基于亚高斯随机投影的图像重建方法

将亚高斯随机投影引入可压缩传感CS(compressed sensing)理论,给出了两种新类型的CS测量矩阵:稀疏投影矩阵和非常稀疏投影矩阵.利用亚高斯分布尾部的有界性,证明了这两种矩阵满足CS测量矩阵的必要条件.同时,进一步说明由于这两种矩阵构成元素的稀疏性可以简化图像重建过程中的投影计算,从而提高重建速度.实验结果表明新的测量矩阵均有较好的测量效果,在满足一定测量数目要求的条件下可以精确重建.最后给出了这两种矩阵与一般采用的高斯测量矩阵的重建结果比较和分析.     

基于压缩感知和SVR的自学习单幅图像超分辨率重建

针对依靠外部图像库的超分辨率(SR)重建算法训练耗时长、容易出现错误高频细节的问题,提出了一种基于压缩感知(CS)理论和支持向量回归(SVR)的单幅图像超分辨率重建方法。对降质图像本身训练SVR模型,充分挖掘图像自身的自相似特点。训练过程中先对输入图像边缘进行检测并对图像块进行分类,然后稀疏编码图像块,再根据图像的标签向量和稀疏表示矩阵训练得到SVR模型,并在测试过程中利用该模型预测高分辨率(HR)图像。实验结果表明,与基于外部库方法重建图像的方法相比,该算法所得结果的细节更加真实;与双三次插值方法相比该算法所得结果的边缘更加清晰。     

基于非常稀疏随机投影的图像重建方法

将非常稀疏随机投影引入可压缩传感CS（Compressed Sensing）理论,提出一种新的CS测量矩阵：非常稀疏投影矩阵。利用非常稀疏投影分布的渐近正态性,证明了新的矩阵满足CS测量矩阵的必要条件。该矩阵由于其构成的非常稀疏性大大简化了图像重建过程中的投影计算,从而提高重建速度。实验结果表明非常稀疏投影矩阵在满足一定测量数目要求的条件下可以精确重建。最后给出了新的测量矩阵与一般采用的高斯和贝努里测量矩阵的重建结果比较和分析。     

基于改进FOCUSS算法的电容层析成像算法研究

针对电容层析成像(electrical capacitance tomography,ECT)逆问题求解的病态性和不适定性,在压缩感知(compressed sensing,CS)的基础上,提出一种改进FOCUSS的ECT重建算法。采用离散余弦变换(DCT)基将原始图像灰度信号进行稀疏化处理,在使用正则化FOCUSS算法求解的过程中引入拟牛顿法逼近求解中间稀疏变量,以提高信号重构的准确性。仿真实验结果表明,同LBP、Tikhonov和Landweber和FOCUSS算法相比,改进的FOCUSS算法能够有效区分物场中的不同介质,改善图像过度平滑的问题,减小图像误差至0.23,提高图像相关系数至0.80,具有更好的成像效果,为ECT图像重建算法的研究提供新的思路。     

基于压缩感知的超分辨率图像重建

压缩感知(CS)利用图像稀疏表示的先验知识,从少量的观测值中重建出原始图像。将CS理论应用于单幅图像超分辨率(SR),提出一种基于两步迭代收缩算法和全变分(TV)稀疏表示的图像重建方法。该方法无需任何训练集,仅需单幅低分辨率实现图像重建。算法在测量矩阵里加入下采样低通滤波器以使SR问题满足应用CS理论的有限等距性质;采用TV正则化函数,利用两步迭代法引入TV去噪算子,可以更好地重建图像边缘。实验结果证明,与已有的超分辨率方法相比,在不同的放大倍数下所提方法重建图像视觉效果更好,在峰值信噪比(PSNR)的评价指标上有显著的提高(4~6dB),且实验证实滤波器的引入决定算法的重建质量。     

选择分块SVM电容层析成像改进方法

针对SVM在处理具有样本集规模大的ECT系统数据时,存在ECT图像重建的成像精度不高和速度慢的问题,采用了选择分块支持向量机CSSVM算法。将ECT系统样本数据构成列数固定的样本矩阵,每个样本作为样本矩阵的行,66个电容值和66个敏感度值作为矩阵的列。该算法将大样本矩阵按照某一成像单元进行选择性分块,并形成多个小样本矩阵,再分别采用SVM算法进行训练和预测,将各个成像单元组合成像。数值实验证明,使用CSSVM新算法比单独使用SVM算法重建图像具有更高的分类准确率和更短的成像时间。     

双层非负矩阵分解的分形图像压缩算法

分形图像压缩作为一种基于结构的图像压缩技术,在许多图像处理中得到了应用。但是分形图像压缩的编码阶段非常耗时,且重建图像的质量效果不佳。针对这些问题,提出了一种基于双层非负矩阵分解的分形图像压缩编码算法。在传统的非负矩阵分解理论上,将投影非负矩阵分解与[L3/2]范数约束相结合,可以在较短的时间内提取具有代表性的图像特征。算法采用双层非负矩阵分解提取原始图像的特征,对图像的特征进行[K]均值聚类,根据对应索引得到分类的图像块,在相应类别块里进行正交稀疏分解得到分形码,最后重建图像。实验结果表明,与快速稀疏分形图像压缩理论重建的图像相比,双层非负矩阵分解的分形压缩算法提高了重建图像的质量,同时缩短了编码时间。     

基于图像融合的电容成像

为提高电容层析成像系统重建图像质量,提出基于图像融合的电容成像方法.通过电磁场有限元仿真软件COMSOL构建ECT传感器模型进行仿真研究,分别通过共轭梯度算法和奇异值分解算法重建图像,运用基于小波变换的图像融合方法对图像进行处理.仿真及实验结果表明该方法有效改进了ECT图像质量.     

基于稀疏描述的SAR目标型号识别算法

对样本进行稀疏描述,可获得充分描述样本特征且具备区分能力的稀疏向量.提出一种基于稀疏描述的SAR目标型号识别算法.首先,对目标SAR图像进行特征提取,以抑制斑点噪声的影响.然后,利用全体训练样本构造字典矩阵,将测试样本在字典矩阵上进行投影得到其稀疏向量.最后,根据拥有相同标号且方位角最接近的样本之间差异最小的特点,构造单个样本重构误差最小准则,实现SAR目标的型号识别.在MSTAR数据上的实验验证了本文算法的有效性.     

压缩感知理论及其在成像技术中的应用

在传统的Shannon/Nyquist采样定理指导下,信号处理往往面临两大难题:A/D转换器技术的限制和海量采样数据的处理压力.压缩感知(CS)理论表明当信号具有稀疏性或可压缩性时,可以通过全局非自适应线性投影的方式,用远低于Shannon/Nyquist采样定理要求的频率获取信号的全部信息.以CS理论为基础的压缩成像(CI)技术在近年来得到了快速的发展.在概述CS理论的基础上,着重介绍了CI技术的原理及其发展状况,并从稀疏分解、观测矩阵的构造和重建算法3个方面对其关键问题进行了分析.CI系统可以显著节省感光器件的数量,避免了传统成像技术"先采样再压缩"方式带来的资源浪费.     

基于局部能量的电容层析成像图像融合方法

针对电容层析成像技术的"软场"效应和病态问题对重建图像精确度的影响,在分析电容层析成像基本原理和成像算法的基础上,提出了一种基于局部能量的电容层析成像图像融合方法。该方法以线性反投影、Landweber和共轭梯度算法作为图像重建的基础,利用各个图像的互补特性,经对重建的图像小波分解后,分别采用基于局部能量和加权平均算子融合规则对分解后图像的高频系数和低频系数进行图像的融合,得到准确度更高的成像结果。仿真实验结果表明,融合后成像精确度得到明显提高,缩小了误差,图像更接近原型,为ECT图像重建的研究提供了一个新的方法。     

基于模糊阈值分割的ECT图像重建方法

电容层析成像(ECT)技术是近年来发展较快的过程成像技术之一,图像重建算法是其应用的关键。但由于ECT的软场特性,重建的图像往往具有边界模糊效应。提出一种基于模糊阈值的ECT图像重建方法。该方法采用Landweber法进行图像重建,引入模糊阈值法确定重建图像的最佳阈值。采用仿真实验对该方法进行了验证,结果表明:该方法重建图像精度较高,具有较大的实用价值。     

基于改进粒子群优化的电容层析成像图像重建算法

Landweber电容层析成像ECT图像重建算法与粒子群优化算法PSO结合后能够进一步提高成像质量,但标准粒子群优化算法用于图像重建优化时存在陷入局部最优的现象。针对该问题,提出一种基于改进粒子群优化结合Landweber算法的电容层析成像图像重建算法。新算法在Landweber算法的基础上加入改进的惯性权值指数衰减粒子群优化策略,通过增加以指数规律衰减的粒子速度更新公式的约束因子,以保证算法在开始阶段具有较强的全局寻优能力,而在后期具有较强的局部寻优能力,从而实现对Landweber算法初始重建结果的进一步优化,以提高重建图像的质量。为验证新算法的有效性,选取较典型的LBP、改进Tikhonov迭代算法及Landweber图像重建算法,完成了ECT图像重建的对比实验。仿真结果表明,相对于其他算法,对于常见的几种流型,新算法在重建图像的主观及客观质量方面均有明显提高。     

介电常数未知条件下ECT图像重建的SVC算法

在电容层析成像(ECT)系统的实际应用中,两相流和多相流是最普遍的流体情况.不仅是由于被测介质的介电常数会随着温度等环境的变化而变化,而且还由于被测场域中存在其他介质,会使得测量时出现介质未知的情况.利用支持向量机(SVM)算法具有良好泛化性的特点,提出采用基于SVC(support vector classification)的电容层析成像图像重建算法对未知介电常数对象进行图像重建.仿真结果表明,该算法能有效适应介质多样性变化,即对于不同介质,该算法都能有较高的图像重建精度.     

电容层析成像技术的研究现状综述

详细介绍了电容层析成像（ECT）技术的近期研究进展。在简要介绍电容层析成像系统原理的基础上,重点总结了ECT技术的研究现状,包括ECT硬件、图像重建算法和应用研究等。同时,指出ECT技术发展中面临的微弱电容检测、软场特性、图像重建、标定、传感器设计、数据通信和多模态等方面的挑战,并指出了努力的方向。     

基于Chambolle-Pock算法框架的高阶TV图像重建算法

传统的总变差（TV）最小算法是一种基于压缩感知(CS)的经典迭代重建算法，可以从稀疏数据或含噪数据中高精度地重建图像。然而，TV算法在重建分段常数特征不明显的图像时可能会引入块状伪影，通过研究得出，在图像去噪中使用高阶总变差（HOTV）能有效压制TV模型引入的块状伪影。鉴于此，提出了一种HOTV图像重建模型及其Chambolle-Pock（CP）求解算法。具体来说，以二阶梯度构建二阶TV范数，进而设计了一种数据保真约束的二阶TV最小重建模型，并推导出了相应的CP算法。在理想数据投影和含噪数据投影条件下，分别采用基于波浪背景的Shepp-Logan模体、灰度渐变模体以及真实CT图像模体进行重建实验，并进行定性和定量分析。理想数据投影的重建结果表明，和传统TV算法相比，HOTV算法能有效压制块状伪影并提高重建精度。含噪数据投影的重建结果表明，HOTV算法和TV算法均有良好的抗噪能力，但HOTV算法的保边性能更好且抗噪性更强。在重建分段常数特征不明显而灰度波动特征明显的图像时，HOTV算法是一种比TV算法更优的重建算法。所提HOTV算法可以被推广到各种扫描模式下的CT重建及其他成像模态中。     

基于SVM决策树的自适应相数ECT图像重建算法

在电容层析成像(ECT)技术的实际应用中,多相流是最普遍存在的流体类型,而被测场域中存在的介质种类常常是未知的。为了解决测量时出现多相流相数未知的情况,利用支持向量机（SVM）决策树算法在分类精度和分类速度上的优点,提出采用基于SVM决策树的电容层析成像图像重建算法对未知相数进行相数预测及图像重建。仿真结果表明,该算法能够实现多相流相数自适应,并提高图像重建精度。     

电容层析成像技术中图像重建算法的发展及研究

为使电容层析成像(ECT)技术应用于多相流参数在线测量,有效提高其图像重建精度与速度是该技术的关键,也是国内外学者的研究热点。对ECT技术图像重建算法原理进行了分类叙述,在此基础上,综述了ECT技术图像重建方法近期研究成果,提出了进一步研究的方向和内容。     

基于1维子空间的3维重建算法

为了重建3维场景,假设相机为正投影模型,提出了一种基于1维子空间的3维重建算法．所有图像序列构成的行向量与3维空间点构成的行向量所生成的子空间是同一线性子空间,而且由第1幅图像点构成的2个行向量外加1个行向量就可以组成该子空间的一个基底．该算法利用上述特性,线性地求取该行向量,最后完成3维重建．模拟实验和真实实验数据结果表明,该重建算法具有鲁棒性好、重投影误差小等优点．