142] 步骤1.3，当正常区差值采集的准入条件Normal_distance为True时，COLTRIMS以两个相邻步长间隔分别采集第一动量谱图像正常区和第二动量谱图像正常区，第一动量谱图像正常区为事件发生次数为Incidents时COLTRIMS采集的动量谱图像的正常区，第二动量谱图像正常区为事件发生次数为Incidents+Step时COLTRIMS采集的动量谱图像的正常区；
[0143] 步骤1.4，当低能区差值采集的准入条件Low_distance为True时，COLTRIMS以两个相邻步长间隔分别采集第一动量谱图像低能区和第二动量谱图像低能区，第一动量谱图像低能区为事件发生次数为Incidents时COLTRIMS采集的动量谱图像的低能区，第二动量谱图像低能区为事件发生次数为Incidents+Step时COLTRIMS采集的动量谱图像的低能区；
[0144] 步骤1.5，当High_distance为FALSE时，转到步骤1.6；当High_distance为True时，将第一动量谱图像高能区中所有像素的灰度值的算数平均值和第二动量谱图像的高能区中所有像素的灰度值的算数平均值相减得到高能区差值；
[0145] 步骤1.6，当Normal_distance为FALSE时，转到步骤1.7；当Normal_distance为True时，将第一动量谱图像正常区中所有像素的灰度值的算数平均值和第二动量谱图像的正常区中所有像素的灰度值的算数平均值相减得到正常区差值；
[0146] 步骤1.7，当Low_distance为FALSE时，转到步骤1.8；当Low_distance为True时，将第一动量谱图像低能区中所有像素的灰度值的算数平均值和第二动量谱图像的低能区中所有像素的灰度值的算数平均值相减得到低能区差值；
[0147] 步骤1.8，当高能区差值落入差值精度区间的范围时，令High_distance为FALSE并保存第二动量谱图像高能区图像；
[0148] 当正常区差值落入差值精度区间的范围时，令Normal_distance为FALSE并保存第二动量谱图像正常区图像；
[0149] 当低能区差值落入差值精度区间范围时，令Low_distance为FALSE并保存第二动量谱图像低能区图像；
[0150] 判断High_distance、Normal_distance和Low_distance是否同时为FALSE，即高能区差值、正常区差值和低能区差值是否同时满足精度；如果不同时满足精度，即High_distance、Normal_distance和Low_distance三个值中有任意一个值为TRUE，则令Incidents＝Incidents+Step并转到步骤1.2；如果High_distance、Normal_distance和Low_distance都为FALSE，即第二动量谱图像高能区、第二动量谱图像正常区和第二动量谱图像低能区同时满足精度或当Incidents大于等于5000次时，则转到步骤1.9；
[0151] 步骤1.9，本次COLTRIMS的模糊动量谱图像采集结束，将第二动量谱图像高能区、第二动量谱图像正常区和第二动量谱图像低能区合并为一张动量谱图像作为模糊动量谱图像输出；
[0152] 图像灰度化单元，用于将模糊动量谱图像进行灰度化处理并调节亮度得到灰度化模糊动量谱图像；
[0153] 网络训练单元，用于依次将相同激光场条件下，清晰动量谱图像与灰度化模糊动量谱图像组成训练图像对，将训练图像对作为训练数据集训练对抗网络架构得到训练好的对抗网络作为COLTRIMS图像修复模型；
[0154] 图像修复单元，用于将模糊动量谱图像输入COLTRIMS图像修复模型进行修复获得清晰的COLTRIMS动量谱图像。
[0155] 所述一种基于GAN的COLTRIMS图像修复装置可以运行于桌上型计算机、笔记本、掌上电脑及
云端
服务器等计算设备中。所述一种基于GAN的COLTRIMS图像修复装置，可运行的装置可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述例子仅仅是一种基于GAN的COLTRIMS图像修复装置的示例，并不构成对一种基于GAN的COLTRIMS图像修复装置的限定，可以包括比例子更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述一种基于GAN的COLTRIMS图像修复装置还可以包括输入输出设备、网络接入设备、总线等。
[0156] 所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字
信号处理器(Digital Signal Processor，DSP)、专用集成
电路(Application Specific Integrated Circuit，ASIC)、现成可编程
门阵列(Field-Programmable Gate Array，FPGA)或者其他
可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是
微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述一种基于GAN的COLTRIMS图像修复装置运行装置的控制中心，利用各种
接口和线路连接整个一种基于GAN的COLTRIMS图像修复装置可运行装置的各个部分。
[0157] 所述存储器可用于存储所述计算机程序和/或模
块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述一种基于GAN的COLTRIMS图像修复装置的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储
操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速
随机存取存储器，还可以包括
非易失性存储器，例如
硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
[0158] 尽管本公开的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，而是应当将其视作是通过参考所附
权利要求考虑到现有技术为这些权利要求提供广义的可能性解释，从而有效地涵盖本公开的预定范围。此外，上文以
发明人可预见的实施例对本公开进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本公开的非实质性改动仍可代表本公开的等效改动。
