总变差约束的数据分离最小图像重建模型及其Chambolle-Pock求解算法

基于优化的迭代法,可以结合压缩感知和低秩矩阵等稀疏优化技术高精度地重建图像.其中,总变差最小（total variation minimization,TV）模型是一种简单有效的优化模型.传统的约束TV模型,使用数据保真项为约束项,TV正则项为目标函数.本文研究TV约束的、数据分离最小（TV constrained,data divergence minimization,TVcDM）新型TV模型及其求解算法.详细推导了TVcDM模型的Chambolle-Pock（CP）算法,验证了模型及算法的正确性;分析了算法的收敛行为;评估了模型的稀疏重建能力;分析了模型参数的选择对重建的影响及算法参数对收敛速率的影响.研究表明,TVcDM模型有高精度稀疏重建能力;TVcDM-CP算法确保收敛,但迭代过程中有振荡现象;TV限对重建有重要影响,参数值过大会引入噪声而过小会模糊图像细节;算法参数的不同选取会导致不同的收敛速率.     

块稀疏水声信道的改进压缩感知估计

压缩感知信道估计可利用信道稀疏特性提高估计性能,但对于具有典型块稀疏分布的水声信道,经典的l₀或l₁范数无法很好地描述块稀疏特性。利用水声信道块稀疏分布规律特性提出一种能够识别块稀疏结构的块稀疏似零范数,并在稀疏恢复信道估计算法中引入块稀疏似零范数约束项,进一步推导了复数域块稀疏似零范数恢复迭代算法,该算法通过对块稀疏似零范数进行梯度下降迭代并将梯度解投影至解空间来获得水声信道的块稀疏似零范数估计。数值仿真和海上水声通信实验结果表明该算法相对经典的稀疏信道估计算法有较明显的性能改善。通过算法推导、仿真和实验可获取结论:利用水声信道的块稀疏特性进行压缩感知重构可有效提高信道估计性能。      

基于加权总差分最小化的中子稀疏投影计算机断层重建方法

为提升高噪声稀疏角度投影条件下中子计算机断层扫描(CT)质量,提出同时迭代重建方法(SIRT)与加权总差分最小化(WTDM)相结合的迭代重建方法(SIRT-WTDM)。在有无噪声情况下比较代数重建算法、联合代数重建算法及同时迭代重建算法的重建图像,证明了SIRT迭代重建具有较高的图像重建精度与较强的抗噪声性能,因此将SIRT作为高噪声中子投影图像CT迭代重建算法的保真项。考虑到对图像梯度稀疏性与连续性的约束,中子CT迭代重建方法的正则化约束项采用WTDM方法。由Shepp-Logan模体与真实冷中子层析扫描数据验证可知,在极端稀疏角度投影条件下,SIRT-WTDM可获得较好的重建效果。     

双扩展水声信道的时延多普勒域稀疏估计

利用双扩展水声信道在时延-多普勒域存在的稀疏结构,将信道估计转化为压缩感知框架下的稀疏恢复问题可改善估计性能。但是,稀疏恢复经典方法如l_1范数、近似l₀范数无法适应水声信道时延-多普勒域稀疏度的动态变化,而匹配追踪(Matching pursuit,MP)、正交匹配追踪(Orthogonal Matching Pursuit,OMP)等贪婪类算法则存在着易进入局部最优解、二维搜索导致运算复杂度高等问题。提出在时延-多普勒域稀疏恢复的目标函数中引入非均匀范数约束(Non-uniform Norm Constraint,NNC),即在时延-多普勒域信道响应中根据每个时延-多普勒域位置的幅值分别分配为l₀或l₁范数约束,因而可通过不同范数约束组合的方式适应不同的时延-多普勒域稀疏度;同时,通过对非均匀范数代价函数进行梯度下降迭代求解并将梯度解投影至解空间推导了非均匀范数稀疏恢复的迭代求解方法,从而实现双扩展水声信道时延-多普勒估计。数值仿真和实验数据处理表明该算法相对经典方法有较明显的性能改善。通过仿真、海上水声通信实验结果可获取结论,利用时延-多普勒域稀疏特性的信道估计方法结合均衡器可有效提高双扩展信道条件下的水声通信性能。      

水声通信近似L0范数约束的BP网络均衡器*

针对稀疏水声信道的长时延扩展及梯度下降的权值迭代方案导致的神经网络均衡器收敛速度慢的问题,提出了近似L₀范数约束的BP神经网络均衡器。首先在传统BP网络均衡器基础上增加判决反馈项,然后在代价函数中对均衡器输入层到隐含层的权值增加L₀范数约束,构造新的代价函数,利用高斯族函数近似L₀范数约束,并根据不同隐层神经元节点输出权值的L₂范数设定近似参数。仿真结果表明,稀疏信道条件下,本方法相比传统的BP网络均衡器收敛速度更快,误码率更低,可以有效提升神经网络均衡器的性能。     

基于加权块稀疏联合非凸低秩约束的高光谱图像去条带方法

针对高光谱图像（hyperspectral images, HSI）去条带易引起影像结构细节丢失问题,提出一种基于加权块稀疏（weighted block sparsity, WBS）正则化联合最小最大非凸惩罚（minimax concave penalty, MCP）约束的HSI去条带方法。本算法采用加权?_{2, 1}范数和MCP范数对条带稀疏结构和低秩约束,?₁范数对干净图像结构保持正则化约束,构建加权块稀疏和MCP约束的条带去除模型,采用交替方向乘子（alternating direction method of multipliers, ADMM）算法迭代求解对应模型,重建获得干净的HSI图像。实验结果表明,提出方法在实际HSI的平均等效视数从28.45提高到83.47,边缘保持指数较其他算法至少增加0.056,特别是对于非周期条带噪声,采用自适应权值更新稀疏水平,增强了组稀疏性,在保持影像边缘和加强区域平滑性方面性能更佳,去噪声效果更好。     

改进的约束共轭梯度闪光照相图像重建算法

 针对闪光照相图像信噪比低的特点,提出了一种改进的约束共轭梯度闪光照相图像重建算法。该算法在约束共轭梯度迭代重建的基础上,提出了新的预优矩阵选取方案,减小了重建图像的轴线噪声,利用松弛迭代步长代替共轭梯度法中的最优迭代步长,并采用了新的收敛准则,在保证算法收敛的同时,减少了重建算法的计算量。数值试验表明,与传统约束共轭梯度重建算法相比,改进算法稳定收敛,迭代速度更快,并能有效提高重建质量。     

稀疏张量约束的低剂量CT图像重建

提出了一种稀疏张量约束重建算法,该方法利用非局部相似的先验信息,将CT图像分割成一系列图像块组;采用张量的多维低秩分解方法,将这一先验信息引入低剂量CT重建中,构造目标函数;通过重建图像更新和图像块组张量稀疏编码两个步骤,交替迭代求解目标函数。基于仿真数据和临床数据的实验结果验证了该算法的有效性,实验结果表明:与经典重建算法相比,所提算法在抑制噪声的同时,能更好地保持重建图像的细节,获得更高质量的图像。     

采用L1/2稀疏约束的梅尔倒谱系数语音重建方法

提出了一种利用L_1/2稀疏约束从梅尔倒谱系数重建语音时域信号方法。从梅尔倒谱系数估计语音幅度谱是一个欠定问题,现有的方法均采用幅度谱最小均方误差估计或采用L1正则化进行幅度谱的稀疏约束。相比于L₁正则化模型,L_1/2的稀疏约束特性更强,为此,本文在从梅尔倒谱系数估计语音幅度谱时引入L_1/2正则化约束,并利用求解的稀疏幅度谱估计相位谱,最后利用估计的频谱重建时域语音信号。实验结果表明,与幅度谱最小均方误差法相比,本文算法所估计出的语音信号具有更高的语音质量;在噪声环境下进行语音重建实验,与L₁正则化幅度谱估计方法相比,本文算法重建的语音质量更好,表现出更好抗噪性。      

基于稀疏先验的合成孔径光学系统的图像复原方法

由于通光面积减小以及系统共相误差等原因,合成孔径光学系统的成像会出现降质模糊。针对该问题,提出一种基于L₀范数的稀疏先验图像复原方法。对合成孔径系统的退化过程建模,通过统计分析与数学验证,发现退化后图像的暗通道值变成非极小值。基于暗通道理论提出图像复原算法模型,将暗通道和梯度先验以L₀范数的形式作为正则化项进行约束,光学系统阵列结构下计算的点扩散函数作为初始模糊核;最后,使用半二次分裂法迭代求解最终估计的清晰图像。在仿真实验中,不同活塞误差下和多场景下方法均能够提升图像的对比度、还原细节部分,迭代5次复原后的平均峰值信噪比分别达到23.13 dB和23.79 dB,平均结构相似度分别达到0.77和0.80,优于维纳滤波与Richardson-Lucy方法。在合成孔径相机实际拍摄图像的复原中,本文方法仍然能够有效还原退化图像。     

基于同伦l0范数最小化重建的三维动态磁共振成像

高欠采倍数的动态磁共振图像重建具有重要意义,是同时实现高时间分辨率和高空间分辨率动态对比度增强成像的重要环节.本研究提出一种结合黄金角变密度螺旋采样、并行成像和基于同伦l₀范数最小化的压缩感知的图像重建的三维动态磁共振成像方法.黄金角变密度螺旋采样轨迹被用来连续获取k空间数据,具有数据采集效率高、对运动不敏感等优点.在重建算法中,将多线圈稀疏约束应用于时间总变分域,使用基于l₀范数最小化的非线性重建算法代替传统的l₁范数最小化算法,进一步提高了欠采样率.仿真实验和在体实验表明本文所提的方法在保持图像质量的同时,也可以实现较高的空间分辨率和时间分辨率,初步验证了基于同伦l₀范数最小化重建在三维动态磁共振成像上的优势和临床价值.     

基于稀疏信号重构的阵元位置误差校正方法

阵元位置误差的存在会严重影响水听器阵列的测向性能,为此在使用阵列之前需对该误差进行校正。针对这一需求,提出了一种对任意阵型适用的高精度阵元位置有源校正方法。结合远场阵列模型以及位置误差"有界"的特点,基于压缩感知理论,将阵元位置估计转化为对稀疏信号的重构过程,建立了阵元位置误差模型,构造了该模型下凸优化函数,并采用l₁-SVD(Singular Value Decomposition,SVD)方法进行求解,同时给出了物理解释和算法实施步骤。计算机仿真表明基于稀疏信号重构的校正方法性能明显高于子空间拟合算法,且性能接近相应克拉美罗下界,对于校正源方位误差有较强的容错能力,不受制于微小误差的假设以及初值的选取。该方法是一种可对阵列中的部分或全部阵元进行校正的高精度、稳健的有源校正算法。      

Preconditioning for multidimensional TOMBO imaging

In this Letter, we propose a preconditioning method to improve the convergence speed of iterative reconstruction algorithms in a compact, multidimensional, compound-eye imaging system called the thin observation module by bound optics. The condition number of the system matrix is improved by using a preconditioner matrix. To calculate the preconditioner matrix, the system model is expressed in the frequency domain. The proposed method is simulated by using a compressive sensing algorithm called the two-step iterative shrinkage/thresholding algorithm. The results showed improved reconstruction fidelity with a certain number of iterations for high signal-to-noise ratio measurements.     

二进制信号的混沌压缩测量与重构

二进制信号的压缩感知问题对应超奈奎斯特信号系统中未编码的二进制符号的检测问题, 具有重要的研究意义. 已有的二进制信号压缩测量采用高斯随机矩阵, 信号重构采用经典的l₁最小化方法. 本文利用混沌映射构造基于Cat序列的循环测量矩阵, 并提出一种针对二进制信号的全新的重构算法——平滑函数逼近法. 文章构造的混沌循环测量矩阵兼具确定性和随机性的优点, 能够抵御低信令效率和低信噪比的影响, 取得更好的压缩测量效果. 文章提出的平滑函数逼近法利用非凸函数代替原问题不连续的目标函数, 将组合优化问题转化为具有等式约束的优化问题进行求解. 利用稀疏贝叶斯学习算法进一步修正误差, 得到更准确的重构信号. 在信道含有加性高斯白噪声的条件下对二进制信号进行了压缩测量与重构的数值仿真, 仿真结果表明:基于Cat 序列的循环测量矩阵的压缩测量效果明显优于传统的高斯随机矩阵; 平滑函数逼近法对二进制信号的重构性能明显优于经典的l₁最小化方法.     

改进的噪声鲁棒语音稀疏线性预测算法

语音线性预测分析算法在噪声环境下性能会急剧恶化,针对这一问题,提出一种改进的噪声鲁棒稀疏线性预测算法。首先采用学生t分布对具有稀疏性的语音线性预测残差建模,并显式考虑加性噪声的影响以提高模型鲁棒性,从而构建完整的概率模型。然后采用变分贝叶斯方法推导模型参数的近似后验分布,最终实现噪声鲁棒的稀疏线性预测参数估计。实验结果表明,与传统算法以及近几年提出的基于l₁范数优化的稀疏线性预测算法相比,该算法在多项指标上具有优势,对环境噪声具有更好的鲁棒性,并且谱失真度更小,因而能够有效提高噪声环境下的语音质量。      

Compressed sensing MR image reconstruction using a motion-compensated reference

Compressed sensing (CS)-based methods have been proposed for image reconstruction from undersampled magnetic resonance data. Recently, CS-based schemes using reference images have also been proposed to further reduce the sampling requirement. In this study, we propose a new reference-constrained CS reconstruction method that accounts for the misalignment between the reference and the target image to be reconstructed. The proposed method uses a new image model that represents the target image as a linear combination of a motion-dependent reference image and a sparse difference image. We then use an efficient iterative algorithm to jointly estimate the motion parameters and the difference image from sparsely sampled data. Simulation results from a numerical phantom data set and an in vivo data set show that the proposed method can accurately compensate the motion effects between the reference and the target images and improve reconstruction quality. The proposed method should prove useful for several applications such as interventional imaging, longitudinal imaging studies and dynamic contrast-enhanced imaging.     

基于近似l0范数最小化的NMR波谱稀疏重建算法

在核磁共振（NMR）波谱中,过长的数据采集时间会使很多化学以及分子生物学领域的高分辨率多维谱应用难以实现. 传统的解决办法是使用随机非均匀采样代替奈奎斯特采样,但这样会使谱图质量受损. 压缩传感的出现为此提供了更好的解决办法,合适的压缩传感重建算法可以通过很少的随机非均匀采样将谱图高质量的重建出来. 该文先介绍了一种可用于谱图重建的压缩传感重建算法,名为“平滑l₀范数最小化法”,然后针对该算法对采样噪声鲁棒性较差的缺点进行了改进. 通过将改进后的算法与原算法在一维实数域信号以及NMR波谱信号重建实验中进行对比后表明,改进后的算法对噪声的鲁棒性明显提高,并能获得更好的重建性能.