1 北京工业大学信息学部计算智能与智能系统北京市重点实验室,北京 100124
2 先进信息网络北京实验室,北京 100124
Cherenkov激发的荧光扫描成像(CELSI)是一种新型的光学成像技术,为监测体内恶性肿瘤的生物学特性提供了一种手段。为提高CELSI图像重建质量,本文提出了一种基于迭代优化展开的深度学习图像重建算法——ADMM-Net。在该算法中,交替方向乘子法(ADMM)与卷积神经网络(CNN)相结合组成一个深度网络,网络中的所有参数通过端到端训练进行学习。实验结果表明:该算法可以有效提升重建图像的质量。当网络层数为5时,该算法重建的单荧光目标图像的平均峰值信噪比和结构相似性值分别可达到33.75 dB和0.86。该算法不仅可以分辨出边沿距离最小为2 mm的双荧光目标,而且在多荧光目标和不同荧光量子产额比率下表现出了良好的泛化能力。
医用光学 生物技术 Cherenkov激发的荧光扫描成像 图像重建技术 交替方向乘子法 深度学习 优化展开 中国激光
2023, 50(15): 1507106
中国民航大学电子信息与自动化学院,天津 300300
电阻抗层析成像(EIT)为碳纤维增强复合材料(CFRP)结构健康检测提供了一种可视化检测的手段。针对EIT图像重建的欠定性和病态性,提出了一种基于L1/L2稀疏正则化的EIT图像重建算法。该算法通过构建L1/L2正则化项的目标泛函,在求解过程中加入正则化参数对解向量进行修正,并在迭代过程中加入约束区间使解向量更加贴近真实分布。仿真和实验结果表明,与共轭梯度(CGLS)算法、Tikhonov算法、L1正则化算法相比,所提L1/L2正则化算法重构的损伤位置和大小更接近真实损伤模型,损伤的辨识度更高,电极伪影得到明显改善,为EIT应用于CFRP层压板损伤检测提供了新方法。
测量 碳纤维增强复合材料 电阻抗层析成像 L1/L2 稀疏正则化 交替方向乘子法 损伤检测 激光与光电子学进展
2023, 60(2): 0212001
光子学报
2021, 50(11): 1110002
近年来基于非负矩阵分解(Nonnegative Matrix Factorization, NMF)的高光谱图像解混方法引起了大家的广泛关注。但是由于NMF问题的非凸性,该方法并不能保证解的唯一性,容易陷入局部极小。为了缩小NMF问题的解空间,提高解混精度,提出了一种新的丰度重加权稀疏NMF(ARSNMF)的解混方法。首先,考虑到丰度矩阵的稀疏性,稀疏约束被添加到NMF模型中。接着,考虑到问题计算复杂、不易于优化,将其转化为重加权稀疏约束的形式,既实现了的稀疏效果,又解决了范数难以求解的问题。为提高算法收敛速度,采用交替方向乘子算法(ADMM)对模型进行优化, 将目标函数拆分成几个子问题进行独立求解。基于仿真数据和真实数据的仿真实验验证了该解混算法的有效性。
高光谱图像解混 非负矩阵分解(NMF) 稀疏约束 重加权 hyperspectral image unmixing Nonnegative Matrix Factorization (NMF) sparse constraint reweighted Alternating Direction Method of Multipliers (ADMM) 红外与激光工程
2020, 49(S2): 20200152
1 四川轻化工大学 人工智能四川省重点实验室, 四川 自贡643000
2 西南科技大学 特殊环境机器人技术四川省重点实验室, 四川 绵阳 621000
在对图像变分描述的前提下, 为有效地利用条带噪声之间的相似性, 本文将条带噪声的群稀疏表示引入到单向变分模型中, 提出群稀疏技术限制的单向变分模型, 并采用交替方向乘子法求解该模型。对比实验证明, 本文所提出的群稀疏限制的单向变分模型能有效地利用条带噪声的相似性实现条带噪声的消除, 更好地重构图像的细节信息, 峰值信噪比与结构相似性比其他模型分别提高6.76 dB和0.25, 图像去噪性能更优。
条带噪声 变分 群稀疏 交替方向乘子法 strip noise variation group sparse alternating direction method of multipliers