基于压缩感知/重采样的NMR噪声抑制新方法

发展高灵敏检测方法是分析化学的永恒主题之一,提高信号强度和降低噪声水平是增强灵敏度的根本途径.在核磁共振波谱(NMR)分析中,通常采用高磁场强度的谱仪或复杂的脉冲实验方法来提高信号强度,或通过使用超低温探头来降低噪声水平,但这无疑会提高实验成本或增加实验难度.相较而言,利用数据后处理方法辨识和抑制噪声,是更为经济的提高信噪比(SNR)的途径.因此,该文在前期研究中发展的基于统计学中重采样原理的数据后处理方法(NASR)的基础上,通过引入压缩感知(CS)技术,对重采样方法进行了优化改进,所发展的NMR数据处理新方法(CS_NASR)可有效排除主观因素影响,提高处理结果的鲁棒性.     

基于压缩感知的三维物体成像的简单计算方法

从压缩感知的原理入手,阐述了基于压缩感知的三维物体成像方法。为解决压缩感知三维物体成像计算量大的问题,重点提出了一种三维信息计算的简单方法。此方法通过两次压缩感知计算就可得到位于多个距离处的物体的三维信息,大大减少了计算量。对此方法进行了数值模拟,并分析了采样率的提高对于距离计算精度的影响;建立实际的三维成像系统,实验结果证明了这种方法的可行性。     

A Compressed Sensing Measurement Matrix Construction Method Based on TDMA for Wireless Sensor Networks

Compressed sensing theory has been widely used for data aggregation in WSNs due to its capability of containing much information but with light load of transmission. However, there still exist some issues yet to be solved. For instance, the measurement matrix is complex to construct, and it is difficult to implement in hardware and not suitable for WSNs with limited node energy. To solve this problem, a random measurement matrix construction method based on Time Division Multiple Access (TDMA) is proposed based on the sparse random measurement matrix combined with the data transmission method of the TDMA of nodes in the cluster. The reconstruction performance of the number of non-zero elements per column in this matrix construction method for different signals was compared and analyzed through extensive experiments. It is demonstrated that the proposed matrix can not only accurately reconstruct the original signal, but also reduce the construction complexity from O(MN) to O(d2N) (d≪M), on the premise of achieving the same reconstruction effect as that of the sparse random measurement matrix. Moreover, the matrix construction method is further optimized by utilizing the correlation theory of nested matrices. A TDMA-based semi-random and semi-deterministic measurement matrix construction method is also proposed, which significantly reduces the construction complexity of the measurement matrix from O(d2N) to O(dN), and improves the construction efficiency of the measurement matrix. The findings in this work allow more flexible and efficient compressed sensing for data aggregation in WSNs.     

Image Encryption Scheme Based on Multiscale Block Compressed Sensing and Markov Model

Many image encryption schemes based on compressed sensing have the problem of poor quality of decrypted images. To deal with this problem, this paper develops an image encryption scheme by multiscale block compressed sensing. The image is decomposed by a three-level wavelet transform, and the sampling rates of coefficient matrices at all levels are calculated according to multiscale block compressed sensing theory and the given compression ratio. The first round of permutation is performed on the internal elements of the coefficient matrices at all levels. Then the coefficient matrix is compressed and combined. The second round of permutation is performed on the combined matrix based on the state transition matrix. Independent diffusion and forward-backward diffusion between pixels are used to obtain the final cipher image. Different sampling rates are set by considering the difference of information between an image’s low- and high-frequency parts. Therefore, the reconstruction quality of the decrypted image is better than that of other schemes, which set one sampling rate on an entire image. The proposed scheme takes full advantage of the randomness of the Markov model and shows an excellent encryption effect to resist various attacks.     

A Fast Multi-Scale Generative Adversarial Network for Image Compressed Sensing

Recently, deep neural network-based image compressed sensing methods have achieved impressive success in reconstruction quality. However, these methods (1) have limitations in sampling pattern and (2) usually have the disadvantage of high computational complexity. To this end, a fast multi-scale generative adversarial network (FMSGAN) is implemented in this paper. Specifically, (1) an effective multi-scale sampling structure is proposed. It contains four different kernels with varying sizes so that decompose, and sample images effectively, which is capable of capturing different levels of spatial features at multiple scales. (2) An efficient lightweight multi-scale residual structure for deep image reconstruction is proposed to balance receptive field size and computational complexity. The key idea is to apply smaller convolution kernel sizes in the multi-scale residual structure to reduce the number of operations while maintaining the receptive field. Meanwhile, the channel attention structure is employed for enriching useful information. Moreover, perceptual loss is combined with MSE loss and adversarial loss as the optimization function to recover a finer image. Numerous experiments show that our FMSGAN achieves state-of-the-art image reconstruction quality with low computational complexity.     

基于CS的低压电力线载波通信信道估计

针对低压电力线通信环境多径干扰的特点,建立了正交频分复用的压缩感知信道估计模型,将信道估计转换为压缩感知理论中稀疏度未知的号重构问题,首次采用压缩感知的稀疏自适应匹配追踪方法重构出低压电力线载波通信多径信道的冲击响应。仿真表明与其它常用信道估计算法相比,所提出的压缩感知信道估计算法在频谱利用率以及估计性能方面比传统方法有显著提高,在未知稀疏度的情况下,为低压电力线载波通信系统提供了一种稳定、可行的信道估计方案。     

选择性双向顺序压缩感知重建动态磁共振成像

压缩感知是一种新兴技术,该技术能够用远低于奈奎斯特采样频率采集的信号恢复出原始信号. 压缩感知成像方法大大提高了心脏磁共振成像的采集速度,已有的方法主要利用动态图像时间相关及心脏的周期性运动特征,如采用在时间维做傅立叶变换或求解每帧数据跟参考帧数据的差异获取稀疏数据,满足压缩感知重建的要求. 该文提出了选择性双向顺序压缩感知重建算法,利用相邻帧的差异更小的特点,获取更加稀疏的差异数据,同时利用动态图像的周期性,以目标函数积分为判据,在时间顺序和时间逆序两个方向选择效果更好的方向进行数据重建,降低图像伪影和噪声. 该选择算法,可以在不增加重建时间的情况下,选择双向顺序重建中最佳的结果. 该文对心脏磁共振图像数据进行了数据处理实验,并且跟传统压缩感知算法、参考帧差异方法及匙孔成像方法进行了比较. 结果表明：该方法无论从视觉效果还是从统计结果上,都有很大的改善.     

不同采样模式的固体DQ-SQ实验的压缩感知重建比较

为了提高固体二维双量子-单量子(DQ-SQ)谱的采集速度,根据DQ-SQ谱的自稀疏性,该文使用了一种基于压缩感知技术的重建算法.其优化的能量函数是有限差分约束的l1范数,并使用不同的权重对水平和竖直方向的有限差分项进行约束.该文分别对伪随机采样、全随机采样和e指数采样等采样模式进行了比较,发现伪随机采样表现出最佳的重建结果.进一步研究发现伪随机的极限形式,即t1截尾(t1-cutoff)采样模式效果最佳.     

CS-MRI 中评价随机欠采样矩阵的新方法

在压缩感知-磁共振成像(CS-MRI)中,随机欠采样矩阵与重建图像质量密切相关．而选取随机欠采样矩阵一般是通过计算点扩散函数(PSF),以可能产生的伪影的最大值为评价参数,评估欠采样对图像重建的影响,然而最大值只反应了伪影的最坏情况．该文引入了两种新的统计学评价参数平均值(MV)和标准差(SD),其中平均值评估了伪影的平均大小,标准差可以反映伪影的波动情况．该文分别使用这3种参数对小鼠和人体脑部MRI数据以不同的采样比率进行CS图像重建,实验结果表明,当采样比率不低于4倍稀疏度时,使用平均值获得了质量更优的重建图像．因此,通过稀疏度先验知识指导合理选取采样比率,并以平均值为评价参数选取随机欠采样矩阵,能够获得更优的CS-MRI重建图像．
     

压缩感知同步扫描重建及其采样方案的研究

压缩感知(compressed sensing,CS)-磁共振成像(magnetic resonance imaging,MRI)技术使用随机欠采样的k空间数据来重建图像,大大提高了成像速度.但典型的CS重建很费时,这也是CS-MRI临床应用的主要障碍之一.针对这一问题,该文提出了在扫描时同步进行CS图像重建的方案.在同步重建的过程中,可以实时显示重建图像的结果,用户可以根据图像质量来决定何时终止扫描,这样可以在节约扫描和重建时间的同时,更好地控制图像质量.由于预先无法确定最终的采样率,因此传统的变密度随机采样方法并不完全适用.该文设计了适用于同步重建过程的采样模式生成方案,同时提出了分段采样方法,把采样过程分为两个阶段,不同阶段使用不同的概率密度函数(probability density function,PDF)确定待采样的相位编码行.模拟实验的结果表明,与使用单一密度函数的采样方案相比,分段采样方案能够在整个同步扫描重建过程中始终获得更好的图像.     

On Compressed Sensing of Binary Signals for the Unsourced Random Access Channel

Motivated by applications in unsourced random access, this paper develops a novel scheme for the problem of compressed sensing of binary signals. In this problem, the goal is to design a sensing matrix A and a recovery algorithm, such that the sparse binary vector x can be recovered reliably from the measurements y=Ax+σz, where z is additive white Gaussian noise. We propose to design A as a parity check matrix of a low-density parity-check code (LDPC) and to recover x from the measurements y using a Markov chain Monte Carlo algorithm, which runs relatively fast due to the sparse structure of A. The performance of our scheme is comparable to state-of-the-art schemes, which use dense sensing matrices, while enjoying the advantages of using a sparse sensing matrix.     

基于压缩感知的激光干扰图像尺度分析

利用激光干扰CCD成像侦察系统可以使其降低或失去侦察能力,客观、准确、定量地评估干扰的效果是干扰技术研究的重要环节。本文以现有的背景杂波量化尺度为基础,结合激光干扰图像对CCD成像系统目标检测性能的影响,提出了基于压缩感知的图像尺度,并将该尺度运用于基于机器视觉的激光干扰CCD效果评估。激光视场内干扰实验及数值计算表明:该方法能够利用压缩感知理论的特点,较好地实现了对激光干扰CCD成像检测系统效果的定量评估,从而验证了该尺度的有效性。     

一种结合并行成像和压缩感知的快速磁共振成像新方法

压缩感知（CS）技术和并行成像技术（主要是SENSE技术、GRAPPA技术等）都能通过减少k空间数据的采集量来加快磁共振成像速度,目前已有一些将两种方法相结合进一步加速磁共振成像速度的方法（例如CS-GRAPPA）.本文针对数据采集和重建这两方面对现有CS-GRAPPA方法进行了改进,采集方式上采用了局部等间隔采集模板以满足GRAPPA重建的要求,并对采集模板进行随机放置以满足CS重建的要求;数据重建时,根据自动校正数据估算GRAPPA算法中欠采行的重建误差,并利用误差的大小确定在CS算法中保真的程度.不同磁共振图像重建实验的结果表明：与现有方法相比,本文方法能够更好地保留原有图像细节并有效减少伪影.     

基于加权率失真优化SPIHT算法的干涉多光谱图像压缩

基于空间调制型成像光谱仪的成像特点,提出了一种适合于干涉多光谱图像的加权率失真优化多级树集合分裂(SPIHT)光谱压缩算法。该算法根据干涉多光谱图像在时域和频域的特点,推导出时域中随着光程差的增大,干涉图像对频域中光谱曲线的形状影响越大。因此,在光程差方向上,逐渐提升率失真函数的斜率,增大对图像的保护程度,不仅弥补了SPIHT算法在码率分配上的不足,而且有效地保护了频域中的光谱信息。实验结果表明,无论在时域还是频域,该算法与现有算法相比,性能有明显改进。     

迭代软阈值法压缩感知重建谱峰较宽的二维固体谱

压缩感知技术可以打破传统奈奎斯特采样定理的限制,利用优化算法对欠采数据进行重建,并获得高质量的结果,因此在核磁共振领域得到了广泛的关注．但是当核磁共振谱的谱峰很宽时,基于共轭梯度方法的压缩感知重建却难以得到令人满意的谱图．因此,该文采用凸优化非线性重建算法,使用基于谱图域软阈值的压缩感知算法重建固体二维宽谱（¹H双量子-单量子谱或MQMAS谱）,有效地解决了宽峰在重建时变弱的问题．     

一种基于时空变换和压缩感知的磁共振螺旋采样的图像重建算法

螺旋采样磁共振快速成像在功能性成像、并行成像和动态成像等领域发挥着越来越重要的作用.螺旋采样图像重建的传统算法是用核函数将螺旋状分布的k空间数据插值到均匀网格中,再利用傅里叶变换和最小二乘法进行重建.但是基于网格化的算法对核函数过于依赖,在网格化过程中产生难以避免的误差.该文提出了基于时空变换和压缩感知的l1范数的最优化模型和重建算法.时空变换矩阵描述了空间上的磁共振图像与采集到的时域信号间的关系,使得算法直接使用采集到的数据作为保真约束项,避免了网格化过程产生的误差.此外,基于图像处理单元的并行计算被用来提高时空变换矩阵的运算速度,使得算法具有较强的应用价值.     

氢气拉曼光谱压缩感知方法分析研究

气体监测与我们的生活息息相关,氢气作为一种理想的研究模型更是受到广泛关注.拉曼光谱作为一种气体分析手段,具有无损非接触等优点.气体拉曼光谱测量存在的一个主要问题是拉曼散射信号弱.在一些特定场景下,需要信号采集时间较短,因此获得的拉曼光谱信噪比低.压缩感知方法作为一种新发展起来的信号处理手段,不仅可以压缩采样,缩短采样时...     

一种基于离散粒子群优化算法的高光谱图像端元提取方法

针对混合像元分解过程中,由于数据噪声引起的端元提取不准确问题,引入了群智能算法中的粒子群优化算法,并对粒子群优化算法进行了改进,重新定义了位置和速度的表示方法和更新策略,得到离散粒子群优化(discrete particle swarm optimization,D-PSO),能够在离散空间中进行搜索,解决组合优化问题。同时,通过定义目标函数和可行解空间,将端元提取问题改写成组合优化问题,最终实现利用D-PSO进行端元提取。在给出算法的详细流程之后,文章通过一组模拟数据实验和一组实际数据实验验证了D-PSO算法对于具有较大噪声的数据的适应性和提取端元的可信程度,并分析了不同参数对于算法性能的影响。     

一种基于压缩感知的三维导体目标电磁散射问题的快速求解方法

提出了一种将压缩感知和特征基函数结合的方法来计算三维导体目标的雷达散射截面.利用压缩感知理论,将随机选择的矩量法阻抗矩阵作为测量矩阵,将激励电压视为测量值,然后再用恢复算法可实现二维或二维半目标感应电流的求解.对于三维导体目标,使用Rao-Wilton-Glisson基函数表示的感应电流在常用的离散余弦变换基、小波基等稀疏基上不稀疏.为此,本文将计算出的目标特征基函数作为稀疏基,用广义正交匹配追踪算法作为恢复算法来加速恢复过程,并应用到三维导体目标的雷达散射截面计算中.数值结果证明了本文方法的准确性与高效性.     

使用压缩感知的遥感图像振荡畸变几何校正方法

卫星平台振动和反射镜震颤会引起遥感图像中的振荡畸变。这类畸变难以通过常用的几何校正方法消除。对此,提出了一种使用压缩感知的几何校正方法。该方法基于有理函数模型(RFM)进行几何校正。在校正过程中,利用初始的RFM计算出地面控制点(GCPs)在图像中的投影坐标与实际成像坐标之间的偏差(称为投影偏差),以地面控制点处的投影偏差作为采样值,使用压缩感知技术重构出所有像元处的投影偏差,并据此对RFM进行像方补偿;利用经过补偿的RFM进行遥感图像纠正。通过补偿,消除了振荡畸变引起的RFM模型误差,进而提高校正性能。利用实测数据验证了该方法的有效性,并通过仿真数据分析了地标点的数量与分布对该几何校正方法性能的影响。