CN110176046B - 收缩系数改进Tikhonov正则化参数的电阻层析成像方法 - Google Patents
收缩系数改进Tikhonov正则化参数的电阻层析成像方法 Download PDFInfo
- Publication number
- CN110176046B CN110176046B CN201910467601.6A CN201910467601A CN110176046B CN 110176046 B CN110176046 B CN 110176046B CN 201910467601 A CN201910467601 A CN 201910467601A CN 110176046 B CN110176046 B CN 110176046B
- Authority
- CN
- China
- Prior art keywords
- regularization
- vector
- parameter
- shrinkage
- tikhonov regularization
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及一种收缩系数改进Tikhonov正则化参数的电阻层析成像方法,步骤如下:对被测场进行测量,获取重建图像所需的相对边界测量向量b和反映其与内部电特性关系的灵敏度矩阵A;求解Tikhonov正则化标量参数λ;根据电场衰减分布特性,预先设置正则化参数的收缩系数β向量;收缩系数改进正则化参数后的Tikhonov正则化算法的求解;对解x进行非负约束和归一化处理;电阻层析成像。
Description
技术领域
本发明属于电学层析成像技术领域,涉及一种用收缩系数改进Tikhonov正则化参数的电阻层析成像重建算法。
背景技术
电学层析成像技术(Electrical Tomography,ET)是自上世纪80年代后期逐渐发展起来的过程层析成像技术,基于不同的电特性(电导率/介电系数/复导纳/磁导率)敏感机理,通过敏感场内电特性分布推断场内煤质分布情况。电学层析成像技术主要包括电阻层析成像(Electrical Resistance Tomography,ERT)、电容层析成像(ElectricalCapacitance Tomography,ECT)、电阻抗层析成像(Electrical Impedance Tomography,EIT)和电场层析成像(Electrical Magnetic Tomography,EMT)。电学层析成像在多相流和生物医学领域有广泛的应用前景,可以实现长期、持续监测。
电阻层析成像逆问题是非线性的,通过线性化处理,转化成求解线性方程的问题,但是该线性逆问题具有严重的不适定性。对此,通常选择正则化方法进行求解,其中Tikhonov正则化是应用比较广泛的一种,它基于最小二乘算法,通过先验信息对解的2-范数施加约束,以求得逼近真实解的稳定解,例如M·Vauhkoen等人在1998年发表于《IEEE医学成像》(Medical Imaging,IEEE Transactions on Medical Imaging)第17卷,第2期,第285-293页,题为《基于电阻抗层析成像的Tikhonov正则化和先验信息》(Tikhonovregularization and prior information in electrical impedance tomography)的文章。正则化参数平衡残差范数和解范数的大小,如果参数过大,则正则化解过光滑,残差过大;如果参数过小,正则化影响很小,正则化解将不稳定。所以选择合适的正则化参数具有重要意义,L-curve方法是选择正则化参数常用的方法,例如Per Christian Hansen等人在1993年发表于美国SIAM《科学计算杂志》(SIAM Journal on Scientific Computing)第14卷,第6期,第1487-1503页,题为《L-curve在离散不适定问题的正则化中的应用》(The useof the L-curve in the regularization of discrete ill-posed problems)文章及D·Calvetti等人在2000年发表于《计算与应用数学杂志》(Journal of Computational andApplied Mathematics)第123卷,第1期,第423-446页,题为《Tikhonov正则化和L-curve解决大规模离散不适定问题》(Tikhonov regularization and the L-curve for largediscrete ill-posed problems)的文章。
上述研究中选择的正则化参数是标量参数,没有考虑物体分布场域的空间特性,所以根据物体空间分布特性,有人提出了自适应正则化参数选择的方法,例如D.Watzenig等人在2004年发表于IEEE Transactions on Magnetics第40卷,第2期,第1116-1119页,题为《重构问题的自适应正则化参数调整》(Adaptive regularization parameteradjustment for reconstruction problems)的文章及X.Z.Song等人在2016年发表于《流量测量与仪表设备》(Flow Measurement and Instrumentation)第50卷,第1-12页,题为《一种用于电阻层析成像的自适应Tikhonov正则化参数选择方法》(An adaptive Tikhonovregularization parameter choice method for electrical resistance tomography)的文章。这些文章中都通过迭代算法进行自适应参数选择。
在电阻层析成像的重建场内,从激励电极发出的激励电流产生的电场是衰减分布的,所以距离激励电极越远的边界数据对电导率变化的敏感性最低;在圆形阵列场中,成像平面的中心部分具有最低的灵敏度,从而使得选定标量正则化参数后,中心内含物的成像效果比其他位置差。例如David S.Holder在2004年出版于CRC press,题为《电阻抗层析成像:方法、历史与应用》(Electrical Impedance Tomography:Methods,History andApplications),第188页内容。
发明内容
本发明的目的是利用电场衰减分布的特性,基于L-curve选择参数,提出一种收缩系数对Tikhonov正则化参数作改进,并结合电导率分布的非负特性,提高电阻层析成像逆问题中小圆形内含物的成像质量,尤其是中心物体成像。
本发明的技术方案如下:
一种收缩系数改进Tikhonov正则化参数的电阻层析成像方法,适用于电阻层析成像算法重建图像。该方法将电阻层析成像逆问题近似看成线性逆问题Ax=b,其中A是灵敏度矩阵,b是相对边界测量值向量,x是与成像灰度值对应的待重建的内部电导率分布向量,被称为解向量。基于Tikhonov正则化算法对图像进行重建,步骤如下:
(1)对被测场进行测量,获取重建图像所需的相对边界测量向量b和反映其与内部电特性关系的灵敏度矩阵A;
(2)利用L-curve法求解Tikhonov正则化标量参数λ;
(3)Tikhonov正则化算法的目标函数:
其中,||·||是欧几里得范数;
(4)Tikhonov正则化算法的求解公式:
x=(ATA+λI)-1ATb
(5)根据电场衰减分布特性,预先设置正则化参数的收缩系数β向量,步骤如下:
将被测的圆形的场域,划分成16层圆域,其圆心也是所画圆的圆心,最小圆半径为1/16,以1/16等量地递增半径画圆,最外环内像素点对应的正则化参数的收缩系数设为1,依次往内一环,对应的正则化参数的收缩系数按照指数衰减,中心圆内对应点的参数收缩系数最小,设为0.1,具体的选取方式为:1和0.1之间等距选取14个数,和1,0.1一起从大到小排列,用ξ代表各个数,通过u=10-ξ求解,得到对应的16个收缩系数;这16个收缩系数,依次分配到所划分的16层圆域,然后得到与各像素点对应的正则化参数的收缩系数向量β;
(6)收缩系数改进正则化参数后的Tikhonov正则化算法的求解公式记为:
x=(ATA+diag(λβ))-1ATb
其中,向量β与解x的维数相同,diag(·)是将向量λβ构成对角阵的函数,向量各个元素构成对角阵的对角元素,对角阵的非对角元素均为零。
(7)对解x进行非负约束和归一化处理,公式如下:
其中xk表示解向量的第k个元素,max(·)和min(·)分别表最大值和最小值;
(8)根据所求解的灰度值进行成像。
本发明根据电场衰减特性对重建算法中的正则化参数进行改进,提出的预先设置的参数收缩系数的使用,使小圆形物体重建图像的质量得到改善,具有更高的重建精度,同时本发明降低了算法对噪声的敏感性。
附图说明
图1为本发明的一种收缩系数改进Tikhonov正则化参数的电阻层析成像算法的流程图;
图2为物体摆放位置及变化方向示意图;
图3(a)为边界电压数据随物体位置的变化情况图,图3(b)为归一化边界数据后的半对数坐标图;
图4为本发明提出的收缩系数分布场域的分层示意图;
图5为本发明中选取的部分仿真对比图像:5%噪声下得到的各模型重建图像。
具体实施方式
下面结合附图对本发明中改进Tikhonov正则化参数的电阻层析成像重建算法的具体实施方式进行详细说明。
本发明是一种用收缩系数改进Tikhonov正则化参数的电阻层析成像重建算法,基于L-curve选参,用根据电场衰减特性预先设置的收缩系数对参数进行优化,得到空间分布的正则化参数,从而使小圆形内含物的重建图像更接近真实分布。
如图1所示,为本发明的一种收缩系数改进Tikhonov正则化参数的电阻层析成像算法的流程图。如图2所示,为小圆形内含物在场域中的各个位置及变化方向,通过改变物体位置,得到边界测量数据平均值随所处位置的变化情况,如图3(a)所示;图3(b)所示为将边界电压平均值数据归一化后的半对数坐标图。从而反映出电场衰减特性对重建数据的影响及衰减的规律。为了量化衰减规律,将之近似看作指数衰减。
如图4所示,为正则化参数的收缩系数分布场域的分层示意图,最外环内像素点对应的正则化参数的收缩系数设为1,依次往内一环,对应的正则化参数的收缩系数按照指数衰减,中心圆内对应的参数收缩系数最小,设为0.1,具体的选取方式为:1和0.1之间等距选取14个数,和1,0.1一起从大到小排列,如果用ξ代表各个数,则通过u=10-ξ求解,得到对应的16个收缩系数;这16个收缩系数,依次分配到图4所示划分的16层区域,然后得到与各像素点对应的正则化参数的收缩系数向量β。
为了更好地体现本发明中收缩系数的使用对重建图像质量的影响,分别选择了五个模型,包含不同数量的小圆形内含物,利用Tikhonov正则化算法及改进后的算法进行模型重建,得到如图5所示的仿真重建结果的对比图,第一行是真实分布图,第二行是Tikhonov正则化算法重建图像,第三行是改进后的算法的重建图像,实施例子包括以下具体步骤:
一种收缩系数改进Tikhonov正则化参数的重建算法,适用于电阻层析成像,该方法将电学成像问题近似为一个线性不适定问题Ax=b,其中A是灵敏度矩阵,b是相对边界测量值向量,x是与成像灰度值对应的待重建的内部电导率分布向量,被称为解向量。
Tikhonov正则化的目标函数为:
其中λ>0是正则化参数,由L-curve方法求得相对适宜的参数值,||·||是欧几里得范数;
Tikhonov正则化算法的求解公式为:
x=(ATA+λI)-1ATb
收缩系数改进正则化参数后的求解公式记为:
x=(ATA+diag(λβ))-1ATb
其中向量β是根据衰减特性预先设置的收缩系数,与解x的维数相同,diag(·)是将向量λβ构成对角阵的函数,向量各个元素构成对角阵的对角元素,对角阵的非对角元素均为零。
重建模型的具体步骤如下:
(1)针对五个含有不同数量小圆形内含物的模型,分别获取各自的边界测量值和灵敏度矩阵:
被测场采用16电极模型,边界电极的分布在图2中体现出来;采用相邻激励相邻测量的方式,循环激励循环测量,采集边界电压数据,每个模型获得208个测量值,分别构成向量;逆问题求解中的b为模型测量数据向量值与为内含物时测得的数据向量值之差;因为实际中噪声不可避免,所以加入5%的随机噪声。
灵敏度矩阵是根据被测场没有内含物时的边界测量数据,结合灵敏度理论计算得到的,公式记为:
(2)使用Tikhonov正则化算法,利用L-curve法求出五个模型对应的重建的正则化参数;
(3)使用Tikhonov正则化算法求各个模型的解,再进行非负约束和归一化处理,然后进行成像:
成像结果如图5第二行所示。
(4)对正则化参数使用收缩系数,使用改进后的求解公式:
x=(ATA+diag(λβ))-1ATb
(5)求得各个模型的内部相对电导率值,对各个解向量进行非负约束,然后归一化处理;
(6)根据处理后的解得到的灰度值,进行成像:
求解得到的各个模型的成像结果如图5中第三行所示。
从用改进前和改进后的算法对五个模型进行成像,发现改进后的成像质量更好,改进的算法对于噪声的灵敏度变低了。
以上所述实例选择了部分成像结果,本发明不限于该实例和附图所述内容。凡基于本发明所公开的基本思想和方法下完成的等效和修改,均在本发明保护的范围。
Claims (2)
1.一种收缩系数改进Tikhonov正则化参数的电阻层析成像方法,适用于电阻层析成像算法重建图像;该方法将电阻层析成像逆问题近似看成线性逆问题Ax=b,其中A是灵敏度矩阵,b是相对边界测量值向量,x是与成像灰度值对应的待重建的内部电导率分布向量,被称为解向量;基于Tikhonov正则化算法对图像进行重建;步骤如下:
(1)对被测场进行测量,获取重建图像所需的相对边界测量向量b和反映其与内部电特性关系的灵敏度矩阵A;
(2)求解Tikhonov正则化标量参数λ;
(3)Tikhonov正则化算法的目标函数:
其中,||·||是欧几里得范数;
(4)Tikhonov正则化算法的求解公式:
x=(ATA+λI)-1ATb
(5)根据电场衰减分布特性,预先设置正则化参数的收缩系数β向量,步骤如下:
将被测的圆形的场域,划分成16层圆域,其圆心也是所画圆的圆心,最小圆半径为1/16,以1/16等量地递增半径画圆,最外环内像素点对应的正则化参数的收缩系数设为1,依次往内一环,对应的正则化参数的收缩系数按照指数衰减,中心圆内对应点的参数收缩系数最小,设为0.1,具体的选取方式为:1和0.1之间等距选取14个数,和1,0.1一起从大到小排列,用ξ代表各个数,通过u=10-ξ求解,得到对应的16个收缩系数;这16个收缩系数,依次分配到所划分的16层圆域,然后得到与各像素点对应的正则化参数的收缩系数向量β;
(6)收缩系数改进正则化参数后的Tikhonov正则化算法的求解公式记为:
x=(ATA+diag(λβ))-1ATb
其中,向量β与解x的维数相同,diag(·)是将向量λβ构成对角阵的函数,向量各个元素构成对角阵的对角元素,对角阵的非对角元素均为零;
(7)对解x进行非负约束和归一化处理,公式如下:
非负约束:
归一化处理:
其中xk表示解向量的第k个元素,max(·)和min(·)分别表最大值和最小值;
(8)电阻层析成像。
2.根据权利要求1所述的方法,其特征在于,步骤(2)利用L-curve法求解Tikhonov正则化标量参数λ。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910467601.6A CN110176046B (zh) | 2019-05-31 | 2019-05-31 | 收缩系数改进Tikhonov正则化参数的电阻层析成像方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910467601.6A CN110176046B (zh) | 2019-05-31 | 2019-05-31 | 收缩系数改进Tikhonov正则化参数的电阻层析成像方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110176046A CN110176046A (zh) | 2019-08-27 |
CN110176046B true CN110176046B (zh) | 2023-04-07 |
Family
ID=67696857
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910467601.6A Active CN110176046B (zh) | 2019-05-31 | 2019-05-31 | 收缩系数改进Tikhonov正则化参数的电阻层析成像方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110176046B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110780274B (zh) * | 2019-11-04 | 2022-04-01 | 电子科技大学 | 一种用于扫描雷达的改进l1正则化方位超分辨成像方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2327750A1 (en) * | 2000-10-31 | 2002-04-30 | Vitali Selivanov | Real-time image reconstruction for computed tomography systems |
CN104574462A (zh) * | 2015-01-16 | 2015-04-29 | 天津大学 | 一种基于曲率计算的改进l曲线电学层析成像重建方法 |
CN107369187A (zh) * | 2017-06-20 | 2017-11-21 | 天津大学 | 基于邻点变差和的电学层析成像正则化重建方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7053613B2 (en) * | 2004-06-03 | 2006-05-30 | Fa-Hsuan Lin | Method for parallel image reconstruction using automatic regularization |
-
2019
- 2019-05-31 CN CN201910467601.6A patent/CN110176046B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2327750A1 (en) * | 2000-10-31 | 2002-04-30 | Vitali Selivanov | Real-time image reconstruction for computed tomography systems |
CN104574462A (zh) * | 2015-01-16 | 2015-04-29 | 天津大学 | 一种基于曲率计算的改进l曲线电学层析成像重建方法 |
CN107369187A (zh) * | 2017-06-20 | 2017-11-21 | 天津大学 | 基于邻点变差和的电学层析成像正则化重建方法 |
Non-Patent Citations (3)
Title |
---|
Xizi Song.Sensitivity Matrix for Ultrasound Modulated Electrical Impedance Tomography.《IEEE》.2016,全文. * |
华磊,董峰,乔旭彤.电阻层析成像技术测量两相流气相流量.化工自动化及仪表.2004,(第02期),全文. * |
王斌斌 ; 董峰 ; 谭超 ; .电阻层析成像并行数据采集系统的性能分析.控制工程.2007,(第S3期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN110176046A (zh) | 2019-08-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109919844B (zh) | 一种高分辨率的电学层析成像电导率分布重建方法 | |
CN111047663B (zh) | 电学层析成像伪影抑制图像重建方法 | |
CN109035352B (zh) | L1-l2空间自适应电学层析成像正则化重建方法 | |
CN109934885B (zh) | 一种锐利边缘保持的电阻层析成像图像重建方法 | |
CN111127316B (zh) | 一种基于sngan网络的单幅人脸图像超分辨方法及系统 | |
CN111047662B (zh) | 自适应非凸混合全变分正则化工业电阻层析成像方法 | |
CN107146228A (zh) | 一种基于先验知识的大脑磁共振图像超体素生成方法 | |
CN110934586B (zh) | 一种灰度值矩阵快速分解重建的正则化方法 | |
Chen et al. | Structure-aware dual-branch network for electrical impedance tomography in cell culture imaging | |
CN104700440B (zh) | 磁共振部分k空间图像重建方法 | |
CN114052701A (zh) | 一种电容耦合电阻层析成像图像重建方法 | |
CN110176046B (zh) | 收缩系数改进Tikhonov正则化参数的电阻层析成像方法 | |
CN112798654A (zh) | 用于电阻抗层析成像的快速梯度法和自适应雅可比矩阵重构方法 | |
Deabes et al. | Image reconstruction algorithm based on PSO-tuned fuzzy inference system for electrical capacitance tomography | |
CN110910466B (zh) | 一种新型多频差分电阻抗层析成像重建算法 | |
Shi et al. | Image reconstruction of conductivity distribution with combined l 1-norm fidelity and hybrid total variation penalty | |
CN114549682A (zh) | 一种用于电阻抗肺部成像图像的优化方法 | |
CN110501587B (zh) | 一种基于电力线分布的Radon逆变换电容层析成像方法 | |
CN113034635B (zh) | 一种抑制工业成像阶梯伪影的图像重建方法 | |
CN116269303A (zh) | 考虑电极异常的电导率求解方法、成像方法、存储介质 | |
Haq et al. | Block-based compressed sensing of MR images using multi-rate deep learning approach | |
CN110992385B (zh) | 抑制伪影与保护边缘的颅内图像重建方法 | |
CN110223360B (zh) | 一种应用于减弱图像重建中阶梯效应的混合阶正则化方法 | |
CN113034632A (zh) | 一种用于检测工业两相流的图像重建方法 | |
CN113112562A (zh) | 油气两相流管道在线检测图像的生成方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |