基于正则化参数优化和边界聚类的电阻抗成像研究

电阻抗成像是一种无损伤的功能成像技术,由于逆问题具有不适定性、不稳定性等特点,往往存在重构图像的分辨率不高、伪影较大等问题。将Tikhonov和全变量(TV)两种正则化算法的罚函数进行组合应用,提出将粒子群算法用于组合罚函数的正则化参数优化,把图像质量指标(artifact level, AL)作为粒子群算法的适应度值,从而确定最优正则化参数,通过牛顿迭代法获得电导率,为了进一步去除伪影,将Niblack算法与边界聚类算法相结合,对求得的电导率进行处理,得到最终的电导率分布。仿真和实测结果均表明,该方法重建的图像能够更加准确地反映电场内目标物体的位置信息,有效的抑制伪影,提高了重建效果。

基于共享近邻和优化关联策略的边界剥离聚类

边界剥离聚类算法(BP)是一种基于密度的聚类算法,它通过逐渐剥离边界点来揭示聚类的潜在核心,已经被证明是一种十分有效的聚类手段.然而,BP算法仍存在一些不足之处:一方面,数据点的局部密度仅考虑了距离特征,使得边界点的确定不够合理;另一方面,BP算法中的关联策略容易误判异常值,并且在分配边界点时容易产生连带错误.为此,本文提出了一种基于共享近邻和优化关联策略的边界剥离聚类算法(SOBP).该算法使用了基于共享近邻的局部密度函数来更好地探索数据点之间的相似性,同时优化了BP算法中的关联策略,使得每次迭代中边界点不再仅与一个非边界点进行关联,并进一步采用了边界点与非边界点、已剥离边界点之间的双重关联准则.在一些数据集上的测试表明,相较于其他6种经典算法,该算法在评估指标上表现更佳.