基于分割Bregman迭代的内-外置电极电容层析成像

针对电容层析成像(electrical capacitance tomography,ECT)逆问题的病态性和不适定性,提出了一种基于分割布雷格曼迭代(split Bregman iteration,SBI)的图像重构算法。在目标函数中引入基于参考图像的正则化、低阶约束和空间约束,从而提高成像质量和空间分辨率。对内-外置电极的ECT敏感场内环形区域进行图像重建。仿真结果表明:与Tlkhonov正则化算法和Landweber迭代算法相比,基于布雷格曼迭代的图像重建算法具有较好的空间分辨率,图像误差降低至0. 162 1,图像相关系数提升至0. 874 4,图像重建的精度和质量较高,说明了该算法在ECT图像重建领域的可行性和有效性。     

一种快速迭代软阈值稀疏角CT重建算法

针对目前迭代软阈值稀疏角CT重建算法收敛速度较慢的问题,提出了一种基于全变分约束的快速迭代软阈值稀疏角CT重建算法.该算法首先对CT稀疏投影数据采用联合代数重建算法(SART)进行重建,以获得满足数据一致性的重建图像,然后计算SART重建图像的离散梯度变换,并对其进行软阈值滤波,最后利用离散梯度变换的伪逆更新重建图像.由于在迭代过程中利用了前2次迭代重建图像作为下一次迭代的初始图像,因而加快了重建算法的收敛速度.对Shepp-Logan模体进行仿真的实验结果表明:在无噪、5×104和2×105光子泊松噪声情况下,与SART重建算法、基于Harr小波的快速迭代软阈值算法以及基于全变分约束的迭代软阈值重建算法相比,该重建算法的收敛速度有明显提高,同时能够有效减小图像的相对重建误差.     

CVS中基于块分类的自适应阈值调整组稀疏重构

针对基于结构相似性的帧间组稀疏表示重构(SSIM-InterF-GSR)算法在重构平稳区域时未能充分利用高质量重构的关键帧信息,且稀疏化处理阈值的数值设置不合理的问题,提出了基于块分类的自适应阈值调整组稀疏重构(BC-ATA-GSR)算法。首先,根据块内物体运动状态分类图像块并分配合理的参考帧,以提高视频序列平稳区域的重构质量;然后,根据采样率以及图像块种类自适应设置稀疏化初始阈值,以保留足够的结构信息;最后,提出了迭代阈值梯度缩减方案,以便在提升迭代后期重构质量的同时也加快迭代收敛速度。与SSIM-InterF-GSR算法相比,BC-ATA-GSR算法取得了更好的重构质量,重构QCIF和CIF视频序列的平均PSNR分别最高提升了3.77、2.28 dB,时间复杂度最多下降了42.08%。     

压缩感知在ECT分相含率检测中的应用

该文研究了压缩感知(CS)理论在电容层析成像(ECT)问题中的应用,有效解决了图像重构中的欠定性问题,从而通过图像计算两相流中的截面分相含率。首先,采用时域基作为图像向量的稀疏基,并采用高斯随机对灵敏度矩阵进行重新排序,设计其观测矩阵;然后,将不动点迭代算法FPC应用于凸优化问题的求解,得到重构图像;最后,利用最优阈值算法对重构图像进行灰度处理,由灰度图像进行分相含率的计算。在仿真实验阶段建立ECT传感器模型,对3种典型两相流流型进行重构,并与经典的LBP,Landweber算法综合3种重构效果评价指标进行比较。仿真结果表明:基于CS的ECT重构算法在只有少量测量数据的情况下也能精确地重构图像,且成像质量远高于LBP算法,并优于Landweber迭代算法,成像速度也大幅提升,有效提高了分相含率检测的准确性。     

基于低秩和全变差正则化的图像压缩感知重构

为了解决基于低秩正则化的图像压缩感知重构算法不能充分利用图像局部梯度稀疏特性的问题,提出了一种基于低秩与全变差正则化的图像压缩感知重构算法.首先,通过图像块匹配法寻找结构相似的图像块,组成非局部相似块组;其次,联合相似块矩阵低秩与图像梯度稀疏先验组成正则化项,结合传统的压缩感知模型形成新模型;最后,采用交替方向乘子法实现图像的重构.测试图像为自然灰度图像,为了验证算法的有效性,从主观视觉和峰值信噪比两方面进行对比.试验结果表明,和基于低秩正则化的图像压缩感知算法相比,该算法在准确描述图像非局部自相似性结构特征的前提下提高了重构质量,重构的图像在峰值信噪比上平均提升1 d B.     

迭代去噪收缩阈值算法重构压缩全息

为了解决全息图像数据在传输过程中占用大量内存并在一定程度上增加设计成本的问题,在数字全息成像技术中,应用压缩感知理论,提出了一种基于迭代去噪收缩阈值算法(IDNST)的数字全息重构方法.IDNST算法引入了去噪迭代因子和正则化收缩因子,利用前2次迭代的值、不断更新的迭代参数以及不断收缩的正则化参数来获得新的迭代值,加快了收敛速度,提高了全息图像的重构精度.仿真结果表明,所提出方法能够高概率地恢复出原始图像.     

一种鲁棒的稀疏信号重构算法

针对稀疏信号重构性能不稳定的问题,结合半阈值迭代算法,提出了一种鲁棒的稀疏信号重构算法。该算法首先对随机信号采用半阈值迭代算法进行重构,以获得初步的重构信号,然后改变迭代初值和参数初值进行新的迭代计算,同时增加一个新的循环终止条件,在保证算法稳定性与收敛速度的同时,使迭代结果跳出相对误差较大的局部极小点而收敛于误差较小的点成为可能,提高了重构信号的成功率。对该算法进行了信号重构和图像重构2个方面的实验,结果表明,与半阈值算法及相关算法比较,无论是对高斯信号、符号信号还是自然图像信号,该算法重构信号的成功率都有明显提高,较半阈值算法平均提高了约30%~40%,表现出较强的鲁棒性。     

基于自回归正则化和稀疏表示的图像超分辨率重建

针对图像超分辨率重建中稀疏系数解不精确和重建图像质量不理想的问题,本文提出了一种空间自回归正则化的超分重构算法.该重构算法联合稀疏K-SVD方法训练一个具有相同稀疏系数解的相对应于高低分辨率图像块的字典对,在此基础上利用自然图像本身具有的局部自回归性先验知识来对图像进行处理,经过模型的训练和选择引入正则化项,实现图像的局部约束,从而完整构造了基于正则化的稀疏编码目标函数,为了进一步实现图像去模糊得到清晰图像,利用退化模型实现全局约束.实验结果表明:与Bicubic、NE和SCR等算法相比,本文算法在主观视觉效果和客观评价指标方面都有了一定地提升.     

基于迭代加权L1正则化的高光谱混合像元分解

为了提高高光谱图像混合像元分解的精度,对基于稀疏性的线性混合像元分解方法进行研究。采用一种迭代加权的L1正则化方法进行高光谱混合像元分解,给出相应的模型和算法。通过引入多步加权L1优化求解过程,且根据当前解修正下一步迭代的权值,能更好地利用混合像元丰度系数的稀疏性。试验结果表明,基于迭代加权L1正则化的高光谱混合像元分解精度比基于传统L1正则化的方法高,特别适用于信噪比较高的高光谱图像。     

ROMP的正则化分析研究

正则化正交匹配追踪(ROMP)算法通过引入正则化的方式提升重构过程的稳定性和速度。该算法在不同正则化参数值时,每次迭代均会选出多个能量值最大的位置索引数不同,导致重构算法的重构误差和运行速度不同。正则化参数常值被赋值为2,本文通过对ROMP的正则化过程进行分析,并在MATLAB上进行仿真,找出不同稀疏度的信号在不同信噪比下最佳的正则化参数值,以保证稳定性的情况下提升算法的速度。     

一种稀疏度拟合的图像自适应压缩感知算法

针对运用压缩感知理论对图像进行自适应压缩采样时,采样率及稀疏度阈值确定具有很强的主观性,提出一种稀疏度拟合的精确自适应采样算法.该算法通过循环迭代来确定各个稀疏度下满足PSNR要求的最低采样率,利用最小二乘法对稀疏度及采样率数据进行拟合,得到稀疏度-采样率选取的最佳目标函数.基于TVAL3重构算法对上述自适应采样算法进行了实验仿真,结果表明,重构图像的PSNR均高于用相同值的固定采样率重构的PSNR值,其中纹理特征区分明显的图像此PSNR差值能达到3.5 dB以上.相比粗糙自适应算法,平均采样率比其降低的同时,重构图像仍得到了更高的PSNR值.      

一种稀疏度自适应的压缩感知信道估计算法

针对目前稀疏度自适应的压缩感知(compressed sensing,CS)信道估计算法计算量过大的问题,文章提出了基于关联度分析的稀疏度自适应归档正则化迭代硬阈值(sparsity adaptive archiving normalized iterative hard thresholding,SAANIHT)算法。ANIHT算法可以解决传统压缩感知理论计算量大、计算时间过长的问题,但需要预知信道的稀疏度。引入高斯核函数对一种稀疏度估计算法进行了改进,并与ANIHT算法结合,使其可以在盲稀疏情况下对信道进行估计。仿真结果表明,在同等稀疏度条件下,该算法比其他算法节约了计算时间,在低信噪比下性能更优,具有较好的重构性能与稳定性。     

基于即插即用2D-FISTA的高分辨ISAR成像方法

基于即插即用框架,将二维快速迭代收缩阈值算法与深度去噪网络DnCNN相结合,提出对不同信噪比回波稳健的逆合成孔径雷达高分辨成像方法PnP 2D-FISTA。首先建立二维ISAR成像的信号模型与稀疏观测模型,给出2D-FISTA成像的迭代公式,然后用DnCNN作为去噪器代替软阈值收缩函数,获得良好的图像重构与去噪性能。仿真与实测数据实验结果表明,PnP 2D-FISTA能在不同信噪比条件下实现高效成像,并具有较好的重构性能与噪声鲁棒性。     

基于自一致性的磁共振并行成像高效重构算法

磁共振并行成像技术能够显著地减少成像时间,然而高质量的图像重构比较困难.为了提高重构图像的质量,基于自一致性的SPIRiT框架,提出了一种高效的重构算法.该算法针对一个含有数据一致性、校准一致性和联合稀疏性正则项的复杂优化问题,首先将该问题简化成一般性最优化问题;再使用算子分离算法将其分解成一个梯度计算问题和一个可通过软阈值法求解的去噪问题;最后,再使用加速方案对算法进行加速.实验结果表明,当加速因子为8时,采用所提出的新算法的重构图像比采用POCS算法的重构图像的SNR提高约2.4,dB,且重构时间也节约了约30%.对于要求高质量重构图像的场合,所提出的算法能够满足需求.     

稀疏正则化及其在医学图像复原中的应用

论文旨在对受模糊和噪声影响的医学图像进行恢复.极小化由保真项构成的能量泛函是图像恢复普遍采用的方法,然而由于该极小化模型的不适定性,对其添加适当的正则化项是必要的.利用医学图像梯度稀疏这一先验条件,对极小化模型添加l_q正则化项.l_q正则化项的添加保证了图像梯度的稀疏性,也使我们不得不求解一个非凸优化问题.利用交替迭代的半二次分裂算法实现对该非凸问题的求解,并给出了该算法的收敛性分析. Shepp-Logan影像模型和MRI图像的数值仿真实验验证了本文的相关理论.基于研究结果,l_(1/2)正则化方法对梯度分布稀疏的医学图像具有良好的降噪与去模糊效果.     

一种基于L_(1/2)正则约束的超分辨率重建算法

为了提高重建图像质量,减少处理时间,提出一种基于L_(1/2)正则约束的单帧图像超分辨率重建算法.该算法在稀疏重建字典对训练阶段,为了有效提取低分辨率图像边缘、纹理等特征细节信息,采用小波系数单支重构方法对低分辨率图像进行特征提取;而在图像重建阶段,为了解决基于L1正则模型得到的解时常不够稀疏,重建图像质量有待进一步提高的问题,采用L_(1/2)范数代替L1范数构建超分辨率重建模型,并且采用一种快速求解的L_(1/2)正则化算法进行稀疏求解.实验结果表明:与现有算法相比较,该算法在重建图像主观和客观评价指标、算法运行速度等方面均更优.     

一种改进的快速迭代阈值选择算法

针对迭代阈值选择算法每次迭代计算灰度阈值的过程存在大量重复计算的问题,提出了基于均值累计和频次累计的快速迭代阈值选择算法。对快速迭代阈值选择算法和迭代阈值选择算法阈值计算的时间开销及图像二值化分割进行了实验分析,结果表明:文中提出的快速迭代阈值选择算法可有效的对实验图像进行二值化,该算法可显著降低迭代过程的时间开销。当图像尺寸达到10 000*10 000时,快速迭代阈值选择算法的时间消耗可降低至迭代阈值选择算法的10%,验证了快速迭代阈值算法的有效性。     

基于布雷格曼迭代的稀疏正则化图像复原方法

为了实现模糊噪声图像的清晰化复原,提出了一种基于布雷格曼迭代的稀疏正则化约束的图像复原算法。首先,运用差分算子,得到图像中各个方向上的梯度信息;然后,利用提取的梯度信息,得到图像边缘各个方向上的权重;并结合稀疏性原理,针对复原图像,提出了一种权重的稀疏性正则化约束;最后,运用了一种布雷格曼迭代(Bregman Iteration,BI)策略对提出的方法进行最优化求解。实验结果表明,较近几年的一些具有代表性的图像复原方法相比,不仅主观的视觉效果得到了较为明显的改进,而且客观的信噪比增量也增加了0.3~2.5 dB。     

一种自适应加权欠采样图像重建算法

针对欠采样图像重建中容易对噪声敏感且出现伪影的问题,构建了结合离散小波和TV的双正则化图像重建模型,基于该模型进一步提出了一种自适应加权迭代图像重建算法。该算法在每次迭代中通过阈值收缩方法依次计算TV正则项与小波系数先验项,更新重建图像。同时为了进一步提升重建图像的质量,引入迭代支集检测方法计算小波系数的自适应权重。实验结果表明,与其他算法相比,该文算法具有更好的时间效率和重建质量。     

一种改进的稀疏表示超分辨率重建算法

针对稀疏表示超分辨率重建算法中稀疏表示系数正则化效果不明显、字典完备性弱以及重建图像存在虚边缘等问题,提出了一种改进的稀疏表示超分辨率重建算法.首先对正则化正交匹配追踪(regularized orthogonal matching pursuit,ROMP)稀疏表示系数求解算法进行了改进,通过引入局部约束加权来提高稀疏表示系数的精度、增强图像的纹理特性;然后,将Huber影响函数用于提取图像的先验特征信息,以增强图像特征、提升高分辨率字典的表示能力;最后,提出了基于学习的迭代反投影方法,提高了图像后处理阶段预测误差的准确性,进一步改善了高分辨率重建图像效果.实验结果表明,该方法在峰值信噪比和视觉效果上都有所提高,重建图像的纹理特性和质量得到了有效增强.