一种改进的磁共振并行成像k空间数据采集算法

为进一步缩短磁共振成像时间,改善图像质量,提出了一种改进的有限脉冲响应(FIR)GRAPPA算法.与传统的权重固定的FIR GRAPPA算法模型相比,该算法考虑了相位方向的变化,包含更多的k空间数据且更符合并行成像数据拟合的物理过程.为验证该算法的有效性,对人体心脏和大脑图像的原始数据分别进行仿真实验,得到了在较大加速因子下的重建图像及均方误差.与传统的GRAPPA算法及其他改进的GRAPPA算法进行比较,结果发现,利用改进算法重建的图像更清晰,均方误差更小.因此,本文提出的改进GRAPPA算法有效可行.     

复频域实时重建医学光声图像的研究

提出将光声成像中的傅里叶域重建方法与分布式并行计算相结合的方法,应用于实际处理医学成像中,实现实时重建医学光声图像的目的.滤波反投影算法是光声图像重建的一个广泛使用的算法,但由于在时域重建的时间复杂度大,并不适合实时重建.傅里叶域重建方法相对于滤波反投影算法具有时间复杂度上的优越性,且产生较少的伪影.并行处理技术,已经广泛应用于各类工程学科,其影响力及范围随着研究深入逐步扩大.分布式并行计算将提高图像处理速度,使实时重建医学图像成为可能.将MATLAB作为平台,实现了对医学图像在复频域的并行加速处理,给出了并行处理与串行处理的测试结果的比较.实验结果表明:傅里叶域重建方法与分布式并行计算的结合,使医学光声成像重建时间大大缩短.     

基于范数优化的并行磁共振成像算法

研究了并行磁共振成像图像重建的范数优化问题.首先,通过分析目前常用的2种并行磁共振成像重建算法——GRAPPA算法和SENSE算法,归纳出它们在重建过程中所用的动态数学模型,描述成形如矩阵方程Ax=b的形式;然后,将范数优化引入到重建算法中的建模及模型参数估计中,通过采用不同矩阵范数意义下的目标函数,即在不同的范数空间中重建图像,提高优化的自由度和算法设计的灵活性;最后,通过仿真对范数优化后的重建图像质量进行分析,说明不同范数优化对重建图像的影响,并探讨了范数优化中相关参数及优化目标函数的选择问题.     

一种利用Spark-GPU加速 CT图像重建的设计

目的:进一步解决CT图像重建耗时长的问题,实现大批量重建CT图像.方法:利用大数据框架Spark构建GPU集群.首先对加速滤波反投影(FBP)和同时代数迭代重建技术(SART)算法的复杂度进行分析及并行化设计,并比较在GPU和CPU上的运行速度.通过对比耗时选择最佳的计算组合,实现单机GPU加速.通过thunder工具读取批量的投影数据并创建分布式数据集,使用Numba开发CUDA程序并部署在Spark运行.结果:FBP算法运行速度有近40倍的提升,SART算法运行速度有近10倍的提升.结论:Spark和GPU结合能够扩展Spark的性能,突破单机加速瓶颈,大幅提升计算速度,对于不同的图像重建算法均有良好的加速效果,表明Spark-GPU在图像重建方向有良好的应用前景.     

复杂温度场图像重建算法实验研究

在声学法燃煤锅炉炉膛火焰温度场重建中,重建算法是实现温度场重建的关键.提出一种新的复杂温度场图像重建算法,通过在温度场重建中加入先验信息矩阵,实现在较少声波飞行时间测量数据下的复杂温度场图像的重建.用该算法结合所研制的实验系统对实际燃烧火焰温度场进行了重建实验,给出了实验结果.实验结果表明,该算法可实现复杂温度场图像重建.     

基于字典学习的超分辨率显微CT图像重建

为提高显微CT重建图像的空间分辨率,提出了一种基于字典学习的超分辨率图像重建算法.首先,将重建图像进行网格细化,并使用面积权值模型实现对投影过程的精确建模.然后,选择高质量的图像作为训练样本,采用K-SVD算法构建图像字典.基于该图像字典,利用正交匹配追踪算法实现对重建图像的稀疏表达,并以此作为稀疏项约束引入到重建算法的目标函数中.最后,使用梯度下降法求解目标函数.实验结果表明:与传统的基于插值的超分辨率重建算法相比,所提算法的超分辨率结果在图像对比度、边缘保持方面具有优势,并且保留了更多的图像高频信息,从而有效提高了重建图像的空间分辨率.     

一种改进的K-means聚类服装图像分割算法

图像分割是图像处理中的重要环节,如何提高图像分割的准确度一直以来都是图像领域的研究重点及难点.K-means聚类算法作为经典聚类算法得到广泛应用,但是,k值的选取往往难以确定.针对这一问题,提出了一种改进的K-means算法.首先将输入的彩色图像转化为灰度图像,统计灰度直方图的峰值数,将其设定为聚类数k,然后对原图像的...     

基于弹性分布数据集的海量空间数据密度聚类

为了快速挖掘大规模空间数据的聚集特性,在cluster_dp密度聚类算法基础上,提出了一种基于弹性分布数据集的并行密度聚类方法 PClusterdp.首先,设计一种能平衡工作负载弹性分布数据集分区方法,根据数据在空间的分布情况,自动划分网格并分配数据,使得网格内数据量相对均衡,达到平衡运算节点负载的目的;接着,提出一种适用于并行计算的局部密度定义,并改进聚类中心的计算方式,解决了原始算法需要通过绘制决策图判断聚类中心对象的缺陷;最后,通过网格内及网格间聚簇合并等优化策略,实现了大规模空间数据的快速聚类处理.实验结果表明,借助Spark数据处理平台编程实现算法,本方法可以有效实现大规模空间数据的快速聚类,与传统的密度聚类方法相比具有较高的精确度与更好的系统处理性能.     

基于FDK反投影权重的锥束DSA重建算法

针对锥束数字减影血管造影成像系统(DSA)锥角增大而导致锥束伪影严重的问题,提出了一种基于FDK的反投影权重锥束DSA重建算法.分析了圆扫描轨迹远端伪影的成因,针对短扫描阴影区域导致的Radon空间数据缺失,提出了一种距离变量的反投影权重函数,并将其作为约束条件引入到FDK算法中,实现扫描轨迹远端区域的数据补偿,扩大图像重建区域.应用该算法对无噪声和有噪声的模拟投影数据,及自行研发的锥束DSA的实际扫描数据分别进行了重建试验.结果表明,文中算法较FDK类算法(Parker-FDK)对大锥角投影数据可明显抑制锥角伪影,其归一化均方距离判据和归一化平均绝对距离判据比Parker-FDK均降低了5％.     

基于二分K均值聚类和最近特征线的视频超分辨率重建方法

提出一种基于二分K均值聚类和最近特征线的视频超分辨率重建方法.该方法在生成图像块训练样本库阶段,为了解决传统K均值算法对图像块聚类时间复杂度较大的问题,设计一种基于二分K均值图像块聚类算法,用以实现快速构建初始训练样本库;在视频帧超分重建阶段,通过改进的最近特征线方法扩充样本库,并舍弃其中的不合适样本,提升样本库的表达能力.该视频超分辨率重建方法应用于基于关键帧的视频超分辨率重建,首先对时序上近邻的两个关键帧下采样并分块,然后使用图像块聚类算法构建初始训练样本库;对于这两个关键帧之间的低分辨率帧,使用改进的最近特征线方法扩充的训练样本库重建出对应的高分辨率帧.实验结果表明,提高了视频超分辨率重建的时间效率,同时也提升了每一帧重建图像的主客观质量,证明了算法的有效性.