基于迭代p阈值算法压缩感知磁共振成像重构

从优化网络结构出发,在基于迭代软阈值网络的压缩感知磁共振成像深度网络基础上,加入由p阈值函数组成的优化模块,进一步优化软阈值函数,以抑制噪声,减少重建误差,从而提高重建质量。上述算法结合了压缩感知磁共振重建和深度学习的优势,所有参数都是端到端学习得到的,既具有很好的理论可解释性,又具有良好的网络泛化能力。对上述算法与其它算法进行对比,仿真结果表明,所提算法提高了磁共振成像的重建精度,特别对于结构复杂的磁共振图像重建效果更好。     

用于磁共振成像重构的级联UGR-Net模型

近年来,深度学习在图像处理中表现显著,因此研究者开始将深度学习用于磁共振成像的重构.现有的深度学习模型需要依赖大量数据进行训练,而医学图像很难获得大量数据,因此,为有效的提高MR成像重构的质量,本文提出一个在小数据集上表现良好的深度学习MRI重构方法.本文对U-Net模型进行改进,结合GoogleLeNet和ResNe...     

基于压缩感知的心脏磁共振快速成像的应用现状与发展趋势

为了改善心脏磁共振成像(Cardiac Magnetic Resonance,CMR)在实际应用中成像时间长且存在运动伪影等不足,将压缩感知理论(Compressed Sensing,CS)引入其中,充分利用K空间信息冗余的特性,实现由部分K空间数据重构心脏组织影像,在减少伪影、保证精度的同时加快成像速度。结合近3年的国内外文献,首先对CMR现状、常用序列和技术以及采样模式、压缩感知理论框架分别进行阐述;其次对CMR的最新成果及应用现状进行综述和概括;然后介绍压缩感知图像重构的相关定量评价指标,给出作者在CS-CMR图像重构方面的研究进展;最后总结当前研究中的不足,并展望未来的发展方向。     

基于压缩感知的自适应正则化磁共振图像重构

当前基于压缩传感理论的正则化磁共振(CS-MR)图像重构算法普遍采用全局正则化参数,不能很好地在保持边缘和平滑噪声方面做出平衡。为此,提出一种自适应的正则化CS-MRI重构算法。结合图像稀疏性和其局部光滑性的先验知识,采用非线性共轭梯度下降算法求取最优化问题,并在迭代过程中自适应地改变局部正则化参数。新的正则化参数可以更好地恢复图像边缘,并且有利于平滑噪声,使代价函数在定义域内具有凸性;同时先验信息包含于正则化参数中,以提高图像的高频成分。实验结果表明该算法能有效权衡恢复图像边缘和平滑噪声两者的关系。     

压缩感知自动校准并行成像重建算法

针对核磁共振并行成像重建提出了一种联合稀疏性模型,并与新的软阈值函数结合,将有助于提高重建图像质量。首先利用校准数据生成重建核,重建未采样数据点;然后采用联合稀疏性模型和新的软阈值函数,对各线圈图像数据进行处理;最后用改进的凸投影集算法（POCS）对压缩感知核磁共振并行成像进行重建。对于仿真图像和脑部图像,改进算法相比原算法,重建图像归一化均方根误差(nRMSE)在加速比为4时分别减少了23%和9%。实验结果表明,加速比较大时改进算法能明显提高并行成像重建图像的准确性。     

基于压缩感知的图像重构算法

在图像压缩感知中,梯度投影恢复算法存在收敛速度慢、迭代次数多、对数据稀疏度过分敏感的问题。为此,提出一种基于压缩感知的图像重构算法。将拟牛顿法引入稀疏梯度投影算法中,利用拟牛顿法的估计校正机制以及其全局超线性收敛性,通过对目标函数的校正,获得更精确的搜索方向,从而减少迭代次数,构成有效收敛的图像恢复算法。实验结果表明,与传统梯度投影恢复算法相比,该算法在保证较好图像恢复效果的同时具有较好的抗噪性能,并且在减少迭代次数的基础上能有效降低重构误差,得到稳定收敛的重构结果。     

基于压缩感知的遥感成像稀疏重构性能分析

压缩感知是一种新型的信息论，打破了传统的Shannon-Nyquist采样定理，能够以少量数据完成信号采样。稀疏重构是压缩感知由理论到实际的关键环节，为了将压缩感知有效地应用于遥感成像领域，研究了稀疏重构对遥感成像过程的影响。针对稀疏重构理论模型，分析了重构误差的成因；同时，针对典型的凸优化类算法和贪婪类算法，利用峰值信噪比指标对遥感图像重构误差进行评价。在仿真实验中，定量考察遥感图像在不同压缩采样率、不同重构算法下的稀疏重构性能。结果表明，稀疏重构算法能够成功重构遥感图像，各算法在不同压缩采样率下均表现出了较好的重构质量，整体上能够满足遥感成像应用，验证了压缩感知稀疏重构方法在遥感成像中应用的可行性。     

基于压缩感知的激光照明成像方法

针对传统的激光成像技术有大量冗余数据的缺点,提出一种基于压缩感知(CS)理论的激光照明成像方法。阐述了压缩感知的基本原理,进行了图像恢复算法仿真。仿真结果表明:随着采样率的提高,成像质量有明显的提高;随着目标物体稀疏性的提高,图像重构需要的采样次数减少。设计了成像实验系统,实现了32像素×32像素的图像恢复,证明了所提成像技术的可行性。     

压缩感知重构匹配类算法分析

压缩感知理论是一种利用信号的稀疏性或可压缩性而把采样与压缩融为一体的新理论体系,它成功地克服了传统理论中采样数据量大、资源浪费严重等问题。该理论的研究方向主要包括信号的稀疏表示、测量矩阵的设计和信号的重构算法。其中信号的重构算法是该理论中的关键部分,也是近年来研究的热点。本文主要对匹配追踪类重构算法作了详细介绍,并通过仿真实验结果对这些算法进行了对比和分析。     

基于量子粒子群优化算法的压缩感知数据重构方法

针对传感器监测对象特点,将压缩感知理论应用于数据压缩过程以降低通信能耗,并根据现有压缩感知数据重构算法存在的重构精度受稀疏度影响较大的缺点,在分析了压缩感知数据重构原理后,提出了将原始信号按固定长度进行分帧处理以减少算法解空间的数量,并将量子理论中的编码方式应用于粒子群优化算法,提出了基于量子粒子群优化算法的压缩感知数据重构方法QP-CSDR。算法根据传感器监测对象特点,从统计学角度出发对粒子群优化算法中的粒子初始位置及粒子群更新方式加以改进,以提高数据重构精度。仿真实验结果表明,在稀疏度小于50的条件下,QP-CSDR算法相对已有算法在重构精度方面性能提升20%~40%,该算法已应用于微地震及音频监测系统中,经实际检验算法在保证数据精度的前提下延长系统寿命2倍~4倍左右。     

一种改进的基于压缩感知的差分关联成像方法

基于压缩感知的差分关联成像虽然能够以较少的采样次数高质量地恢复出物体的信息,但在图像重构过程中存在矩阵过大,占用计算机内存大,重构时间长的问题。为此提出了有数据预处理的改进压缩感知差分关联成像方案,首先鉴于光强涨落特性得到部分测量数据构造出初始字典D0,然后通过学习得到字典D作为传感矩阵,最后通过正交匹配追踪恢复出物体的信息。实测"单缝"实验数据成像结果表明,与传统的压缩感知差分关联成像相比,该方案以更少的测量数据恢复出高清晰的像,成像效率和质量都得到了提高,降低了对系统硬件的过高要求,缩短了图像重构时间,从而将有助于加快量子成像技术向实用化转化的步伐。     

基于Jacobi ADMM的传感网分布式压缩感知数据重构算法

针对无线传感网中分布式数据收集及应用,采用分布式压缩感知理论中的JSM-1 (joint sparse model-1)模型,提出了一种基于Jacobi ADMM (alternating direction method of multipliers)的分布式压缩感知数据重构算法.该算法通过在簇头节点间交换公共信息以挖掘关联数据集的公共部分,并在各个簇头节点内部更新各自的独立部分,从而实现无线传感网中相关感知数据的分布式压缩重构.首先,将无线传感网中的数据收集问题抽象为一个分布式优化问题.然后,为了能够有效地解决分布式计算过程中产生的不收敛问题,在优化目标函数中引入了近似项,从而使得子优化问题具有严格凸性,并利用交替方向乘子法求解压缩感知数据的重构问题.最后,分别利用合成数据集和真实数据集进行验证.实验结果表明：与现有其他数据重构算法相比,基于Jacobi ADMM的分布式压缩感知数据重构算法具有更高的数据重构精度.     

自适应压缩感知的语音压缩重构算法研究

根据传统语音信号的处理过程和语音信号的特征,提出了利用自适应冗余字典KSVD算法、自适应观测矩阵和SAMP重构算法的压缩重构方法,通过仿真分析,并与普通压缩感知对比平均帧重构信噪比、相对误差,验证了压缩感知自适应算法的优越性。     

贪婪算法与压缩感知理论

贪婪算法以其重建速度快、重建方法实现简便的特点在压缩感知(Compressed sensing, CS)理论中获得了广泛的应用. 本文首先介绍压缩感知的基本理论;然后,着重介绍现有几种重要的贪 婪重建算法,包括MP, OMP, IBOOMP, StOMP, SP, ROMP和CoSaMP等, 详细给出每种算法的数学框架和本质思想,着重从最优匹配原子的选择策略和残差信号的更新 方式这两个方面对各种算法进行对比分析,以限制等容常数为条件讨论各种算法在实现重建时的性能,包括重建时间、 重建的稳定性等;最后,通过模拟实验进一步验证了 各种算法的重建效果,同时模拟实验结果还进一步得出各种算法的重建效果与待重建信号 本身的稀疏度及测量次数这三者之间的关系,这也为新的更优算法的提出打下理论基础.     

记忆梯度追踪压缩感知图像重构

目的：重构算法是压缩感知理论的关键问题之一,为了减少压缩感知方向追踪算法重建时间,并确保相对较高的重建精度,提出了一种非单调记忆梯度追踪（memory gradient pursuit,MGP）重构信号处理算法。方法：该算法建立在方向追踪框架下,采用正则化正交匹配策略实现了原子集的快速有效选择,对所选原子集利用非单调线性搜索准则确定步长,用记忆梯度算法计算更新方向,从而得到稀疏信号估计值。结果：该算法充分利用记忆梯度算法在Armijo线搜索下全局收敛性快速稳定的优点避免收敛到局部最优解,提升收敛效率。提出的MGP算法运行时间上比近似共轭梯度追踪算法缩短30%,可以精确重构一维信号和二维图像信号。结论：实验结果表明,该算法兼顾了效率和重建精度,有效提高信号重建性能,在相同测试条件下优于其他同类的重构算法。     

基于量子免疫克隆的压缩感知数据重构算法

提出了一种基于量子免疫克隆的压缩感知数据重构算法（Q-CSDR）。算法先提出了一种能够提高数据重构概率的自适应分帧方法,然后利用量子克隆免疫算法的优化组合性能实现数据的精确重构。实验结果表明,Q-CSDR算法能够根据啄始信号稀疏度自动调节压缩比率,具有重构速度快,重构精度高,能够适应于高稀疏度数据重构等优点。该算法已应用于秦始皇帝陵博物院野外文物安防系统。经实际检验,收到了良好效果。     

深度学习框架下压缩感知重建算法综述

压缩感知技术以远小于奈奎斯特频率采样信号,并高概率重建原信号,是信号处理领域里程碑式的进展。近年来深度学习在特征提取与模式分类方面的优势给压缩感知技术提供了新的思路,基于深度学习的压缩感知重建算法采用数据驱动的方式,在重建时间上有数量级的降低,且重建精度具有可比性或更高。重点综述基于深度学习的压缩感知重建方法,综合考虑传统重建方法,并分为基于先验知识、纯数据驱动、混合先验知识与数据驱动的三类,分析了典型算法的特点、网络结构、关键步骤。最后分析与总结,展望了深度学习技术应用于压缩感知的研究前景。     

基于奇异值分解的压缩感知核磁共振图像重构算法

针对传统压缩感知在核磁共振成像中存在着重构算法慢、成像时间长的缺点,利用核磁共振图像自身非满秩的特点,在压缩感知框架下以奇异值分解作为基底对图像稀疏表示进行了研究,并对重构算法进行了优化。实验结果表明,提出的奇异值方法在重构效果上能达到与小波稀疏变换法相近的峰值性噪比,且能有效缩短图像重构时间,达到加速核磁共振成像的目的。     

基于A* OMP算法的压缩感知声纳成像

传统声纳成像系统所要采集的数据量巨大,给硬件设备以及数据的存储和传输带来很大的压力。压缩感知作为一种全新的采样理论,可以从很少的采样数据中以很大的概率重建原始信号。将压缩感知用于声纳成像,减少数据采集传输量。考虑到水下环境的复杂性,提出了A* OMP作为声纳成像算法,该算法使用A*搜索方法寻找最优原子,得到全局最优路径。实验结果表明,相比于传统OMP算法,所提算法有效地提高了声纳成像的质量。     

基于结构化稀疏模型的压缩感知重构改进算法

目前,标准的CS重构算法仅利用信号和图像在小波变换下的稀疏先验信息,而并没有利用变换系数具有的结构化特性。为了能够快速精确地重建原始信号,将结构化稀疏模型与SP算法、CoSaMP算法相结合,提出了压缩感知重构的改进算法。另外,将基于双树复小波变换的系数结构模型融入上述算法,进一步提高重构性能。实验结果表明,所提出的算法可获得更高的图像重建质量。