Graph Regularized Sparse Coding Method for Highly Undersampled MRI Reconstruction

The imaging speed is a bottleneck for magnetic resonance imaging( MRI) since it appears. To alleviate this difficulty,a novel graph regularized sparse coding method for highly undersampled MRI reconstruction( GSCMRI) was proposed. The graph regularized sparse coding showed the potential in maintaining the geometrical information of the data. In this study, it was incorporated with two-level Bregman iterative procedure that updated the data term in outer-level and learned dictionary in innerlevel. Moreover,the graph regularized sparse coding and simple dictionary updating stages derived by the inner minimization made the proposed algorithm converge in few iterations, meanwhile achieving superior reconstruction performance. Extensive experimental results have demonstrated GSCMRI can consistently recover both real-valued MR images and complex-valued MR data efficiently,and outperform the current state-of-the-art approaches in terms of higher PSNR and lower HFEN values.

Two-Level Bregman Method for MRI Reconstruction with Graph Regularized Sparse Coding

In this paper, a two-level Bregman method is presented with graph regularized sparse coding for highly undersampled magnetic resonance image reconstruction. The graph regularized sparse coding is incorporated with the two-level Bregman iterative procedure which enforces the sampled data constraints in the outer level and updates dictionary and sparse representation in the inner level. Graph regularized sparse coding and simple dictionary updating applied in the inner minimization make the proposed algorithm converge with a relatively small number of iterations. Experimental results demonstrate that the proposed algorithm can consistently reconstruct both simulated MR images and real MR data efficiently, and outperforms the current state-of-the-art approaches in terms of visual comparisons and quantitative measures.

基于稀疏直接法的特征增强视觉SLAM算法

针对基于特征点的视觉同步定位与建图(SLAM)算法在低纹理环境下特征提取能力弱、定位精度降低和鲁棒性差的问题,本文提出了一种基于稀疏直接法的特征增强视觉SLAM算法。首先对图像序列进行预处理,提高算法的特征提取能力;然后融合基于图优化的稀疏直接法和特征点法求解位姿,在保证算法定位精度的前提下,提高算法的运行效率和鲁棒性。由TUM数据集的实验结果表明,本文提出的算法定位精度优于当前SLAM算法,在TUM数据集中纹理稀疏的场景下,该算法提取的特征点数目是ORB-SLAM2算法的9.6倍,平均每帧跟踪耗时减少了58%。

适用于稀疏图的基于关键点标记的可达性算法

有向图中任意两点间的可达性查询是研究各种网络问题时的一个基础操作,如在社交网络中查询两个人是否相互关注等。但随着网络规模的日益扩大,传统算法因巨大的时间或空间复杂度而变得难以被应用。因此需要根据网络结构特点针对性地使用合适的可达性算法。稀疏图可以看作由若干有向生成树与少量非树边组成,GRKPL算法将稀疏图中的可达性问题拆分成两部分:树上可达性问题与加入非树边后带来的影响。前一部分使用区间标记法解决;后一部分通过构造关键点集,将原图中所有的可达性查询转化为关键点集中的查询后得以解决。关键点集包括所有被非树边覆盖的节点,以及这些节点按照前序遍历的顺序排序后相邻节点之间的最近公共祖先。证明了关键点集的大小与原图中非树边的规模具有相同的数量级。最后在10个中小规模与4个大规模现实数据集上进行了测试,GRKPL在中小规模数据集上表现优异,查询处理时间相较于其他算法平均减少49.8%,空间占用平均减少65.1%。

基于稀疏直接法和图优化的移动机器人SLAM

针对目前移动机器人同时定位和三维稠密地图构建算法中存在的计算复杂、实时性差的问题,提出一种基于RGB-D数据的实时的同时定位与地图构建（SLAM）算法。首先提取RGB图像中的FAST特征点,并计算特征点的3D位置,接着采用直接法最小化光度误差来估计相机的位姿变换,然后根据位姿变换的大小提取关键帧。为了减小移动机器人运动过程中的累积误差,提出基于词袋模型的闭环检测方法,并采用通用图优化（g2o）框架进行位姿图优化。实验结果表明,所提算法能够大大提高SLAM系统的实时性,并构建稠密化的三维环境地图。

支持计算机辅助概念设计的机械产品创新过程动态建模

针对作为机械产品概念设计关键问题之一的过程建模,讨论机械产品创新过程中工作背景、市场需求等因素的变化对产品概念设计过程的决定性影响,在此基础上建立了环境-需求-功能-行为-结构(E-R-F-B-S)变量集映射动态模型,利用7种映射单元之间的有序组合归纳出4条产品创新链,为设计者在设计实践中的若干种创新思维过程建立简明的框架模型。通过确定创新链与有向图、有向图与稀疏矩阵的对应关系建立创新链的数学模型,进而提出并讨论创建以稀疏对称阵为输入变量的计算机辅助概念设计推理系统的合理构想。最后以辽河油田修井机传动系统的概念设计实例,说明创新链模型对机械产品创新过程的有效指导作用。

基于图结构正则化稀疏表示的双层伯格曼图像插值算法(英文)

为了提高图像插值的恢复效果,提出了一种基于图结构正则化稀疏表示的双层伯格曼迭代算法.该迭代算法的外层用于约束图像观测数据,内层用于更新图像块的学习字典和稀疏表示系数.引入的图结构正则化稀疏表示约束可以有效地自适应图像块的局部结构,对于严重受损的情形也能得到精确的恢复结果.此外,在内层迭代中改进的稀疏表示和简洁的字典更新策略使算法能快速地趋于收敛.数值实验结果表明,所提出的算法可以有效地恢复图像,在主观视觉效果和客观量化标准上要优于目前已有的算法.

基于加权双层Bregman及图结构正则化的磁共振成像

针对磁共振图像(magnetic resonance imaging,MRI)重建质量的问题,提出一种基于加权双层Bregman字典学习方法和图结构正则化稀疏表示的新算法.该算法中,迭代重加权最小l1和图结构正则化稀疏表示模型是被合并到双层Bregman字典学习方法中.加权双层Breman的字典学习方法在外层迭代中增强K空间抽样数据的约束性,在内层迭代中解决Lp的优化.而图结构正则化稀疏表示方法具备捕获图像结构细节的能力,所以从较高的欠采样数据中能完成精确重建.此外,在内层迭代中,重加权最小l1和图结构正则化稀疏表示使算法能快速地趋于收敛.实验结果表明,所提出的算法可有效恢复MRI图像,其峰值信噪比和高频错误的值都优于基于压缩感知的字典学习方法和基于双层Bregman的自适应字典学习方法.

求解大规模稀疏有向图回路的多线程并行算法

传统的基于深度优先遍历的回路求解算法限于计算机内存无法对大规模图进行求解,而已有的分布式图计算系统需要借助计算机集群,成本较高。针对此问题,给出一种可在普通计算机上求解大规模有向图所有回路的多线程并行算法。该算法根据顶点的出度,首先删除出度为0的顶点,然后采用多线程并行求解包含出度较大的顶点的回路,最后使用串行算法求出图剩余部分的回路。实验表明,此算法能够在普通计算机上求得大规模有向稀疏图的所有回路。