基于总变差正则化算法的三维肺部呼吸过程电阻抗成像方法

为了提高对肺部呼吸运动进行连续监测的精确性,针对二维成像不能满足人体结构成像需求的问题,利用三维电阻抗断层成像技术(electrical impedance tomography,EIT)对肺部呼吸过程进行成像,采用总变差正则化(total variation,TV)算法与Tikhonov正则化算法实现肺部三维EIT成像,并对2种算法在不同呼吸状态下的图像重建结果的误差与肺区域比(lung regional ratio,LRR)进行对比与评价。结果表明:与传统Tikhonov正则化算法相比,仿真数据中,TV算法使三维肺部EIT成像误差降低了58.86%,肺区域比(LRR)准确率提高了14.58%;实验数据中,TV算法使成像误差降低了53.81%,LRR准确率提高了16.33%;说明TV算法比Tikhonov正则化算法更适合进行三维EIT图像重建工作,证明了三维EIT用于人体呼吸运动监测的可行性。

一种基于Contourlet变换与分裂Bregman方法的CT图像重建算法

针对稀疏投影CT图像重建算法中梯度算子在图像稀疏表示方面的局限,本文将Contourlet变换与CT图像重构相结合,利用Contourlet变换包含图像中的方向信息,从而更有效表达图像这一优势,提出一种将Contourlet变换与最小化图像总变差(TV)方法相结合,进而借助分裂Bregman方法进行最优化求解的CT重建算法。实验结果表明,在投影数较少的条件下,本文算法重构结果在RMSE与UQI方面均优于ART与TV方法,重构图像的边缘细节亦保持良好,且抗噪性能较强,说明本文算法更适合稀疏投影情况下的重建。

一种数字微镜阵列分区控制和超分辨重建的压缩感知成像法

提出一种压缩感知成像框架结构.该结构采样端用新建的采样矩阵实现数字微镜阵列分区控制,可增强信息获取的准确性,测量得到与新数字微镜阵列对应的压缩采样值;重构端由采样值优化重构出低分辨率图像后,根据分区控制过程建立压缩感知理论框架下的超分辨重建模型,利用梯度稀疏约束优化算法进行求解,恢复出原高分辨率图像.实验结果表明:数字微镜阵列分区控制与超分辨重建相结合的方法可以明显降低压缩感知成像系统的计算量,缩短成像时间,并且具有较高的图像重构质量.

基于混合采样的图像分块压缩感知方法

针对图像压缩感知问题，提出一种基于混合采样的分块压缩感知方法——HBCS方法。该方法利用基于随机采样和低分辨率采样构造的混合采样矩阵和分块策略，有效地提高了图像采样效率和重构性能。理论证明：混合采样矩阵具有低分辨率采样的直接测量图像低频信息的特性和随机采样的近似最优的重构功能，且以高概率与大多数固定稀疏基不相干，结构简单，非常易于实现；分块策略能保证算法复杂度不随图像尺寸而改变，适合实时处理高分辨率图像。实验结果表明，在相同采样值数目下，该方法采用总变差（TV）重建算法时的重构质量尤其是在图像低频信息恢复方面明显优于其它已有方法。