地震数据Bregman整形迭代插值方法

人工地震方法由于受到野外观测系统和经济因素等的限制,采集的数据在空间方向总是不规则分布.但是,许多地震数据处理技术的应用(如:多次波衰减,偏移和时移地震)都基于空间规则分布条件下的地震数据体.因此,数据插值技术是地震数据处理流程中关键环节之一.失败的插值方法往往会引入虚假信息,给后续处理环节带来严重的影响.迭代插值方法是目前广泛应用的地震数据重建思路,但是常规的迭代插值方法往往很难保证插值精度,并且迭代收敛速度较慢,尤其存在随机噪声的情况下,插值地震道与原始地震道之间存在较大的信噪比差异.因此开发快速的、有效的迭代数据插值方法具有重要的工业价值.本文将地震数据插值归纳为数学基追踪问题,在压缩感知理论框架下,提出新的非线性Bregman整形迭代算法来求解约束最小化问题,同时在迭代过程中提出两种匹配的迭代控制准则,通过有效的稀疏变换对缺失数据进行重建.通过理论模型和实际数据测试本文方法,并且与常规迭代插值算法进行比较,结果表明Bregman整形迭代插值方法能够更加有效地恢复含有随机噪声的缺失地震信息.

基于线性Bregman迭代的结构化噪声矩阵补全算法

通过采样部分元素补全低秩矩阵的缺失元素是许多实际应用如图像修复、无线传感网数据收集和推荐系统等经常遇到的一个颇具挑战性的难题.在机器学习领域,这类问题通常能刻画成矩阵补全问题.虽然现有研究针对矩阵补全问题已提出了许多有效算法,但这些算法通常仅限于采样元素要么无噪要么仅含少量随机高斯噪声的补全情形,难以处理实际问题中常见的行结构化噪声.为了解决这个问题,该文首先借助分类器设计中流行的L2,1范数正则化技术来平滑此类噪声,并将该问题建模为一类基于L2,1范数正则化的凸约束优化问题.其次,为了快速有效地求解,我们将向量空间的线性Bregman迭代算法和近邻算子技术拓展到矩阵空间,进一步设计了一种鲁棒的基于线性Bregman迭代的结构化噪声矩阵补全算法(LiBIMC).严格的理论分析证明了LiBIMC迭代算法的不动点正是结构化噪声矩阵补全问题的全局最优解.数值实验结果表明,和已有的矩阵补全算法相比,LiBIMC算法不仅能更好地恢复结构化噪声矩阵的缺失元素,还能精确地辨识出采样矩阵中被污染的元素所在行的位置信息.

基于Bregman迭代的CT图像重建算法

针对大规模集成电路领域CT重建图像的特点,提出TV约束条件下采用l1范数作正则项的重建模型,并给出了基于Bregman迭代的模型求解算法.算法分为两步:1)采用Bregman迭代求解图像的l1范数作为正则项,误差的加权l2范数作为保真项的约束极值问题;2)采用TV约束对1)中得到的重建图像进行修正.算法对TV约束条件下采用l1作正则项的重建模型分开求解,降低了算法的复杂度,加快了收敛速度.算法在稀疏投影数据下可以快速重建CT图像且质量较好.本文采用经典的Shepp-Logan图像进行仿真实验并对实际得到的电路板投影数据进行重建,结果表明该算法可满足重建质量要求且重建速度有较大提升.

低剂量CT的线性Bregman迭代重建算法

针对降低X线源管电流来减少辐射剂量的实现方案所引起的投影图像低信噪比的情况,该文提出一种新的低剂量CT图像重建模型。总的优化目标函数采用泊松噪声的负对数似然函数作为数据保真项,采用待重建图像的稀疏性先验信息作为正则项。保真项能够克服加性高斯模型不能有效刻画噪声性质的缺点,正则化项能够改善测量低信噪比所引起的不适定性。求解过程中采用线性化Bregman迭代格式,将原目标函数分解为变系数的2次优化问题和稀疏性先验去噪问题,其中的2次优化问题中的2次项系数采用变系数计算,能够更好地逼近原始的保真项,从而加快收敛速度。在低剂量扇形束成像的条件下,对仿真模型进行了数值试验,并同传统的滤波反投影算法、极大似然算法和加权2范数重建算法进行了比较,验证了该文算法的有效性。

交替迭代的变分修复模型及其分裂Bregman算法

为对图像的缺损部分进行有效地修复,提出了一种交替迭代的变分修复模型。通过分析新模型的性质,给出一种高效且快速的迭代算法。新方法首先利用交替极小化方法化原问题为两个去耦的次问题,然后对两个次问题再分别利用分裂Bregman方法进行数值求解。实验结果表明,本文所提出的新算法不但修复效果较好,而且修复速度较快。

基于线性Bregman迭代类的多量测向量ISAR成像算法研究

为实现目标回波数据稀疏时的快速稳健ISAR成像,该文在构建多量测向量ISAR回波模型的基础上,利用压缩感知(Compressive Sensing,CS)中的线性Bregman迭代理论,研究了基于线性Bregman迭代类的多量测向量快速ISAR成像算法。该类成像算法共包括4种算法,首先给出此类算法的整体迭代构架、应用条件以及4种方法之间的联系;其次对此类算法的重构性能、收敛性、抗噪性以及正则化参数选择等方面进行全面的比较分析;最后基于实测数据进行ISAR成像,实验结果表明,与传统单量测向量ISAR成像算法相比,该文算法在低信噪比条件下可在更短的成像时间内获得更高的成像质量。

基于迭代傅里叶变换算法的光束整形元件位相编码的优化设计

基于迭代傅里叶变换算法 ,提供了对具有 2个台阶二元光束整形元件进行位相编码的优化设计方法 ,详细研究了初始位相选取以及引入强度自由度、位相自由度在迭代傅里叶变换算法中对再现像品质的影响 。

基于快速分裂Bregman迭代的全变差正则化SENSE磁共振图像重建

在并行磁共振成像中,由于敏感度编码(SENSE)重建过程的病态性,当加速因子增大时,其重建图像的信噪比将会明显降低.通过深入分析全变差(TV)正则化的SENSE重建模型,引入一种高效快速的分裂Bregman迭代算法来得到优化解,进而有效改善图像重建效果.分别对磁共振的体模数据和大脑数据进行仿真实验研究.结果表明,与传统TV正则化SENSE重建相比,此算法不但迭代次数少、收敛速度快,而且能够有效消除混叠伪影,提高图像信噪比并减小归一化均方误差.

利用线性Bregman迭代的ISAR高分辨成像

为获得ISAR方位向高分辨成像性能,基于压缩感知理论,提出了一种具有方位向高分辨能力的算法。该算法基于线性Bregman迭代(LBI)实现ISAR方位向高分辨。首先将重构精度高的LBI推广到复数域;然后进行了算法的理论分析,与正交匹配追踪算法对比分析了LBI算法的有效性以及稀疏度和采样率对重构精度的影响,仿真结果表明推广到复数域后的LBI能够有效实现复数稀疏信号的重构,验证了算法的优越性;最后将算法运用于ISAR方位向成像。仿真结果验证了LBI算法可明显提高ISAR方位向分辨率。

信号重构的小波极大模整形迭代算法

提出了用整形迭代重构算法实现从信号的二进小波变换极大模值重构原始信号。数值实验显示该算法的收敛性和重构效果非常令人满意。与Mallat的交替投影算法相比,该算法更简单快捷。

求解l^1极小化问题的Bregman迭代算法

在Tikhonov正则化方法的基础上将其转化为一类l^1极小化问题进行求解,并基于Bregman迭代正则化构建了Bregman迭代算法,实现了l^1极小化问题的快速求解.数值实验结果表明,Bregman迭代算法在快速求解算子方程的同时,有着比最小二乘法和Tikhonov正则化方法更高的求解精度.

基于分裂Bregman迭代的混合正则化重力场反演

针对重力场反演中深度分辨率过低的问题,提出基于混合稀疏正则化联合反演。引入L1多尺度小波和全变差技术,使在剔除干扰异常及规避反演过度聚焦的同时,尽可能地保留深度方向上的分辨率;针对在混合正则化反演中预条件矩阵左乘(求逆)计算量过大的问题,构建新的深度权项实现基于最小分裂Bregman迭代算法快速三维密度反演成像。研究结果表明:本文反演方法可行、有效,具有较强的适应性。

三种线性Bregman迭代重构算法性能分析

针对线性Bregman迭代在压缩感知稀疏信号重构中具有良好的重构性能和抗噪性能,从理论上对三种典型的线性Bregman迭代重构算法进行了分析比较,给出了算法的步骤和应用条件,然后基于CS重构指标进行了综合的仿真与分析,最后给出了三种算法的关系以及相应的结论.

基于双重Bregman迭代的地震数据重构与去噪

受采集环境、成本及设备等因素的影响,野外采集的地震数据往往存在缺失道和噪声干扰,快速有效的迭代插值方法对地震数据重构与去噪技术具有重要的实际意义。针对含有随机噪声的缺道地震数据,根据压缩感知理论,提出了一种基于双重Bregman迭代的地震数据重构与去噪方法。首先对含有随机噪声的缺道地震数据通过傅里叶变换进行稀疏表示,选取掩膜算子作为观测矩阵,然后将Bregman迭代重构算法作为外部迭代,分裂Bregman迭代去噪算法作为内部迭代,两者结合形成双重Bregman迭代,在迭代控制准则条件下,对含噪声的缺道地震数据进行重构和去噪。数值模拟实验和实际数据测试结果表明,双重Bregman迭代算法同时考虑了地震数据的重构与去噪,将独立的两种算法融合在一起,在对地震数据进行插值重建的同时去除了部分随机噪声。该算法迭代次数少,重构得到的地震数据精度高于线性Bregman迭代算法的重构精度,可以更有效地恢复含随机噪声的缺失地震信息,为地震数据恢复提供了一种可供选择的缺失地震数据处理方法。

基于加速Bregman方法和阈值迭代法的联合地震数据重建

地震数据缺失道重建是数据处理的重要环节,但现今大部分重建算法收敛速度慢,计算成本高,难以满足海量数据处理的要求。为此,提出一种将加速线性Bregman方法(ALBM)与阈值迭代法(ISTA)进行联合的快速重建方法,并采用多尺度、多方向曲波变换作为稀疏基。ALBM能从未阈值化的曲波系数得到更多的有效信号,因此在迭代初期收敛速度快;后期因未阈值化的曲波系数带入更多噪声,会降低重建精度。ISTA则一直需要将曲波系数进行阈值化,迭代初期滤除了大部分有效系数,故收敛速度慢;但后期能恢复微弱有效信号,故重建精度较高。为了充分发挥两种算法的优势,文中给出了1~0范围的线性和指数两种加权参数公式,有效地将ALBM与ISTA两种算法进行线性组合,保证在迭代初期ALBM起主要作用,迭代后期ISTA作用大,从而使该联合算法既迭代速度快,且迭代精度高。联合过程中,采用软阈值公式,引入了指数阈值参数公式。理论模拟结果表明,相对于ALBM、ISTA及传统联合方法,所提加速联合方法的计算速度较快,重建效果明显。

基于交替分裂Bregman迭代算法的鲁棒多道预测反褶积方法

将一次波的L_1范数最小化约束引入多道预测反褶积,提出基于交替分裂Bregman迭代算法的鲁棒多道预测反褶积方法。所提方法利用距离算子求解L_1范数最小化优化问题,在整个迭代过程中只需计算一次矩阵求逆,计算复杂度较低。首先介绍了多道预测反褶积方法的数学模型,然后给出鲁棒多道预测反褶积的优化问题,并阐述了交替分裂Bregman迭代算法求解优化问题的步骤。相对于基于迭代重加权最小二乘法的鲁棒多道预测反褶积方法,文中方法在保持多次波压制效果的同时,能进一步提高计算效率;相对于基于最小二乘法的多道预测反褶积方法和基于交替分裂Bregman迭代算法的鲁棒单道预测反褶积方法,文中方法能有效地均衡一次波的保护和多次波的压制。另外,所提方法利用了多道预测反褶积方法的优势,比单道预测反褶积方法能更好地适应海底的起伏变化。模型数据和实际数据测试结果表明:当水层多次波具有周期性时,文中方法能在保护一次波的同时,有效地压制水层多次波,并具有较高的计算效率;当水层多次波的周期性假设得不到很好的满足时,很难对多次波的压制效果进行直观判断。

一种求解稀疏重构问题的加速分割Bregman迭代算法

为提高分割Bregman迭代算法的收敛速率,将加速梯度方法与分割Bregman迭代算法结合,提出了一种加速分割Bregman迭代算法,并将该方法用于求解L1范数约束条件下的稀疏重构问题。新算法在保持原有算法迭代简单、易于实现等优点的同时,还具有超线性收敛性,可更好地求解实际问题。试验结果表明,与目前已有方法相比,加速分割Bregman迭代算法在迭代次数上有明显提升。

基于非局部均值去噪算法的PM模型及其Split-Bregman迭代实现

基于偏微分方程能量变分模型中规则项的设计,将传统的基于梯度的PM模型与非局部均值算法相结合,对加性噪声进行去噪在最小化非局部PM模型能量函数的过程中,分别运用原始算法和Split-Bregman迭代算法进行了数值运算,结果表明,两种方法均取得到了较好的修复效果。

求解稀疏最小二乘问题的新型Bregman迭代正则化算法

由于允许从少量数据中恢复原始图像或信号的压缩感知原理的引入,基于l1范数正则化的最优化方法近来越来越受到重视。利用最小二乘问题的一种等价形式和Bregman迭代方法的一些技巧,本文给出了已有A+线性Bregman迭代方法的一种推导过程。进一步结合不动点连续迭代方法和非满值最小二乘问题的等价形式,获得了一种求解带有约束的l1范数最小优化问题的新型算法,并给出了新型算法与A+线性Bregman迭代算法之间的联系,同时证明了新算法所获得的解是所求问题的一个最优解。新算法与已有A+算法类似,仅仅需要矩阵向量乘法和压缩算子的计算,从而使得新算法很容易实现,且运算速度明显快于已有算法。最后,通过数值实验表明,新方法对于稀疏信号的恢复问题与原方法相比具有速度快、可有效减少停滞现象等优点。

基于Split Bregman迭代求解水平集框架模型的运动目标检测

提出了一种基于Split Bregman迭代求解分段常值模型(也称为C-V模型)的运动目标检测方法。该方法首先采用高斯混合模型进行背景建模,然后减去背景得到图像序列的运动区域部分(本方法的处理对象)。由于引入了SplitBregman迭代方案,可以在保证演化过程稳定的前提下采用相对较大的时间步长。在真实红外序列图像上的检测情况表明,Split Bregman迭代方案加速了曲线的演化并且极大地降低了迭代过程所需的次数,说明了该方法的有效性。