基于加权双层Bregman及图结构正则化的磁共振成像

针对磁共振图像(magnetic resonance imaging,MRI)重建质量的问题,提出一种基于加权双层Bregman字典学习方法和图结构正则化稀疏表示的新算法.该算法中,迭代重加权最小l1和图结构正则化稀疏表示模型是被合并到双层Bregman字典学习方法中.加权双层Breman的字典学习方法在外层迭代中增强K空间抽样数据的约束性,在内层迭代中解决Lp的优化.而图结构正则化稀疏表示方法具备捕获图像结构细节的能力,所以从较高的欠采样数据中能完成精确重建.此外,在内层迭代中,重加权最小l1和图结构正则化稀疏表示使算法能快速地趋于收敛.实验结果表明,所提出的算法可有效恢复MRI图像,其峰值信噪比和高频错误的值都优于基于压缩感知的字典学习方法和基于双层Bregman的自适应字典学习方法.     

一种基于稀疏字典和残余字典的遥感图像超分辨重建算法

为了解决低分辨率遥感图像超分辨率重建问题,提出一种基于稀疏字典和结构自相似性的遥感图像超分辨方法.首先,引入了稀疏字典学习方法,改善了字典的结构性,得到的字典具有较好的正则性与灵活性.此外,为了更好地重建高分辨率图像,学习初始稀疏字典对和残余稀疏字典对.初始稀疏字典对用于重建初始高分辨率遥感图像;初始高分辨率遥感图像相对于原始高分辨率图像失去了部分细节信息,用残余稀疏字典对对图像的残留信息进行重建.最后,根据遥感图像存在大量的结构相似性特性,利用非局部均值算法对重建图像进行修正.实验结果表明,本算法与其他算法相比,图像质量在主观和客观方面都有所提高,峰值信噪(PSNR)比达到24.690 5,SSIM达到0.736 3.     

基于改进总变差正则化算法的金属缺陷三维重建方法

为解决电磁层析成像(electromagnetic tomography,EMT)图像重建中的不适定性和病态性,将电磁层析成像用于金属缺陷检测,根据缺陷分布的稀疏性,提出了一种基于改进的总变差正则化算法(total variation,TV)的电磁层析成像图像重建方法,讨论了检测深度与激励频率的关系,利用三维重建算法对金属零件的表面和内部缺陷进行检测。通过仿真和实验评估了所提出算法的性能,并与Tikhonov正则化算法和L1正则化算法的重建图像和相对误差(relative error,RE)进行了比较。仿真和实验结果表明:使用改进的TV正则化算法重建的图像具有更好的图像重建效果和更小的相对误差,相对误差低至0.1左右,可以提高缺陷图像的重建质量和精度。     

非局部稀疏表示正则化的磁共振图像重建

传统的基于稀疏性先验和全变分正则项约束的图像重建算法不能有效重建图像中的各种结构。为了提高重建质量,在采用传统重建算法中基于稀疏性的先验约束的同时,将重建图像的稀疏系数应逼近原始图像稀疏系数这一先验约束引入图像重建模型。通过图像子块之间的非局部相似性估计原始图像,得到非局部稀疏表示正则化的磁共振图像重建模型,并利用快速混合分裂算法求解模型。实验结果表明,算法能够对磁共振图像进行较好的重建。     

一种基于稀疏重建的高分辨力方向估计方法

该文针对高分辨力是源定位技术的重要目标,充分利用目标信号在空间域内的稀疏特性,提出了一种基于稀疏重建算法的波达方向估计方法.基于数据相关矩阵建立系统方程,以增加采样数和稀疏度的比值,并将系统维度降至最低.源的空间稀疏性由1-范数约束,通过凸优化算法重建信号的空间谱.此外,采用了局部网格细化方法,增加分辨力的同时降低对计...     

任意四边形网格上G1/C2连续B样条曲面的构造

针对经过四边形划分的点云或网格模型,提出了在呈任意拓扑四边形的网格上构造光滑拼接曲面片的算法.首先生成原始模型上的四边形曲线网格,且对每个四边形区域,由边界曲线和内部数据点拟合生成B样条曲面,在得到G0连续的曲面片网格后,采用了一种跨界导矢矫正方法,使相连的两张曲面片在正则边界上保持C2连续,非正则边界上保持近似的G1连续.实验表明,该算法速度快,适用性强,对四边形网格的拓扑结构没有限制;在重建的曲面片具有较好的连续性,同时保持了模型的几何特征,能满足工程实际需要.     

基于光滑L_(1/2)正则化理论的地震数据重建

L_(1/2)正则化比L_1正则化有更稀疏的解,比L_0正则化更易求解.本文将L_(1/2)正则化引入到地震数据重建过程,提出了一种基于光滑L_(1/2)正则化的地震数据重建方法.首先建立L_(1/2)正则化地震数据重建模型,并利用光滑渐近函数逼近L_(1/2)正则项,克服了L_(1/2)正则化求解过程中的数值振荡问题;之后根据光滑L_(1/2)正则化理论改进了字典学习算法,提高了冗余字典的训练效率;最后利用训练的冗余字典和半阈值迭代算法对地震数据进行恢复重建.对具有232道、每道751个采样点的地震炮集数据应用结果表明,与基于L_1正则化的K-SVD重建方法相比,本方法重建结果的信噪比提高3.3 dB.在计算效率方面,本方法字典训练耗时仅为L_1正则化K-SVD的1/3,重建耗时仅为L_1正则化K-SVD一半的时间.     

结合多特征的单幅图像超分辨率重建算法

为提高直接捕获的图像质量,针对梯度特征只能提取水平、垂直方向信息及非下采样轮廓波变换(NSCT)提取细节信息不足的缺陷,提出一种结合Gabor变换及NSCT的超分辨率重建算法.该算法充分利用Gabor变换和NSCT的互补性,针对输入图像块的特点,采用Gabor变换来提取纹理特征,NSCT来提取轮廓特征,然后分别利用稀疏模型进行重建,最后合并成一幅高分辨率图像.由于输入图像或多或少存在模糊,在重建过程中,加入了去模糊的正则项,以消除输入模糊的影响.实验结果表明,结合两种特征的超分辨率效果与单一特征相比,能够恢复更多的细节信息,去模糊正则项也有一定的作用.本文方法与Kim提出的核岭回归及Yang提出的稀疏表示算法(SCSR)相比,主观上视觉效果更加清晰,客观上PSNR值平均提高了近2d B,说明了该算法能够有效地提高图像的质量.     

基于多级残差U-Net的稀疏SPECT图像重建

低剂量单光子发射型断层扫描(Single-Photon Emission Computed Tomography,SPECT) 能够减少放射性示踪剂对人体的辐射损害,因此其临床应用变得愈发重要。SPECT扫描可通过投影角度稀疏采样实现低剂量成像;若直接对稀疏采样投影数据进行迭代重建,投影角度的缺失将导致重建图像中出现严重的射线伪影。现今主流的临床方法普遍在图像重建优化模型中引入特定的正则项以抑制射线伪影,然而该类方法不具有通用性,并且正则项过度依赖于经验选取。本文提出一种新颖的神经网络结构以学习稀疏采样投影数据与全角度采样投影数据之间的映射关系;通过所提网络结构合成缺失角度的投影数据,来提升重建图像的质量。数值实验表明,相较于传统迭代重建方法,论文重建方法所得图像的结构相似性(Structural Similarity, SSIM)提高了59%,标准均方误差(Normalized Mean-Square-Error, NMSE)降低了67%,峰值信噪比(Peak Signal-to-Noise Ratio, PSNR)提高了2.48 dB。因此,所提方法能较好地改善稀疏采样投影数据成像后的图像质量。     

基于块稀疏信号的正则化自适应压缩感知算法

在研究已有的块稀疏信号贪婪算法的基础上,提出一种正则化的自适应恢复算法。该算法在块稀疏度未知的前提下,添加了正则化的思想进行块挑选,从而更正确地挑选出块信号的支撑块,实现信号的重建。该算法首先在确定块的稀疏度和选择步长后,利用相关最大化原则实现支撑块的初次挑选;然后,依据已挑选出的支撑块再进行正则化分组,实现二次挑选;最终通过循环迭代正确挑选出整个信号的支撑块。通过仿真实验证明,该算法不仅不需要信号的块稀疏度作为先验知识,且较现有的块信号贪婪算法的重构概率更高,也比现有的块稀疏自适应贪婪算法所需的迭代次数更少和迭代时间更短。     

稀疏正则化方法的超声信号反卷积

提出了一种在稀疏分解框架下的超声信号反卷积模型,改善了超声成像的质量。该模型包含两个正则项,分别约束信号的光滑性和字典表示的稀疏性,并应用高阶统计量和MA模型估计系统的点扩散函数。模型直接求解很困难,采用分裂Bregman方法交替迭代求解;并对反卷积的信号进行动态滤波、包络检波、二次抽样、动态压缩、灰阶映射等处理,得到超声灰度图像。实验结果表明,该反卷积方法成像比直接成像的分辨率高,图像的对比度得到增强,斑点噪声明显减少。     

Remote sensing image fusion based on sparse non-negative matrix factorization

In order to reduce the spectral and spatial distortions, a novel method based on sparse non-negative matrix factorization (SNMF) is proposed for multispectral and panchromatic images fusion. Firstly, the high spatial resolution and low spatial resolution dictionaries are learned from panchromatic. Then we construct a sparse non-negative matrix factorization model of the multispectral image. Thus, the coefficients matrix with spectral information can be obtained. The high spatial resolution multispectral image is produced by the multiplication high spatial resolution dictionary and the coefficients matrix. By introducing the sparse regularization, the instability of the standard non-negative matrix factorization is conquered and the fused image can preserve the high spectral and spatial information. Some experiments are made on QuickBird and Geoeye satellite datasets, and experimental results show that our proposed method can reduce distortions in both the spectral and spatial domains, and outperform some related pan-sharpening approaches in visual results and numerical guidelines.     

Image denoising and boundary extraction based on game theory

Half-quadratic regularization is a classical image denoising method.In removing image noise,the image boundary can be obtained.Since the boundary obtained by the half-quadratic regularization model is too fuzzy and the denoising effect is not ideal,the half-quadratic regularization model is improved by the game method,the image is denoised and the boundary is extracted simultaneously.Two participants are defined,with the classical half-quadratic regularization method used as the target function of denoising,and a relatively novel global sparse gradient model selected as the target function of boundary extraction.The two participants,image denoising and boundary extraction,iterate alternately in a game process,with their convergence points as the Nash equilibrium points.The proposed model is applied to various types of images,and the algorithm proposed can lead to good results in both numerical results and visual effects.Experimental results show that the proposed algorithm can effectively improve the half-quadratic regularization model,thus obtaining better denoising and boundary extraction effects.     

基于相关熵和流形学习的多标签特征选择算法

从相关熵的角度出发,提出一种基于相关熵和特征流形学习的稀疏正则化方法,用于解决多标签特征选择问题。在相关熵定义的基础上给出多标签特征选择的回归模型;结合?_{2, 1}范数的性质和特征流形学习的定义建立基于相关熵和特征流形学习的稀疏正则化多标签特征选择模型及算法;证明该算法的收敛性并且通过试验验证所给算法的有效性。     

简化球谐近似与拉普拉斯正则化的FMT成像方法

荧光分子断层成像作为一种先进的光学分子影像,可以有效重建小动物体内荧光团的浓度和三维空间分布信息,实现肿瘤的早期检测.为了提高重建的图像性能,针对扩散模型只适合高散射低吸介质的局限性,采用基于辐射传输方程的简化球谐近似模型进行前向模拟,同时为克服重建过程的病态性,应用一种融合结构信息的拉普拉斯正则化方法进行图像重建.数值仿真实验结果表明,该方法能够获得较高质量的重建图像,尤其对于小荧光团和多荧光团成像.     

走时层析成像的迭代Tikhonov正则化反演研究

针对反问题求解常遇到不适定的困难,采用奇异值分析的方法探讨了层析成像反演方程的不适定特征,研究了利用迭代Tikhonov正则化方法求解二维走时层析成像问题.该方法是一种拟线性化的反演算法,采用L曲线法确定最优正则参数,拟定了四个有效的反问题迭代收敛准则,得到在残差范数和解的范数之间取最优折衷的解.核心异常数值化模型的计算结果表明,该方法比传统的联合迭代重建算法(SIRT)收敛快、精度高.     

基于正则化方法的多元数据拟合问题

考虑了多元数据拟合过程中的不适定问题,采用Tikhonov正则化方法,在最小化泛函中引入正则化泛函解决整个辨识过程中的不适定问题,并且利用贝叶斯正则化方法迭代计算正则化参数及方程解。最后,通过数值模拟验证方法的有效性。     

基于FrFT变换和全变分正则化的异常检测算法

针对低秩稀疏表示的高光谱异常检测算法中背景字典易被污染、空间信息利用不足的问题,提出基于分数阶傅里叶变换（FrFT）和全变分正则化约束的高光谱图像异常检测算法. 通过聚类算法,将图像高维数据映射至多个子空间;构造FrFT-RX算子,增大背景和异常的可分性,得到较纯净的背景字典. 为了表示FrFT变换后中间域内背景与异常的空间特征,在低秩稀疏表示模型中引入全变分正则化项约束. 采用交替方向乘子法对模型进行优化求解,得到异常检测的结果. 在3个真实高光谱数据上开展目标检测实验,实验结果表明,与其他5种异常检测算法相比,本文算法具有更高的检测率和较低的虚警率.     

Novel reconstruction method for frequency-hopping signals

The reconstruction of the Frequency Hopping(FH) signal is studied in the noise environment. After analyzing the sparse characteristics of the FH signal at the receiving end, an atomic decomposition is constructed based on the parameters of the FH signal.Then a signal reconstruction method for the FH signal is presented based on the Generalized Regularized FOCUSS Algorithm. By choosing the proper regular parameter, the FH signal is reconstructed in the noise environmet. Simulation results demonstrate that the method is correct and effective.