基于字典基函数框架的纤维方向分布模型重建

脑白质纤维方向分布模型重建是脑纤维成像的重要过程之一,为纤维束跟踪提供精确的纤维方向估计。传统方法的约束条件往往依赖于先验的纤维方向信息,限制了计算效率与精度的提高。提出一种基于字典基函数框架的纤维方向分布函数(f ODF)估计方法,在单位球面上建立均匀的字典基函数分布,构造基于字典基函数的球面反卷积模型,直接通过非负最小二乘方法求得基函数系数,避免伪峰与复杂的算法以及更高阶的大规模病态逆问题的计算,使得纤维方向分布的稀疏性和非负性可以通过几个基函数的加权和很容易地表示。模拟磁共振数据与临床脑部数据的实验结果显示,该方法在同等条件下与目前流行的Super-CSD和QBI方法相比,计算复杂度大大降低,计算时间仅为Super-CSD的1/3;角度分辨率扩大到20°以内(其中,Super-CSD为40°,QBI为60°)。由于该方法简单高效,角度误差不会随角度等参数的变化而跳变,也因为角度分辨率和角度误差性能的提升,使得纤维方向的错误重构概率降低到8%以下,可为纤维跟踪技术提供精确的局部纤维走向。

SAR图像稀疏表示模型的实证研究

对合成孔径雷达(SAR)场景使用稀疏表示算法得到基函数字典示例,滤波前后图像稀疏表示的对比研究表明:相干斑噪声对SAR场景稀疏表示的字典结果有影响。选取浦江二号、ALOS2和SIR-C的特定SAR图像数据,通过设置单因素条件探讨优化算法、样本内容、数据集大小、雷达分辨率、极化方式、波段对字典结果的影响。结果表明:(1)SAR场景稀疏表示学习出的字典和雷达波段、分辨率、极化方式有关,和所选取的不同样本内容、数据集的大小以及所使用的优化算法无关。(2)C波段比L波段更能反应SAR场景的稀疏性。(3)降采样数据集更能反应SAR场景的稀疏性。(4)HH、VV极化图像学习出的字典更具有本质特征。