基于改进Runge-Kutta型landweber的电容层析成像图像重建算法

针对电容层析成像(ECT)技术中的"软场"效应和病态问题,提出了一种改进的RungeKutta型landweber的电容层析成像算法。在分析ECT系统基本原理的基础上,推导出了解决电容层析成像问题的改进Runge-Kutta型landweber算法的数学模型,并采用迭代误差的单调性对算法的收敛性进行了分析。在此基础上探讨了ECT应用该算法的可行性,算法满足收敛条件且重建图像误差小。仿真和实验结果表明,该算法和LBP、landweber、最速下降法和共轭梯度算法相比,该算法兼备成像质量高、稳定性好等优点。     

基于正则化的LANDWEBER电容层析成像图像重建算法研究

在分析电容成像基本原理和图像重建算法基础上,针对Landweber迭代算法收敛速度慢,本文提出一种基于Tikhonov正则化算法的Landweber迭代法.算法采用Tikhonov正则化算法代替LBP算法作为Landweber迭代法的起始步,并推导出相应的优化迭代步长.经仿真验证,该算法在图像重建收敛速度和抗干扰能力上要高于Landweber迭代法.     

基于遗传算法电容层析成像图像重建算法的研究

采用了有限元法和归一化敏感场对传感器进行了仿真分析和计算，并提出了敏感场数值从有限元域到成像域的转换方法和一种新的基于遗传算法的ECT图像重建方法．该图像重建方法利用流型数据作为初始值在一定的范围内搜索最优解，能以较高的精度重建两相流体的断层图像，为ECT图像重建算法的研究提供了一个新的思路。     

电磁层析成像图像重建算法

电磁层析成像因其非侵入性、安全性能佳和速度快等特点在多相流在线检测中具有良好的发展前景,电磁层析成像中的重建算法与技术,是其在工业实际中得以应用的关键。近年来在图像重建方面的研究取得了较大的进展,灵敏度系数法,线性反投影(LBP)法,Tikhonov正则化法及ART法,同步代数重建法(SIRT)算法,Newto-Raphson法,Landweber迭代法等等。此外,对神经网络等新出现算法在EMT图像重建中的应用取得了一定的成果。本文对各种算法作了一定的评述。     

基于敏感场变换的电容层析成像图像重建算法研究

快速而又具有一定精度的图像重建算法是电容层析成像(ECT)技术的关键。本文采用有限元方法,通过对敏感场机理的分析,提出一种基于敏感场变换的ECT图像重建新算法,通过对敏感场进行变换来提高电容传感器在管道中心区域的灵敏程度,从而提高管道中心区域的图像重建精度。该算法应用敏感场信息的部分数据和全部数据分别进行一次图像重建,将2次重建得到的图像进行组合得到最终重建图像。仿真和实验表明该算法能够快速而又较高精度的重建出两相流断层图像,尤其是在管道中心区域,图像重建精度有了较大提高。     

基于快速投影LANDWEBER法的电容层析成像图像重建算法研究

提出一种新的基于快速投影Landweber法的ECT图像重建算法。算法采用两部分迭代，初期采用预置矩阵加速迭代，该矩阵通过优化步长广义逆预迭代得到；后期采用常规投影Landweber法稳定迭代。探讨了ECT应用该算法的收敛条件，该算法易满足收敛条件且预置矩阵参数选取简单。仿真和实验结果表明，与LBP、OIOR、投影Landweber算法相比，该算法兼备收敛稳定性好及收敛速度快等优点。     

基于小波神经网络的电容层析成像图像重建算法

电容层析成像(electrical capacitance tomography,ECT)技术是一个复杂的非线性问题,针对图像重建问题的病态性,提出了基于小波神经网络的图像重建算法。利用主成分分析法对输入变量(电容测量值)进行降维处理,利用小波神经网络建立电容测量值与成像区域介电常数分布的非线性映射。小波神经网络的神经元激励函数由伸缩和平移因子决定的小波基函数,采用BP算法对网络进行训练,并引入学习率与动量因子的自适应调整方法以加快网络训练的收敛速度。实验结果表明,与典型的反投影及Landweber迭代算法相比,该算法所构图像质量有明显改善。     

基于电容检测方法改进的ECT图像重建算法研究

本文对现有电容层析成像系统的电容检测方法进行了改进,通过分析电容传感器敏感场的软场产生机理提出一种基于极性交换的新电容检测方法,采用新检测方法后可以使应用于图像重建的独立电容值个数增加一倍,从而改善系统数学模型的病态特性,在此基础上结合Tikhonov正则化算法进行实验仿真。仿真数据表明与传统电容检测方法相比结合极性交换电容检测方法的Tikhonov算法能够快速而又较高精度的重建出两相流断层图像,尤其是对于复杂流型,图像重建精度及形状都有了较大提高,同时还提高了电容传感器敏感场的均匀性,改善了其非线性程度。     

基于贝叶斯理论的电容层析成像图像重建迭代算法

提出了一种基于贝叶斯理论的电容层析成像(electrical capacitance tomography,ECT)图像重建算法。与现有的ECT图像代数重建算法不同,该算法将介质分布的先验信息和噪声信息等统计信息引入到ECT图像重建中。文中针对5种典型介质分布进行了数值仿真实验,结果表明该算法对于两相流中不同的介质分布均具有良好的适应性。迭代步数和先验概率的协方差取值对图像重建结果有较大影响。在迭代过程中,该算法所需的增益矩阵的更新不依赖于输入,因而可以离线预先计算,从而减小图像重建的计算压力,提高该算法重建速度。     

基于MOR两相流电容层析成像图像重建

在电容层析成像系统（ECT）的研制中，普遍采用线性反投影法（LBP）进行图像重建，但LBP产生的图像模糊现象难以消除，通过引入基于模型的重建算法（MOR），利用计算机仿真的方法进行图像重建，可很好消除模糊效应，为流型辨识提供有效的途径。     

基于双参数模型的ECT图像重构混合算法

为了提高电容层析成像重构图像的精度和速度,本文提出了一种基于双参数模型的电容层析成像图像重构混和算法。该算法利用Morozov偏差原理确定Tikhonov正则参数,能使正则参数的选取与初始数据的误差相匹配,同时基于Morozov偏差方程导出了一种双参数模型,并进一步与牛顿法相结合用于快速得到最优的正则参数。数值实验表明:与线形反投影算法(LBP)、Landweber迭代算法和L-曲线法相比,所提出的混合算法具有图像重构速度快、精度高的优点。     

电容层析成象图象重建算法研究

电容层析成象图象重建是一个非线性的不适应定问题,文中问题了已有的图象重建算法,对其局限性进行了深入讨论,强调了神经系统求解算法的优越性,并展望了进一步的研究方向。     

电容层析成像系统质量实验分析

利用电容层析成像系统实验装置对气/固两相流成像质量进行实验研究.实验结果表明,在图像重建算法一定的情况下,成像质量均受成像传感器极板长度、成像区域像素个数和成像对象等因素的影响.文中还提出了相应的解决方法.     

图像融合理论在电容层析成像中的应用

针对图像重建问题,介绍了电容层析成像的系统构成及基本原理,多分辨率图像融合方法和融合规则,并对预处理投影Landweber算法和改进的Tikhonov正则算法所仿真的结果进行图像融合。结果表明:融合图像成像精确度明显地提高,去除冗余信息后的图像更接近原型,可应用于现场两相流的实时图像重建。     

电容层析成像系统关键技术

介绍电容层析成像系统中两个关键技术：电容／电压转换电路和图像重建算法。电容／电压转换电路采用激励源幅值可控负反馈法设计，电路具有较好的线性度、稳定性和抗杂散电容干扰能力。图像重建算法采用正则化优化修正算法，实验结果表明，所重建的图像质量和图像重建速率都得到提高。     

改进牛顿–拉夫逊电阻层析成像图像重建算法

为了满足电阻层析成像图像重建算法应用于两相流领域的精度与实时性要求,提出一种改进牛顿–拉夫逊算法。针对牛顿–拉夫逊算法局部收敛的特点,将线性反投影算法成像结果作为新算法初始电阻率分布估计值,并利用基于改进粒子群算法的平衡法对海森矩阵进行预处理,降低条件数。同时在新算法迭代过程中,当振荡次数超过设定值时,采取自动更新灵敏度矩阵的策略。仿真与实验结果表明,与线性反投影算法、兰德韦伯算法及简化牛顿–拉夫逊算法相比,新算法降低了图像重建误差,有效提高了图像重建质量;而与标准牛顿–拉夫逊算法相比,新算法在满足成像精度前提下,避免了每次迭代均需更新灵敏度矩阵的缺点,提高了算法收敛速度。     

基于差分灵敏度模型的电容层析成像图像重建方法

电容层析成像(electrical capacitance tomography,ECT)图像重建本质上是非线性的、病态的逆问题,利用线性近似技术的重建方法被ECT广泛采用。该文研究了极板电容测量值和介质分布的非线性程度与灵敏度分布函数的梯度值之间的关系,并将灵敏度梯度幅度应用到灵敏度的归一化过程,用来提高线性近似模型的准确性。同时提出一种新的基于灵敏度差分的灵敏度归一化模型,根据灵敏度中心差分,组合并行归一化和串行归一化模型而构建归一化灵敏度矩阵,能够得到更好的图像重建线性近似模型。数值实验对比了3种归一化模型,并分析了基于差分模型的归一化灵敏度的特征。结果表明,利用新方法构建的归一化灵敏度矩阵代替常规的灵敏度矩阵,常用的Landweber迭代和Tikhonov正则化迭代算法在不增加重建时间情况下,重建图像质量得到明显改善。     

一种新的电容层析成像电容测量值归一化模型

在电容层析成像(electrical capacitance tomography,ECT)图像重建中,测量电容需根据高、低介电常数进行归一化处理.并联模型为常用的归一化模型,其归一化电容值与测量电容值为线性关系.串联归一化模型,其归一化电容值与测量电容值则为非线性关系,与并联归一化模型相比,重建图像有所改善.最新提出的基于电力中心线的混联模型为并联及串联归一化模型的混合,该文针对混联归一化模型提出了确定模型因子的多阈值方法.仿真及实验结果表明.基于多阈值的混联归一化模型,其重建图像质量得到较大提高.