技术摘要：
本发明属于电容层析成像技术领域，涉及一种基于数据驱动的电容层析图像重建及其图像阈值化方法，包括以下步骤：S1、基于仿真平台生成数据样本，以用于成像算法模型的训练；S2、将归一化的电容向量输入到全连接神经网络中，以获得初步的介电常数分布向量g1；S3、利用U型  全部
背景技术：
多相流的研究工作对工业生产的发展具有重要意义，其中电容层析成像 (Electrical  Capacitance  Tomography,ECT)可以非侵入性的方式可视化工业管道的传感 器内部的介质分布情况。电容层析传感器具有非侵入，结构简单且成本低，安全无辐射，响 应速度快等众多优点，已被广泛应用于工业过程监控。为了可视化管道内部的流体流动过 程，图像重建算法(例如非迭代的LBP，迭代的Landweber，支持向量机等)是电容层析领域研 究的热点。 近年来，机器学习快速发展并在图像处理等方面取得了重大突破。机器学习方法 不仅消除了传统电容层析成像方法中对诸如函数，正则化和优化器之类的手动设计需求， 而且避免了使用传统电容层析成像方法时所需计算的复杂敏感场，因此机器学习擅长映射 如ECT成像问题这样的复杂非线性关系。 此外，在ECT成像中常常不可避免地伴随着图像的模糊失真，并且同一介质中每个 像素点的颜色有时并不一致。通常的解决方法是对重建得到的ECT图像添加单步阈值操作 以进行图像的阈值化。但是，单步阈值操作无法为每个ECT重建图像都确定一个合适的阈 值，因此对图像进行单步阈值操作不具备鲁棒性和稳定性。
技术实现要素：
为解决上述