电容层析成像传感器场域剖分及图像重建算法

电容层析成像传感器的敏感场受多相流介质分布的影响，软场特性给图像重建带来很大困难，为了提高重建图像质量，对敏感场分布进行分析是非常必要的。采用有限元法，通过对敏感机理的分析，提出一种利用不等间距的场域剖分方法，对敏感场分布进行计算机仿真，依据敏感场计算的数据及测量结果，提出了基于遗传算法的图像重建算法。实验证明有限元模型是正确的，说明利用不等间距的剖分形式可以得到较好的仿真结果，重建的图像具有较高的精度。     

一种基于聚类电阻层析成像静态图像重建算法

为了提高静态图像重建算法求解电阻层析成像逆问题的实时性与精度,提出一种基于敏感场区域内三角形有限元聚类的静态图像重建算法.新算法初期采用改进牛顿-拉夫逊算法,并根据算法振荡次数超过允许最大值时所对应的最优图像重建结果,对敏感场区域内所有三角形有限元进行聚类,最后利用改进粒子群算法求解电阻层析成像逆问题,从而实现静态图像重建.新算法每隔一定迭代次数对敏感场区域内所有三角形有限元进行重新聚类,以减小粒子维数,提高新算法求解电阻层析成像逆问题的精度.实验结果表明,相比改进牛顿-拉夫逊算法及组合算法,新算法效果最理想.     

基于Delaunay三角剖分的多相流射线层析成像

为提高多相流CT系统重建图像质量,提出基于Delaunay三角剖分的射线层析成像方法.根据模型构造点集,对管道截面进行多尺度Delaunay三角剖分,根据三角形重心在探测阵列上的投影到其最近探测阵列元的归一化距离,确定各剖分单元的投影系数,并采用不同的重建算法进行图像重建.仿真与实验结果表明,该方法可利用少量投影数据重建图像,改善了工业多相流检测中投影数据不完整造成的图像失真;与均匀剖分相比,多尺度剖分明显改进了图像精度和实时性.     

基于改进信赖域的电容层析成像图像重建算法

针对电容层析成像技术中的"软场"效应和病态问题,提出了一种改进信赖域的新电容层析成像算法。在分析电容层析成像基本原理的基础上,推导出了求解ECT反问题的信赖域算法的计算步骤,同时利用BFGS公式对迭代过程中产生的Hesse矩阵进行校正。在此基础上对信赖域算法的收敛性进行了分析和证明,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,和LBP、Landweber和共轭梯度算法相比,对于简单流型该算法兼备成像质量高、边界均匀稳定等优点,为ECT图像重建算法的研究提供了一个新的方法。     

电阻层析成像有限元分析若干技巧

电阻层析成像(ERT)技术是目前过程层析成像技术的研究热点之一,工业应用前景看好.有限元法是分析ERT中电磁场问题的强有力的工具.然而,关于有限元法详细步骤介绍的文献较少,如场域剖分、边界条件处理等.本文以二维管截面电磁场场域为例,剖析场域剖分以及边界条件处理过程中的若干技巧.     

基于聚类电阻层析成像静态图像重建算法

为了提高静态图像重建算法求解电阻层析成像逆问题的实时性与精度,提出一种基于敏感场区域内三角形有限元聚类的静态图像重建算法。新算法初期采用改进牛顿-拉夫逊算法,并根据算法振荡次数超过允许最大值时所对应的最优图像重建结果,对敏感场区域内所有三角形有限元进行聚类,最后利用改进粒子群算法求解电阻层析成像逆问题,从而实现静态图像重建。新算法每隔一定迭代次数对敏感场区域内所有三角形有限元进行重新聚类,以减小粒子维数,提高新算法求解电阻层析成像逆问题的精度。实验结果表明,相比改进牛顿-拉夫逊算法及组合算法,新算法效果最理想。     

电磁层析成像图像重建中的修正共轭梯度算法

通过研究共轭梯度算法,推导出适用于电磁层析成像的修正共轭梯度算法,该方法提高了收敛速度,改善了电磁层析成像重建图像的质量。首先以共轭搜索方向充分下降为充分条件,理论推导出修正共轭梯度算法。然后从相对图像误差、相关系数和收敛曲线几个方面出发,评价了Landweber迭代法、单步Tikhonov正则化方法、共轭梯度法和修正共轭梯度法在电磁层析成像图像重建中的结果,得出结论:修正共轭梯度方法的相对图像误差最小,重建图像和原图像的相关系数最高,收敛情况优于共轭梯度算法。     

不可压缩管流的广义有限元方法

本文将广义有限元法用于求解不可压缩管流。通过泛函的变域变分理论推导出严格的网格自适应性条件，可以在给定网格点数目的条件下，在计算时自动调整网格的分布，使泛函取得极值，同时也使流场参数和网格节点位置取得最优值，对一维喷管的计算结果表明，广义有限元法理严密在计算中时可行的，是常规有限元法向高精度的自适应网格方向的合理推广。     

模型参数对卷积神经网络电容层析成像图像重建的影响

卷积神经网络凭借其较强的非线性拟合能力,在电容层析成像图像重建中逐渐得到应用。本文针对卷积神经网络模型超参数调节问题,研究了模型参数对卷积神经网络电容层析成像图像重建的影响。首先,通过数值方法构建了包含80 000组随机流型与40 000组典型流型的"电容矩阵-介质分布"数据集;然后,通过该数据集中的训练集对不同超参数的卷积神经网络模型进行训练和验证,并系统研究了网络初始化、网格密度、卷积核数、全连接层神经元数以及隐藏层结构等超参数对图像重建精度的影响;接着,利用额外生成的12 000组数据作为测试集对各网络模型性能进行评价;最后通过静态实验,对不同网络模型的图像重建效果进行了比较和分析。结果表明:网络隐藏层结构对图像重建精度影响较大,而网络初始化、网格密度、卷积核数以及全连接层神经元数等超参数对重建精度影响较小。     

电磁层析成像灵敏度矩阵实验测试方法

灵敏度矩阵是电磁层析成像系统图像重建的先验信息,它反映了电磁层析成像系统在重建截面内微小测试单元逐个放入扰动物质后检测输出值的变化。为实现较为精细的图像重建效果,通常将截面剖分成数量较多的微小单元,用于灵敏度计算和重建结果表达,所以电磁层析成像灵敏度矩阵一般依靠电磁场有限元仿真计算正问题的方法获得。但有限元仿真的正问题模型难以与实际模型完全一致,导致图像重建的先验信息不准,从而影响重建效果。区别于传统研究方法,设计了灵敏度矩阵的实验测试方法,应用精密电动平移台驱动测试试样,使试样按照有限元软件对截面剖分的单元坐标自动逐个测试,最后应用测试结果合成重建所需灵敏度矩阵,图像重建结果证明了该方法的有效性。     

基于自适应模拟退火及 LM 联合反演算法的 ECT 图像重建

为解决电容层析成像技术(ECT)中图像重建的非线性和病态性问题,提出了一种自适应模拟退火-Levenberg Marquardt (ASA-LM)联合反演算法。 改进了标准模拟退火(SA)算法的新解生成策略、能量函数的定义及退火策略,并结合 LM 的直接局 部搜索方法联合反演 ECT 图像重建问题。 同时,利用 Savitzky-Golay (SG) 滤波对 ECT 图像重建所需电容数据进行平滑处理以 提高其信噪比。 最后,进行仿真及静态实验,并与线性反投影(LBP)、Landweber 迭代及标准 SA 算法进行了比较。 结果表明,与 其他 3 种算法相比,ASA-LM 算法收敛速度快、图像重建质量明显提高,边缘信息保真度高,重建图像的平均相对误差为 0. 331 1,平均相关系数为 0. 933 1。     

基于 V-ResNet 的电阻抗层析成像方法

电阻抗层析成像技术(EIT)因其非侵入和可视化等特性为人体肺部空间特性的监测提供了一种有效的方法。但是EIT的逆问题具有严重的非线性、病态性和欠定性,使得图像重建结果含有严重的伪影。针对上述问题,提出了一种由预映射、特征提取、深度重建以及残差去噪四个模块构成的V-ResNet的深度网络成像算法,实现对场域空间位置和电导率参数分布的重建。该算法有效地增加了前馈信息的多重传递并解决了深度网络的梯度消失问题,同时残差去噪模块有效地平滑了图像边界。采用相对误差(RE)和结构相似度(SSIM)来衡量成像质量,实验得出RE的平均值为0.14,SSIM平均值为0.96。仿真与实验结果表明,基于V-ResNet的成像算法与传统的成像算法相比,图像重建结果边界清晰,空间分辨率高。     

高精度影像测量系统中图像的超分辨率重建

为了提高影像测量系统的测量精度,研究了基于微位移错位的多幅图像超分辨重建技术.考虑制作成本和制作难度,提出了一种不苛求精确微位移的超分辨率重建技术.首先,获取随机微位移图像序列;然后,利用被测对象中易于实现高精度提取的特征点或采用模板衬底中的特征点计算出图像序列间的准确位移关系;最后,根据本文提出的数学模型重建出高分辨...     

基于L0正则化模糊核估计的遥感图像复原

基于模糊图像的退化过程、卷积模糊模型和模糊图像生成的机理,提出一种基于L₀范数的正则化模糊核估计方法,解决了遥感图像重建问题中0范数难求解的难题。该方法以模糊核稀疏性为先验知识,采用对应梯度的L₀范数为正则项,有效避免了细小边缘对模糊核估计的影响,使得模糊核的估计更加准确。进一步采用超拉普拉斯分布来近似图像梯度的重尾分布,利用L_0.5范数正则化对模糊图像做反卷积,从而恢复出原始图像。与传统方法相比,本文方法可以准确地估计出图像的模糊核,很好地抑制恢复图像的振铃现象,有效地提升遥感图像的质量。模糊图像以及各方法重构图像在同一刀刃下的调制传递函数（MTF）曲线显示,本文方法的MTF曲线得到了较好的提升。     

一种基于图像配准的超分辨率重建方法

为了提高配准算法的精度并改善超分辨率重建图像的质量,提出了一种具有子像素级精度的图像配准方法。首先,对基于三参数模型的图像配准方法进行介绍并优化。然后,提出了基于四参数模型的图像配准方法,由于没有直接将旋转角度参量引入到运动模型中,有效地避免了原方法中泰勒级数展时的小角度假设。最后,根据配准算法所得到的子像素级运动信息,采用迭代反投影算法进行超分辨率重建。实验结果表明：该配准算法取得了更高的精度,平均平移误差减少0.0297像素 ,平均旋转角度误差减少0.3564度;重建图像具有更好的视觉效果,平均PSNR值提高0.75dB。可以被广泛地应用于相互间主要存在平移和大角度旋转的多幅低分辨率图像的大倍数超分辨率重建,满足了实际应用要求。     

A deep neural networks-based image reconstruction algorithm for a reduced sensor model in large-scale tomography system

Image reconstruction for soft-field tomography is a highly nonlinear and ill-posed inverse problem. Owing to the highly complicated nature of soft-field, the reconstructed images are always poor in quality. One of the factors that affect image quality is the number of sensors in a tomography system. It is commonly assumed that increasing the number of sensors in a tomography system will improve the ill-posed condition in image reconstruction and hence improve image quality. However, as the number of sensors increases, challenges such as more complicated and expensive hardware, slower data acquisition rates, longer image reconstruction times, and larger sensitivity matrices will arise, resulting in a greater ill-posed condition. Since deep learning (DL) is capable of expressing complex nonlinear functions, the majority of research efforts have been directed toward developing a robust DL-based inverse solver for image reconstruction. However, no study has been conducted to solve the inverse problem and improve the quality of the reconstructed image using a reduced sensor model for a large-scale tomography system. This paper proposed an image reconstruction algorithm based on Deep Neural Networks (DNN) to investigate its feasibility in solving the ill-posed inverse problem caused by the reduced sensor model for a large-scale tomography system. The proposed DNN model is based on a supervised, feed-forward, fully connected, backpropagation network. It comprises an input layer, three hidden layers and an output layer. Also, it was trained using large data samples obtained from COMSOL simulation. The relationship between the scattered electromagnetic field measurement and the corresponding true electromagnetic field distribution vector is determined. During the image reconstruction process, the untrained scattered electromagnetic field measurement samples are used as inputs to the trained DNN model, and the model output is an estimate of the electromagnetic field distribution. The results show that the proposed DNN can accurately describe the distribution of electromagnetic field and boundary shape of phantom compared to traditional algorithms (LBP, FBP, Noser and Tikhonov), regardless of the size and number of phantoms within the monitoring area. Hence, the proposed DNN is more robust and has a high degree of generalization.     

粒子滤波算法在ECT图像重建中的应用

针对电容层析成像技术(ECT)的图像重建质量精度较低的问题,提出了一种基于粒子滤波的ECT图像重建方法。首先,分析了ECT图像重建基本原理,以系统状态估计的方式描述了ECT图像重建最优解的搜索过程,并建立了状态空间模型。然后,以线性反投影(LBP)算法的图像重建结果作为初始状态,利用测量信息对从状态空间中获取的随机样本进行最优加权,以获得重建图像的最小方差估计。最后,对5种不同的流型进行了仿真实验。实验结果表明,利用本文方法获得的重建图像误差平均值为42.93%,相关系数平均值为0.813 9,比LBP算法、Landweber迭代算法和IMN-SNOF算法得到的相应指标要好。本文方法是一种有效、精度较高的ECT图像重建方法,为ECT图像重建技术提供了新的途径和手段。     

结合压缩感知和曲波的天文图像去噪

在天文图像去噪中,为了提高迭代曲波阈值算法的去噪重建性能,提出了基于循环平移和曲波维纳滤波的压缩感知迭代重构算法。首先,使用基于曲波阈值的循环平移方法对重构图像进行调整以抑制重构图像中的伪吉布斯效应;接着,用提出的曲波维纳滤波算子替代小波阈值在迭代过程中对图像曲波系数进行筛选以进一步提高重构图像的质量。通过对添加高斯白噪声的Lena图像和月球图像进行重构实验,分析本文算法和当前主流算法的性能。实验结果表明,与传统的压缩感知迭代曲波阈值算法相比,本文算法能够获得较优的去噪性能,有效地保护天文图像的细节信息,峰值信噪比大约提高了2.6~3.2dB。     

Optimization in PIV algorithm for visualizing vortices in bubble wake

The PIV (Particle image velocimetry) is the most commonly used method for flow field observation because of its high efficiency and non-interference to the flow field. This study aims to clarify the optimal parameter conditions used in the cross-correlation algorithm of PIV for flow fields with vortices. The influence factors on the error of the cross-correlation algorithm are analyzed and discussed using a synthetic flow field, including the seeding conditions, the velocity gradient and vortex size. It is confirmed that the minimum particle number density per interrogation window is about 10, which generally limits the minimum size of the window. For a vortex, when the vortex size is fixed, the velocity gradient corresponding to the characteristic velocity both controls the lower and upper limitation of window size. For a relatively small vortex, generally a window not larger than the vortex size is asked. Then, a strategy to improve the observation based on the existing equipment is discussed and applied to visualize a rising bubble wake based on LIF (Laser-induced fluorescence) images.