基于全变分正则化的高能闪光照相消模糊图像重建算法

 针对高能闪光照相投影图像消模糊难度大的问题,提出了一种基于全变分正则化的消模糊图像重建算法,该算法根据闪光照相的成像特点,将客体的纵向截面作为一个整体来进行建模,并在重建方程中考虑了模糊因素,然后采用全变分范数作为正则项,构建了用于消模糊图像重建的展平泛函,将消模糊图像重建问题转化为能量泛函极小化问题,通过固定点迭代算法求解图像重建问题的最小化解。数值模拟结果表明：该算法由于考虑了闪光照相成像时的图像模糊因素,在重建时能够较好地消除模糊对重建结果的影响,在抑制噪声的同时能较好地保持图像的边缘信息,有利于提高重建图像的质量。     

一种基于约束共轭梯度的闪光照相图像重建算法

 针对闪光照相系统成像信噪比低的特点，提出了正则化预优约束共轭梯度算法（RPCCG）。RPCCG算法在闪光照相重建方程中引入Tikhonov正则化准则，利用预优约束共轭梯度法迭代求图像重建的最优解。数值试验表明，采用最小二乘+平滑准则的RPCCG算法是一种具有较高的抗噪能力的有效闪光照相图像重建算法，具有良好的收敛性和稳定性以及较高的重建精度。     

基于约束共轭梯度的高能闪光照相3维重建算法

 针对高能闪光照相系统成像信噪比低的特点，提出了3维约束共轭梯度算法，该算法基于3维重建理论来重建方程，利用约束共轭梯度法迭代求图像重建的最优解。数值模拟结果表明：采用3维约束共轭梯度算法能有效改善高能闪光照相重建图像轴线噪声大的问题，是一种具有很高抗噪能力的闪光照相图像重建算法。     

基于约束优化的闪光照相图像重建算法

针对闪光照相图像受模糊及噪声影响的问题,提出了一种基于约束优化的闪光照相图像重建算法。该算法建立基于平行束投影的正向成像矩阵,并通过嵌入模糊矩阵表达成像过程中的模糊因素,采用最速下降法求解重建问题。在算法中设计了预优矩阵以提高迭代重建速度,利用客体密度值非负、密度分布分段光滑并含有阶跃性边界的先验知识,设计和采用了非负约束、光滑约束及广义变分边界约束条件。对仿真FTO客体图像及实际闪光照相图像的重建结果表明,基于约束优化的重建算法具有良好的边界保持能力及噪声抑制能力,可以有效提高图像重建质量。     

种基于偏微分方程约束的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,提出了一种基于偏微分方程基于非线性PDE的约束的图像重建算法,该算法在重建迭代过程中引入了基于非线性PDE的平滑约束来抑制图像噪声,同时保护图像边缘。数值试验结果表明:相比于Landweber和预优约束共轭梯度（PCCG）重建算法,新算法具有更强的抗噪能力和边缘保护能力,是一种更加有效的闪光照相图像重建算法。     

基于L1范数和正交梯度算子的超分辨率重建

针对超分辨率图像重建的病态问题,设计了一种新的自适应超分辨率图像序列重建算法。该算法在L1范数重建框架下,利用金字塔算法与Lucas-Kanade算法相结合的方法实现图像配准,获得亚像素的运动估计;通过引入移位算子给出了基于正交梯度算子的正则项的实现方法,并从自适应的角度选择正则化参数,最后通过最速下降法求解模型的目标泛函最小值。结果表明:对于模拟实验和真实序列实验,该方法相比于样条插值算法、Tikhonov正则化算法、双边全变差重建算法都有一定的优势,能够取得更好的复原效果,并且由于正则项较为简单,重建所需时间相对减少。     

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。     

一种测量多相流流型的ECT图像重建算法

提出了一种新的电容层析成像图像重建算法-IMNSNOF算法.该算法在分析极小范数解的基础之上针对ECT逆问题的特点对其进行改进,并利用奇异值分解定理证明这种改进的数值稳定作用.在此基础上建立新的日标泛函,并在求解该泛函的过程中采用正则技巧对其进行改进确保数值解的稳定性.利用非闭合电极ECT传感器实测了多相流沿流向的流型...     

基于贝叶斯准则的闪光照相图像重建

 针对闪光照相图像低信噪比的特点,研究了一种带约束的贝叶斯图像重建算法,较好地抑制了噪声对重建结果的影响,同时对细节信号具有较高的保持能力。该算法以贝叶斯重建为基础,在重建过程中考虑了闪光照相图像的受模糊影响比较严重的特点,引入了重建结果具有平滑性的先验信息进行约束,以提高重建结果的信噪比。通过在迭代过程中对重建结果进行平滑性约束以提高重建质量。数值模拟结果表明,该方法在闪光照相图像重建中具有较好的抗噪能力和边界保持能力。     

基于双阈值Huber范数估计的图像正则化超分辨率算法

多帧图像超分辨率算法利用图像间的互补信息, 可以从一系列具有亚像素位移的低分辨率影像数据中重建出高分辨率图像. 在众多超分辨率算法中, 正则化方法以其求解病态问题的有效性而被广泛应用, 但在此类方法中, 最优估计算子的估计准确度对最后的重建结果有着较大的影响. 本文在现有正则化超分辨率重建算法的基础上, 提出了一种基于双阈值Huber范数的极大似然估计算子, 可以提高Huber范数对于阈值取值的容忍性和算子估计精度; 并给出了基于该算子的正则化超分辨率算法的迭代公式. 通过对仿真图像进行重建, 结果表明算法可有效地抑制各种噪声并保证重建效果; 同时将此算法应用于实际图像的超分辨率重建, 有效地提高了目标影像的空间分辨率. 关键词： 图像处理 图像重建 超分辨率 正则化     

A Compton scattering image reconstruction algorithm based on total variation minimization

Compton scattering imaging is a novel radiation imaging method using scattered photons.Its main characteristics are detectors that do not have to be on the opposite side of the source,so avoiding the rotation process.The reconstruction problem of Compton scattering imaging is the inverse problem to solve electron densities from nonlinear equations,which is ill-posed.This means the solution exhibits instability and sensitivity to noise or erroneous measurements.Using the theory for reconstruction of sparse images,a reconstruction algorithm based on total variation minimization is proposed.The reconstruction problem is described as an optimization problem with nonlinear data-consistency constraint.The simulated results show that the proposed algorithm could reduce reconstruction error and improve image quality,especially when there are not enough measurements.     

Regularized maximum likelihood algorithm for PET image reconstruction using a detail and edges preserving anisotropic diffusion

The traditional iterative reconstruction algorithms of positron emission tomography cannot effectively suppress the noise in low SNR case. Recently anisotropic diffusion (AD) is introduced into tomography reconstruction, which can improve the reconstructed image. Although AD reconstruction algorithm can suppress noise, it does not perverse the detail edge information accurately, especially the thin edges. In order to solve the problem, we introduce a new anisotropic diffusion term, which can preserve the detail edges effectively, into the maximum likelihood algorithm, and combine with median filter, forming the regularized maximum likelihood algorithm in PET image reconstruction (PML_NewAD). Results of computer simulated demonstrate that compared with the other classical reconstruction algorithms, PML_NewAD not only availably suppress the noise and produce a higher quality image, but also preserve the structure of image's edge excellently.     

非精确交替方向总变分最小化重建算法

CT (computed tomography)系统实际应用当中, 经常会出现扫描数据不满足数据完备性条件的情况. 针对不完全角度重建问题的研究, 是目前迭代型算法研究中的一个热点. 一系列基于带有约束的总变分最小化的重建算法近年来在不完全角度重建中取得了较好的效果, 这其中基于交替方向法 (alternating direction method, ADM) 的重建算法表现出更好的性能. 然而, ADM方法在求解过程中对矩阵求逆的处理效率不高, 导致极大的计算开销. 本文针对该问题, 使用非精确ADM方法, 利用线性近似的方式替换掉计算开销较大的项, 使得矩阵求逆问题可以通过快速傅里叶变换加速实现. 实验结果表明, 本文提出的非精确交替方向总变分最小化重建算法与精确ADM重建算法相比, 没有明显的精度损失, 计算时间缩减30%左右. 关键词： 不完全角度重建 总变分最小化 非精确交替方向法     

结合透射CT的康普顿背散射图像重建

在康普顿散射成像(CST)技术中可以结合透射成像重建出衰减系数来消除散射重建的非线性,但这样得到的投影矩阵带有误差。而CST重建问题的不适定性对噪声和投影矩阵的误差非常敏感,重建结果会有较大误差。针对此问题,基于压缩感知理论提出了一种新的CST重建算法。新方法将图像重建问题归结为一个图像的全变分(TV)最小化问题,并使用收敛速度较快的基于交替方向法的Split-Bregman方法进行求解。在仿真实验中,通过与代数重建技术(ART)进行比较,在测量数据充足和测量数据不足两种情况下,本文算法都具有更好的重建质量,证明了所提算法在重建精度和抗噪性能方面的优势。     

Sparsity-constrained SENSE reconstruction: An efficient implementation using a fast composite splitting algorithm

Parallel imaging and compressed sensing have been arguably the most successful and widely used techniques for fast magnetic resonance imaging (MRI). Recent studies have shown that the combination of these two techniques is useful for solving the inverse problem of recovering the image from highly under-sampled k-space data. In sparsity-enforced sensitivity encoding (SENSE) reconstruction, the optimization problem involves data fidelity (L2-norm) constraint and a number of L1-norm regularization terms (i.e. total variation or TV, and L1 norm). This makes the optimization problem difficult to solve due to the non-smooth nature of the regularization terms. In this paper, to effectively solve the sparsity-regularized SENSE reconstruction, we utilize a new optimization method, called fast composite splitting algorithm (FCSA), which was developed for compressed sensing MRI. By using a combination of variable splitting and operator splitting techniques, the FCSA algorithm decouples the large optimization problem into TV and L1 sub-problems, which are then, solved efficiently using existing fast methods. The operator splitting separates the smooth terms from the non-smooth terms, so that both terms are treated in an efficient manner. The final solution to the SENSE reconstruction is obtained by weighted solutions to the sub-problems through an iterative optimization procedure. The FCSA-based parallel MRI technique is tested on MR brain image reconstructions at various acceleration rates and with different sampling trajectories. The results indicate that, for sparsity-regularized SENSE reconstruction, the FCSA-based method is capable of achieving significant improvements in reconstruction accuracy when compared with the state-of-the-art reconstruction method.     

基于曲率滤波和梯度变换的图像增强

针对基于梯度变换的图像增强算法抗噪声干扰能力差的问题,引入曲率滤波理论,提出了基于高斯曲率滤波和梯度变换的图像增强算法.该算法通过对图像梯度场进行非线性变换来增强图像对比度,通过构造能量泛函,采用梯度下降法从变换后的梯度场重构出增强后的图像,并利用高斯曲率滤波对梯度下降法迭代过程中的重构图像及其各阶偏微分进行平滑,有效解决了图像重构过程中的噪声非线性放大和扩散问题,同时保留了丰富的细节信息.采用多组边缘模糊图像进行仿真实验,实验结果表明该算法在增强图像边缘对比度的同时,能够有效抑制噪声.     

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.     

Inverse problem of a statistical estimation of scatterer characteristics and model examples

The inverse scattering problem involving experimental data with errors is considered in its statistical formulation. An algorithm for retrieving regularized estimates of the characteristics of spatially distributed scatterers (the phase velocity and absorption inhomogeneities) is developed. The algorithm takes into account the multiple scattering and generalizes the Wiener filtering to the nonlinear case. For weak scatterers, this nonlinear generalization is reduced to the linear Wiener filtering. The performance of the algorithm is verified by model examples simulating the operation of active acoustic tomography systems against various noise levels. The necessity of taking into account the multiple scattering and the fundamental role of the nonlinear filtering in the regularization procedure is demonstrated. It is remarkable that the noise robustness achieved in the reconstruction of strong scatterers with the optimal regularization algorithm is only slightly inferior to that achieved in the case of weak scatterers.