插值方法在光声图像重建中的应用

在光声图像重建的滤波反投影算法中,需要对待测样品进行全方位扫描以获取光声信号数据。但在实际应用当中,超声传感器的采集位置数目和采样角度会受到硬件条件及空间位置的限制,从而造成了重建图像质量的下降。针对上述问题,提出了利用插值方法对光声信号数据进行预处理的解决方案。使用Matlab软件进行了数值仿真,结果表明,通过对插值之后的数据进行重建,图像峰值信噪比得到了明显的提高。     

血管内光声图像的时间反演重建方法

目的 将光声成像与医学内窥技术相结合的血管内光声(IVPA)成像技术可为心血管内易损斑块的检测以及指导介入治疗提供可靠的参考。针对采用单阵元探测器进行圆周扫描的IVPA成像系统,提出基于时间反演(TR)算法的重建IVPA横截面灰阶图像的方法。方法 通过建立超声传播模型,对光声信号的反向传播过程进行模拟,反演得到血管横截面的2维初始光声压分布图像。针对测量位置稀疏和有限角度测量都会造成光声数据不完备,进而导致重建图像质量下降的问题,通过对探测器采集到的光声信号进行样条插值达到提高成像质量以及消除伪影的目的。结果 仿真实验结果表明,与相同测量位置下利用滤波反投影(FBP)算法重建出的图像相比,采用本文算法重建出的图像的结构相似性指标(SSIM)值可提高约65%。结论 该方法能有效地提高IVPA重建图像的质量,为后续图像重建算法的优化提供有益参考。     

JIR-Net：用于光声层析图像重建的联合迭代重建网络

目的 高质量的图像重建是光声层析成像（photoacoustic tomography,PAT）技术的关键,有限角度稀疏测量和组织非均匀的声学特性都会影响重建图像质量。采用迭代重建技术可在一定程度上提高图像质量,但是其结果依赖于有关成像目标的先验假设模型。而且在迭代优化过程中需要反复计算前向成像算子及其伴随算子,因此计算成本较高,需要合理选择正则化方法及其参数。为了解决该问题,提出一种根据不完备光声测量信号联合重建光吸收能量分布图和声速分布图的深度学习方法。方法 设计并搭建基于学习迭代策略的联合迭代重建网络（joint iterative reconstruction network,JIR-Net）,网络由4个结构单元组成,每个单元包括特征提取、特征融合和重建3个模块。网络的输入是探测器在成像平面中采集的不完备光声信号和预设的常数声速,输出是重建的光吸收能量分布图和声速分布图。分别构建仿真、仿体和在体数据集,用于训练、验证和测试网络。在训练网络的过程中,将光吸收能量密度和声速的梯度下降信息整合到网络训练中,并利用反向传播梯度下降法求解非线性最小二乘问题。结果 数值仿真、仿体和在体实验...     

深度学习在有限视角稀疏采样光声图像重建中的应用

光声成像（Photoacoustic imaging,PAI）是一种多物理场耦合的新型功能成像技术,高质量图像重建是提高成像精度的关键。当探测器采集的光声信号数据不完备时,若采用标准重建方法（如反投影、时间反演和延迟求和等）会导致图像质量以及成像深度的下降。迭代重建算法可在一定程度上解决此问题,但存在计算成本高、需合理选择正则化方法等缺点。近年来,深度学习已经成为医学成像领域的首选方法,其在高效率重建高质量图像方面展现出了巨大潜力。本文对深度学习在有限角度稀疏采样光声图像重建中的应用进展进行总结,对主要方法进行分类归纳,并讨论不同方法的优势和不足。     

近似最优正则化参数方法在电容成像图像重建中的应用

将基于近似最优正则化参数的Tikhonov方法应用于电容成像(Electrical capacitance tomography，ECT)图像重建以解决其中存在的病态性问题，并利用几种典型分布对该方法进行仿真测试。数值结果表明，在先验知识满足的条件下，近似最优参数法所找到的正则化参数是对最优正则化参数的较合理近似。在重建结果方面，基于近似最优参数的Tikhonov方法在不同的介电常数分布下与目前普遍采用的线性反投影算法(Linear back projection，LBP)各有优势。结果表明，该方法尚不能完全取代LBP算法，但能在一定程度上弥补LBP算法的不足。     

PET图像的DSP重建方法

以美国德州仪器公司的高性能数字信号处理器TMS320C6455为核心,在低成本数字信号处理器(Digital signal processor,DSP)平台上优化并实现了一种基于滤波反投影的正电子发射断层扫描(Positron emission tomography,PET)图像重建算法滤波反投影(Filtered back projection,FBP).实验结果表明,通过针对性的算法和代码优化,系统能够在40 s内完成512像素×512像素分辨率PET图像的重建,并获得满足应用需要的图像清晰度.基于DSP平台的PET图像重建方法在PET医学图像重建及其他医学成像领域具有良好的应用前景.     

基于DSP的PET图像重建方法

以美国德州仪器公司的高性能数字信号处理器TMS320C6455为核心,在低成本DSP（Digital Signal Processor）平台上优化并实现了一种基于滤波反投影的PET（Positron Emission Tomography）图像重建算法FBP （Filtered Back Projection）。实验结果表明,通过针对性的算法和代码优化,系统能够在40秒内完成512×512分辨率PET图像的重建,并获得满足应用需要的图像清晰度。基于DSP平台的PET图像重建方法在PET医学图像重建及其他医学成像领域具有良好的应用前景。     

基于贝叶斯理论快速ERT图像重建算法

针对电阻层析成像系统中图像重建不适定问题,与现有ERT图像代数重建算法不同,提出一种基于贝叶斯理论快速一步动态图像重建算法。在阐述电阻层析成像的理论基础上,利用有限元方法建立敏感场数学模型,得到灵敏度矩阵和投影数据。在分析贝叶斯理论基础上,推导出快速一步动态图像重建模型,并将介质分布的先验信息和噪声随机信息等统计信息引入到图像重建中,实现对电导率的重建。分析了不同分布先验概率参数和不同噪声信噪比等影响因子对算法重建结果的影响,并与高斯牛顿迭代、贝叶斯迭代重建算法相比较。结果表明,所提算法重建速度有很大提高,并能较好反映被测介质的相对位置。     

扇束工业CT图像重建算法的并行实现

工业CT图像的重建速度是工业CT产品的一个重要指标。使用并行算法是提高重建速度的一个行之有效的方法。提出了基于Beowulf集群系统的滤波反投影算法的并行实现方法;并且提出了基于Intel 奔腾SIMD技术的加速算法。在用4台P4/2.9 G微机构建的集群系统平台上对工业CT采集的4个不同的断层投影数据进行重建实验,实验数据表明使用SIMD技术可以得到4-6倍的加速,使用集群并行技术的算法能够得到1.5-3倍的加速,综合应用这两项技术可以得到8-10倍的加速。     

基于主分量分析和大气散射模型的彩色图像雾霾快速去除算法

为去除彩色图像中的雾霾,提出了一种基于主分量分析(PCA)和大气散射模型的快速去除彩色图像雾霾的算法。首先,提取彩色图像三个颜色通道的主分量,并用最大主分量重构三个颜色通道,并在重构后的三个颜色通道中取最小灰度值构成最小重构映射(MRM);然后,用中值滤波器对MRM滤波,以提高估计全局大气光的准确性,接着在MRM中估计全局大气光;最后,根据大气散射模型求解介质透过率和场景辐射度(去除雾霾后的图像)。实验结果表明,所提算法在视觉效果上取得了较好的复原结果,与暗原色去雾算法和对比度受限自适应直方图均衡算法相比,所提算法运算效率更高,同时该算法简单、易于实现,能较快去除彩色图像中的雾霾。     

图像识别中的兴趣点匹配方法研究

针对图像检索识别的需求,提出了一种基于兴趣点的匹配算法,利用小波变换对图像进行降维和去噪,提取其SIFT点特征,同时进行PCA降维,最后采用基于K-d树的最近邻法进行快速匹配。通过对各种图像大量的实验,结果表明,该方法具有很强的匹配性和鲁棒性,是一种较好的图像匹配算法,可以广泛应用于图像的检索和识别中。     

基于CS-GPSR的电容层析成像图像重建算法

提出将基于压缩感知(CS)理论的稀疏梯度投影(GPSR)算法应用于电容层析成像(ECT)图像重建过程中.采用离散Fourier变换(DFT)基将原始图像灰度信号进行稀疏化处理;将ECT灵敏度矩阵的各行按随机顺序进行排列,得到ECT系统观测矩阵,同时将测量电容向量的各行按相同顺序进行排列,得到观测投影向量;使用GPSR算法进行图像重建.仿真实验结果表明:基于CS理论的GPSR(CS-GPSR)算法重建图像质量明显优于LBP算法和Landweber迭代算法.本文所述算法可实现较高精度的图像重建,为ECT图像重建的研究提供了一种新的手段.     

独立元分析方法及其在视频分割中的应用

该文详细的介绍了独立元分析方法(Independent Component Analysis,ICA)的基本背景、原理,以及各种独立元分析算法及其特点。同时考虑到在视频分割中,视频图像的内容丰富,物体复杂多样,但是前景物体和背景图像基本上保持相对独立的特点,利用盲信号分离的思想,尝试着把独立元分析方法用于视频分割,以获得相对独立的背景和前景图像。文中用摄像头采集的连续几帧图像做实验,取得了比较满意的效果。     

交通标识牌字符提取算法

为解决智能交通系统中道路标志牌字符提取问题,提出了一种快速的基于颜色与笔画的新算法。首先采用主元分析方法提取标志牌颜色特征并进行定位,然后对确认后的标志牌区域进行仿射处理,获得容易进行文字提取的图像。最后根据形态学的top hat、skeleton算子以及区域生长等算法得出道路标志牌字符清晰的二值化图像,送OCR软件识别。实验结果显示该算法具有很强的准确性和鲁棒性。     

一种自适应权值的PCA算法

针对传统PCA方法对离群点鲁棒性差的问题,提出了一种具有更高鲁棒性且自适应权值的PCA方法。在PCA方法的基础上建立了一个加权的重建误差和最小模型,通过引入信息熵来调节重建误差的权值;通过交替优化算法迭代求解模型。在Yale人脸库和UCI数据集上的实验表明该方法具有很好的鲁棒性和识别率。     

基于二维主元分析的间歇过程故障诊断

传统的多向主元分析(MPCA)已广泛应用于监视多变量间歇过程。在MPCA算法中,三维的间歇过程数据需要转换为高维的二维向量,导致计算量和存储空间大,同时不可避免地丢失一些重要信息。因此,提出一种新的基于二维主元分析(2DPCA)的故障诊断方法。由于每个批次的间歇过程数据是一个二维向量(矩阵),应用以各个批次矩阵为分析对象的2DPCA算法,避免矢量化,存储空间和存储需求小;另外,2DPCA采用各个批次的协方差的平均值来进行建模,能够更加准确地反映出不同类型的故障,在一定程度上增强了故障诊断的准确性。半导体工业实例的监视结果说明,2DPCA方法优于MPCA。     

人脸识别中PCA方法的推广

主成分分析(PrincipalComponentAnalysis,PCA)是公认的特征抽取的最为重要的工具之一,目前仍然被广泛地应用在人脸等图像识别领域。基于PCA,该文提出了分块PCA的人脸识别方法。分块PCA方法先对图像矩阵进行分块,对分块得到的子图像矩阵利用PCA进行鉴别分析。其特点是能有效地抽取图像的局部特征,对人脸表情和光照条件变化较大的图像表现尤为突出。与PCA方法相比,由于使用子图像矩阵,分块PCA可以避免使用奇异值分解理论,过程简便。此外,PCA是分块PCA的特殊情况。在Yale和NUST603人脸库上的试验结果表明,所提出的方法在识别性能上明显优于经典的PCA方法,识别率可以分别提高6.7和4个百分点。