CN114386463A - 基于字典学习的核磁共振回波数据处理方法及装置 - Google Patents

基于字典学习的核磁共振回波数据处理方法及装置 Download PDF

Info

Publication number
CN114386463A
CN114386463A CN202210028837.1A CN202210028837A CN114386463A CN 114386463 A CN114386463 A CN 114386463A CN 202210028837 A CN202210028837 A CN 202210028837A CN 114386463 A CN114386463 A CN 114386463A
Authority
CN
China
Prior art keywords
data
dictionary
sample data
nuclear magnetic
magnetic resonance
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.)
Pending
Application number
CN202210028837.1A
Other languages
English (en)
Inventor
罗嗣慧
金衍
肖立志
史燕青
周军
廖广志
宋先知
李根生
张来斌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Petroleum Beijing
Original Assignee
China University of Petroleum Beijing
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China University of Petroleum Beijing filed Critical China University of Petroleum Beijing
Priority to CN202210028837.1A priority Critical patent/CN114386463A/zh
Publication of CN114386463A publication Critical patent/CN114386463A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
    • G01V3/38—Processing data, e.g. for analysis, for interpretation, for correction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Signal Processing (AREA)
  • Environmental & Geological Engineering (AREA)
  • Geology (AREA)
  • Remote Sensing (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geophysics (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本申请提供一种基于字典学习的核磁共振回波数据处理方法及装置。该方法包括：对采集到的低场核磁共振数据进行预处理，得到样本数据；利用正交匹配追踪算法和初始字典对样本数据进行稀疏编码，以获得样本数据的稀疏向量；利用稀疏向量和奇异值分解算法对初始字典中的原子进行更新，直至初始字典中的原子全部完成更新，得到更新后的字典；利用更新后的字典对样本数据继续进行稀疏编码直至完成预设次数的迭代训练，输出最终的字典作为自适应字典；利用自适应字典和正交匹配追踪算法对样本数据进行去噪处理，得到去噪数据；对去噪数据进行反演处理以得到反演数据。本申请的方法，可以提高数据的降噪效果，从而提升后续的反演精度与图谱分辨能力。

Description

基于字典学习的核磁共振回波数据处理方法及装置
技术领域
本申请涉及计算机处理技术领域，尤其涉及基于字典学习的核磁共振回波数据处理方法及装置。
背景技术
作为一种直接针对流体分子及其动力学感知测量的工具，核磁共振技术在石油工业中广泛应用。
低场核磁共振技术通过采集回波串数据，并对回波数据进行逆拉普拉斯反演，从而得到地层流体的各参数的分布。由于反演结果对于噪声十分敏感，噪声与回波数据的微小扰动就会造成反演的结果的偏差。因此，信号本身的噪声干扰决定着核磁数据反演结果的质量，如何提升信号质量，是获得高质量核磁处理结果的根本保障。现有技术通过数学变换矩阵或者稀疏字典将图像或者信号数据在变换域中进行稀疏表示，通过提取具有信号特征的大系数、消除具有噪声特征的小系数，从而达到噪声的去除。但是，采集到的回波串数据是多种多样的，原始回波串各个回波的动力学特征互相关联，数学变换矩阵或者稀疏字典却是固定的数学变换方法，固定的数学变换方法并不能完全表达数据的各种特征，降噪效果差，影响后续反演结果的稳定性与精度。例如，当信号噪声大于信号本身时，基于固定的数学变换方法不能充分表达信号特征，在去噪时非常容易消除掉代表真实回波信号的稀疏系数，影响降噪效果。
然而，现有的低场核磁共振数据处理技术并不能解决上述问题。
发明内容
本申请提供一种基于字典学习的核磁共振回波数据处理方法及装置，用以解决现有的低场核磁共振数据处理技术降噪效果差，影响后续反演结果的稳定性与精度的问题。
第一方面，本申请提供一种基于字典学习的核磁共振回波数据处理方法方法，包括：
对采集到的低场核磁共振数据进行预处理，得到样本数据；
利用正交匹配追踪算法和初始字典对所述样本数据进行稀疏编码，以获得所述样本数据的稀疏向量；
利用所述稀疏向量和奇异值分解算法对所述初始字典中的原子进行更新，直至所述初始字典中的原子全部完成更新，得到更新后的字典；
利用所述更新后的字典对所述样本数据继续进行稀疏编码直至完成预设次数的迭代训练，输出最终的字典作为自适应字典；
利用所述自适应字典和正交匹配追踪算法对所述样本数据进行去噪处理，得到去噪数据；
对所述去噪数据进行反演处理以得到反演数据。
在一种可能的设计中，所述对采集到的低场核磁共振数据进行预处理，得到样本数据，具体包括：
对采集到的低场核磁共振数据按照预设窗口进行分窗扫描，获得一维编块数据，所述预设窗口的大小为f×1；或者，将采集到的低场核磁共振数据构建成大小为p×q的原始矩阵，利用预设编块对所述原始矩阵进行扫描，获得二维编块数据，所述预设编块的大小为f×g，f，g＜＜p，q；
将所述一维编块数据或者所述二维编块数据按照扫描顺序转化为列向量，得到样本数据。
在一种可能的设计中，所述预设窗口或预设编块是通过下列方式获得的：
利用不同大小的窗口或编块对采集到的低场核磁共振数据进行扫描，以获取不同大小的编块数据；
分别利用所述自适应字典计算不同大小的编块数据对应的去噪数据；
利用所述去噪数据和所述采集到的低场核磁共振数据确定不同大小的编块数据对应的信噪比；
将信噪比最大的编块数据对应的窗口或编块作为所述预设窗口或所述预设编块。
在一种可能的设计中，所述利用正交匹配追踪算法和初始字典对所述样本数据进行稀疏编码，以获得所述样本数据的稀疏向量，具体包括：
计算所述样本数据与每一所述初始字典中的原子的投影，获取投影最大的原子所在的位置；
根据投影最大的原子所在的位置对所述初始字典的初始位置索引集进行更新，生成新的位置索引集；
利用下列公式计算得到所述样本数据的稀疏向量：
Figure BDA0003465583530000031
其中，所述αI表示位置索引集为I时的稀疏向量，所述DI表示位置索引集为I时的字典，所述
Figure BDA0003465583530000032
表示位置索引集为I时的字典的转置矩阵，所述S表示所述样本数据；
利用下列公式对所述初始字典的位置索引集进行迭代更新：
rt+1＝S-DIαI
其中，所述rt+1表示第t+1次迭代时的残差，当t+1≥T时，停止迭代，输出最终的样本数据的稀疏向量；所述T表示预设的稀疏度。
在一种可能的设计中，所述利用所述稀疏向量和奇异值分解算法对所述初始字典中的原子进行更新，直至所述初始字典中的原子全部完成更新，得到更新后的字典，具体包括：
利用下列公式对所述初始字典中的原子进行更新：
Figure BDA0003465583530000033
其中，所述dk和dj分别表示所述初始字典D0中第j个和第k个原子，所述
Figure BDA0003465583530000034
和
Figure BDA0003465583530000035
分别表示第j个和第k个稀疏向量的转置矩阵；所述Ej表示去除原子dj后的误差矩阵；
采用奇异值分解算法对所述误差矩阵Ej进行分解：
Ej＝UΛVT
将分解后得到的矩阵U的第一列作为新的dj原子，直至所述初始字典中的原子全部完成更新，得到更新后的字典。
在一种可能的设计中，所述利用所述自适应字典和正交匹配追踪算法对所述样本数据进行去噪处理，得到去噪数据，具体包括：
利用下列公式对所述样本数据进行去噪处理：
Figure BDA0003465583530000041
其中，所述X表示去噪数据，所述S表示所述样本数据，所述D表示所述自适应字典，所述Rij表示第i行第j列的样本数据，所述λ为约束因子，所述αij表示第i行第j列的稀疏向量，所述αij是利用正交匹配追踪算法和预设的误差限制ε计算得到的。
在一种可能的设计中，在所述对所述去噪数据进行反演处理以得到反演数据之前，还包括：
利用下列公式对所述去噪数据进行改写，以得到所述去噪数据的原始尺寸数据：
Figure BDA0003465583530000042
其中，所述
Figure BDA0003465583530000043
表示所述去噪数据的原始尺寸数据，所述
Figure BDA0003465583530000044
表示示第i行第j列的样本数据的转置矩阵。
第二方面，本申请提供一种基于字典学习的核磁共振回波数据处理装置，包括：处理器，以及与所述处理器通信连接的存储器；
所述存储器存储计算机执行指令；
所述处理器执行所述存储器存储的计算机执行指令，以实现上述的方法。
第三方面，本申请提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现上述的方法。
第四方面，本申请提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述的方法。
本申请提供的基于字典学习的核磁共振回波数据处理方法，可以利用正交匹配追踪算法和初始字典对预处理得到的样本数据进行稀疏编码，获得样本数据的稀疏向量；利用稀疏向量和奇异值分解算法对初始字典中的原子进行更新，直至初始字典中的原子全部完成更新，得到更新后的字典；利用更新后的字典对样本数据继续进行稀疏编码直至完成预设次数的迭代训练，输出最终的字典作为自适应字典。通过这样的设置，使得训练得到的自适应字典能够根据采集到的低场核磁共振数据自适应地构造出更加贴合的数学变换方法，针对不同噪声类型的原始数据，以机器学习的方式从中提取有效的数据特征与噪声特征并进行处理，从而避免了固定数学变换方法不同充分表达回波数据特征的局限性，稀疏表示能力更强。进一步地，利用可以充分表达数据特征的自适应字典对样本数据进行去噪处理，可以提高数据的降噪效果，从而提升低场核磁共振数据的质量以及后续的反演精度与图谱分辨能力。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
图1为加入不同噪声水平的低场核磁共振数据；
图2为不同噪声水平的低场核磁共振数据的反演结果；
图3为本申请一实施例的基于字典学习的核磁共振回波数据处理方法的流程图；
图4为本申请一实施例的采集到的低场核磁共振数据图；
图5为本申请一实施例的编块数据的获取方式；
图6为本申请另一实施例的编块数据的获取方式；
图7为本申请另一实施例的基于字典学习的核磁共振回波数据处理方法的流程图；
图8为本申请一实施例的不同噪声水平的低场核磁共振数据的去噪及反演结果图；
图9为本申请一实施例的基于字典学习的核磁共振回波数据处理装置的结构示意图。
通过上述附图，已示出本申请明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围，而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
现有技术通过数学变换矩阵或者稀疏字典将图像或者信号数据在变换域中进行稀疏表示，通过提取具有信号特征的大系数、消除具有噪声特征的小系数，从而达到噪声的去除。
但是，采集到的回波串数据是多种多样的，原始回波串各个回波的动力学特征互相关联，数学变换矩阵或者稀疏字典却是固定的数学变换方法，固定的数学变换方法并不能完全表达数据的各种特征，降噪效果差，影响后续反演结果的稳定性与精度。例如，当信号噪声大于信号本身时，基于固定的数学变换方法不能充分表达信号特征，在去噪时非常容易消除掉代表真实回波信号的稀疏系数，影响降噪效果。
图1表示加入不同噪声水平的低场核磁共振数据。无噪数据模型为一个双峰T2分布模型，双峰组分的T2值分别为10ms和150ms。无噪声条件下，设置总孔隙度为10，含双峰组分比例为6：4。为了保证充分的回波数据的衰减，则回波个数设置为2500，采集总时间则为500ms。分别对上述模型的无噪声回波数据添加噪声，含噪声回波数据的信噪比分别为5，10以及20。
图2表示不同噪声水平的低场核磁共振数据的反演结果。加入噪声后，各回波数据的信噪比SNR分别为5、10和20，回波串数据都统一采用常规BRD方法进行逆拉普拉斯反演，最终得到T2分布。其孔隙度值分别为10.39p.u.，9.29p.u.，10.85p.u.，T2分布与模型的均方根误差RMSE(Root Mean Square Error,RMSE)分别为0.0309p.u.，0.0294p.u.以及0.0376p.u.。可以看到，在低信噪比条件下，反演结果及计算的孔隙度与真实情况偏差较远。
本申请提供的基于字典学习的核磁共振回波数据处理方法，旨在解决现有技术的如上技术问题。该方法可以利用正交匹配追踪算法和初始字典对预处理得到的样本数据进行稀疏编码，获得样本数据的稀疏向量；利用稀疏向量和奇异值分解算法对初始字典中的原子进行更新，直至初始字典中的原子全部完成更新，得到更新后的字典；利用更新后的字典对样本数据继续进行稀疏编码直至完成预设次数的迭代训练，输出最终的字典作为自适应字典。通过这样的设置，使得训练得到的自适应字典能够根据采集到的低场核磁共振数据自适应地构造出更加贴合的数学变换方法，针对不同噪声类型的原始数据，以机器学习的方式从中提取有效的数据特征与噪声特征并进行处理，从而避免了固定数学变换方法不同充分表达回波数据特征的局限性，稀疏表示能力更强。进一步地，利用可以充分表达数据特征的自适应字典对样本数据进行去噪处理，可以提高数据的降噪效果，从而提升低场核磁共振数据的质量以及后续的反演精度与图谱分辨能力。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。
实施例一
图3是本申请一实施例提供的基于字典学习的核磁共振回波数据处理方法的流程图。本实施例以执行主体为服务器对该基于字典学习的核磁共振回波数据处理方法进行说明。如图3所示，该基于字典学习的核磁共振回波数据处理方法可以包括以下步骤：
S101：对采集到的低场核磁共振数据进行预处理，得到样本数据。
在本实施例中，图4表示采集到的低场核磁共振数据。采集到的低场核磁共振数据可以为单一核函数表达的一维核磁共振回波数据或者是多个核函数表达得到的多维核磁共振回波数据，所有类型的回波数据均为一维时域数据。
在一个可能的实施方式中，如图5所示，上述步骤S101对采集到的低场核磁共振数据进行预处理，得到样本数据，可以包括：如图5所示，对采集到的低场核磁共振数据按照预设窗口进行分窗扫描，获得一维编块数据，预设窗口的大小为f×1；将一维编块数据按照扫描顺序转化为列向量，得到样本数据。
在本实施方式中，通过对采集到的低场核磁共振数据按照预设窗口进行分窗扫描，可以获得大量的一维的样本数据，从而对样本进行扩充，充分提取低场核磁共振数据特征，以便后续根据样本数据得到高质量的冗余字典与充分的稀疏表达，并进一步缩小字典的维度。
进一步地，还可以部分或者最大面积重叠地扫描低场核磁共振数据，进一步对样本进行扩充。
在另一个可能的实施方式中，上述步骤S101对采集到的低场核磁共振数据进行预处理，得到样本数据，可以包括：如图6所示，将采集到的低场核磁共振数据构建成大小为p×q的原始矩阵，利用预设编块对原始矩阵进行扫描，获得二维编块数据，预设编块的大小为f×g，f，g＜＜p，q；将二维编块数据按照扫描顺序转化为列向量，得到样本数据。
在本实施方式中，通过对采集到的低场核磁共振数据构建的矩阵按照预设的二维编块进行扫描，可以获得大量的二维的样本数据，从而对样本进行扩充，充分提取低场核磁共振数据特征，以便后续根据样本数据得到高质量的冗余字典与充分的稀疏表达，并进一步缩小字典的维度。
进一步地，还可以部分或者最大面积重叠地扫描低场核磁共振数据，进一步对样本进行扩充。
在本实施方式中，本领域技术人员可以根据实际灵活设置预设窗口和预设编块的大小，在此不做任何限制。需要说明的是，f，g＜＜p，q表示预设编块的长和高远小于低场核磁共振数据构建的原始矩阵的长和高。
在一个实施方式中，预设窗口或预设编块可以是通过下列方式获得的：利用不同大小的窗口或编块对采集到的低场核磁共振数据进行扫描，以获取不同大小的编块数据；分别利用自适应字典计算不同大小的编块数据对应的去噪数据；利用去噪数据和采集到的低场核磁共振数据确定不同大小的编块数据对应的信噪比；将信噪比最大的编块数据对应的窗口或编块作为预设窗口或预设编块。
在本实施方式中，可以根据不同大小的编块数据对应的信噪比确定编块数据的大小，从而确定预设窗口或预设编块的大小，以确定合适大小的样本数据，便于后续根据样本数据进行去噪处理。
S102：利用正交匹配追踪算法和初始字典对样本数据进行稀疏编码，以获得样本数据的稀疏向量。
在本实施例中，本领域技术人员可以灵活设置初始字典的构建方式，例如，可以直接抽取样本数据构建初始字典，也可以利用固定的数学变化方法构建初始字典，还可以利用随机矩阵构成初始字典，在此不做任何限制。
在本实施例中，初始字典的行维度与样本数据的维度相同，而列维度可以为行维度的整数倍，从而缩小字典的维度并保证字典的冗余度，从而加速字典学习的计算过程。
在一个实施方式中，上述步骤S102利用正交匹配追踪算法和初始字典对样本数据进行稀疏编码，以获得样本数据的稀疏向量，可以包括：
计算样本数据与每一初始字典中的原子的投影，获取投影最大的原子所在的位置；
根据投影最大的原子所在的位置对初始字典的初始位置索引集进行更新，生成新的位置索引集；
利用下列公式(1)计算得到样本数据的稀疏向量：
Figure BDA0003465583530000091
其中，αI表示位置索引集为I时的稀疏向量，DI表示位置索引集为I时的字典，
Figure BDA0003465583530000092
表示位置索引集为I时的字典的转置矩阵，S表示样本数据；
利用下列公式(2)对初始字典的位置索引集进行迭代更新：
rt+1＝S-DIαI (2)
其中，rt+1表示第t+1次迭代时的残差，当t+1≥T时，停止迭代，输出最终的样本数据的稀疏向量；T表示预设的稀疏度。
在本实施方式中，对样本数据进行稀疏编码时，首先输入样本数据S，此时初始字典的初始位置索引集为空集。之后，进行第一次初始字典的位置索引集的迭代更新：计算样本数据与每一初始字典中的原子的投影，保存投影最大的原子所在的位置以生成新的位置索引集I；利用公式(1)最小二乘法求解位置索引集为I时的稀疏向量αI；利用公式(2)更新残差。然后，进行第二次初始字典的位置索引集的迭代更新，根据更新后的位置索引集更新残差rt+1，直至完成预设次数的迭代更新。
在本实施方式中，可以利用下列公式计算样本数据与每一初始字典中的原子的投影：
Figure BDA0003465583530000093
表示第m个初始字典中的原子转置矩阵，rt表示第t次迭代更新的残差。
在本实施方式中，还可以预先设置误差限制ε，当第t+1次迭代时的残差
Figure BDA0003465583530000094
时，停止迭代，输出最终的样本数据的稀疏向量。
在本实施方式中，可以采用块正交匹配追踪算法进行稀疏编码，以使每一样本数据都作用于同一字典。
S103：利用稀疏向量和奇异值分解算法对初始字典中的原子进行更新，直至初始字典中的原子全部完成更新，得到更新后的字典。
在一个实施方式中，上述步骤S103利用稀疏向量和奇异值分解算法对初始字典中的原子进行更新，直至初始字典中的原子全部完成更新，得到更新后的字典，可以包括：
利用下列公式(3)对初始字典中的原子进行更新：
Figure BDA0003465583530000101
其中，dk和dj分别表示初始字典D0中第j个和第k个原子，
Figure BDA0003465583530000102
和
Figure BDA0003465583530000103
分别表示第j个和第k个稀疏向量的转置矩阵；Ej表示去除原子dj后的误差矩阵；
采用奇异值分解算法利用下列公式(4)对误差矩阵Ej进行分解：
Ej＝UΛVT (4)
将分解后得到的矩阵U的第一列作为新的dj原子，直至初始字典中的原子全部完成更新，得到更新后的字典。
在本实施方式中，利用步骤S102得到的稀疏向量对初始字典中的原子进行更新，使得更新后的字典的稀疏表示能力更强，更加贴合样本数据。
在本实施方式中，在采用奇异值分解算法利用上述公式(4)对误差矩阵Ej进行分解之前，还可以判断误差矩阵Ej中是否存在0值；若存在0值，则去除误差矩阵Ej中0值位置对应的字典的原子，从而降低误差矩阵的维度。
S104：利用更新后的字典对样本数据继续进行稀疏编码直至完成预设次数的迭代训练，输出最终的字典作为自适应字典。
在本实施例中，利用更新后的字典对样本数据继续进行稀疏编码得到新的稀疏向量，之后再利用新的稀疏向量对字点进行更新，重复迭代预设次数后，输出最终的字典作为自适应字典。通过这样的设置，使得自适应字典能够根据采集到的低场核磁共振数据自适应地构造出更加贴合的数学变换方法，针对不同噪声类型的原始数据，以机器学习的方式从中提取有效的数据特征与噪声特征并进行处理，从而避免了固定数学变换方法不同充分表达回波数据特征的局限性，稀疏表示能力更强，具有全局的特性。
S105：利用自适应字典和正交匹配追踪算法对样本数据进行去噪处理，得到去噪数据。
在一个实施方式中，上述步骤S105利用自适应字典和正交匹配追踪算法对样本数据进行去噪处理，得到去噪数据，可以包括：
利用下列公式(5)对样本数据进行去噪处理：
Figure BDA0003465583530000111
其中，X表示去噪数据，S表示样本数据，D表示自适应字典，Rij表示第i行第j列的样本数据，λ为约束因子，αij表示第i行第j列的稀疏向量，αij是利用正交匹配追踪算法和预设的误差限制ε计算得到的。
在本实施方式中，当自适应字典和稀疏向量未知时，上述公式(5)可以改写成下列公式(6)：
Figure BDA0003465583530000112
其中，λ为约束因子，与噪声标准差σ有关，公式(6)右侧的第一项约束了样本数据S与去噪数据X的接近程度。μij为残差控制因子，与样本数据Rij相关，服从形式约束
Figure BDA0003465583530000113
公式(6)右侧的第二项确保了对稀疏系数的不断寻优。公式(6)右侧的第三项约束了样本数据Rij与其稀疏表达Dαij的接近程度；后两项共同保证了在去噪结果中，每个编块数据Rij的稀疏表示仅存在有限误差，提高降噪效果。
在本实施方式中，通过上述步骤S104确定自适应字典D之后，上述公式(6)可以改写成下列公式(7)：
Figure BDA0003465583530000114
稀疏向量αij可以利用正交匹配追踪算法和预设的误差限制ε计算得到，具体的算法请见上述步骤S102，在此不做赘述。需要说明的是，误差限制
Figure BDA0003465583530000115
在本实施方式中，利用正交匹配追踪算法和预设的误差限制ε计算得到稀疏向量αij之后，上述公式(7)即可改写成上述公式(5)，对样本数据进行去噪处理，得到去噪数据。利用正交投影法，消除无法进行稀疏表示的噪声特征，提高降噪效果。
S106：对去噪数据进行反演处理以得到反演数据。
在本实施例中，可以利用常规的SVD反演或者BRD反演对去噪数据进行逆拉普拉斯反演，以得到反演数据。
实施例二
图7是本申请另一实施例提供的基于字典学习的核磁共振回波数据处理方法的流程图。本实施例以执行主体为服务器对该基于字典学习的核磁共振回波数据处理方法进行说明。如图7所示，该基于字典学习的核磁共振回波数据处理方法可以包括以下步骤：
S201：对采集到的低场核磁共振数据进行预处理，得到样本数据。具体的预处理过程请见上述实施例一中的步骤S101，在此不做赘述。
S202：利用正交匹配追踪算法和初始字典对样本数据进行稀疏编码，以获得样本数据的稀疏向量。具体的稀疏向量的计算过程请见上述实施例一中的步骤S102，在此不做赘述。
S203：利用稀疏向量和奇异值分解算法对初始字典中的原子进行更新，直至初始字典中的原子全部完成更新，得到更新后的字典。具体的字典更新过程请见上述实施例一中的步骤S103，在此不做赘述。
S204：利用更新后的字典对样本数据继续进行稀疏编码直至完成预设次数的迭代训练，输出最终的字典作为自适应字典。具体的迭代训练过程请见上述实施例一中的步骤S104，在此不做赘述。
S205：利用自适应字典和正交匹配追踪算法对样本数据进行去噪处理，得到去噪数据。具体的去噪处理过程请见上述实施例一中的步骤S105，在此不做赘述。
S206：利用下列公式(8)对去噪数据进行改写，以得到去噪数据的原始尺寸数据：
Figure BDA0003465583530000121
其中，
Figure BDA0003465583530000122
表示去噪数据的原始尺寸数据，
Figure BDA0003465583530000123
表示示第i行第j列的样本数据的转置矩阵。
在本实施例中，由于对采集到的低场核磁共振数据进行预处理获得样本数据时是重叠扫描的，因此，对样本数据进行去噪之后，还可以对重叠位置的数据进行加权取平均，最终得到去噪数据的原始尺寸数据，以便后续的反演操作。
S207：对去噪数据的原始尺寸数据进行反演处理以得到反演数据。具体的反演过程请见上述实施例一中的步骤S106，在此不做赘述。
下面以一个具体的实施例对本申请的基于字典学习的核磁共振回波数据处理方法进行阐述。
实施例三
在一个具体的实施例中，某研究机构进行非常规油气勘探时，对地层利用基于弛豫与扩散机制的CPMG脉冲序列技术采集低场核磁共振数据。
第一步，对采集到的低场核磁共振数据按照预设窗口进行分窗扫描，获得一维编块数据，预设窗口的大小为f×1；将一维编块数据按照扫描顺序转化为列向量，得到样本数据。
第二步，利用正交匹配追踪算法和初始字典对样本数据进行稀疏编码，以获得样本数据的稀疏向量。
第三步，利用稀疏向量和奇异值分解算法对初始字典中的原子进行更新，直至初始字典中的原子全部完成更新，得到更新后的字典。
第四步，利用更新后的字典对样本数据继续进行稀疏编码直至完成预设次数的迭代训练，输出最终的字典作为自适应字典。
第五步，利用自适应字典和正交匹配追踪算法对样本数据进行去噪处理，得到去噪数据。
第六步，利用公式(8)对去噪数据进行改写，以得到去噪数据的原始尺寸数据.
第七步，利用BRD反演方法对去噪数据的原始尺寸数据进行反演处理，以得到反演数据，输出反演结果。
图8为本申请一实施例的不同噪声水平的低场核磁共振数据的去噪及反演结果图。图8(a)中低场核磁共振数据的信噪比SNR＝5，图8(b)低场核磁共振数据的信噪比SNR＝10，图8(c)中低场核磁共振数据的信噪比SNR＝20。由图8可知，随着信噪比的增加，噪声对于字典学习的干扰程度越小，得到的字典越能反应出信号的本身特征。在经过降噪后，核磁数据的信噪比均能够提升10倍左右。此外，从反演结果中可以看出，经过基于字典学习降噪方法处理后的核磁回波串数据具有更高的稳定性，尤其是针对于短弛豫组分，会进一步压制过拟合的情况。处理后反演得到的T2分布，比降噪前的分辨率更高，特别是在低信噪比条件下。
图9为本申请一实施例的基于字典学习的核磁共振回波数据处理装置的结构示意图，如图9所示，该基于字典学习的核磁共振回波数据处理装置包括：处理器101，以及与处理器101通信连接的存储器102；存储器102存储计算机执行指令；处理器101执行存储器102存储的计算机执行指令，实现上述各方法实施例中基于字典学习的核磁共振回波数据处理方法的步骤。
该基于字典学习的核磁共振回波数据处理装置可以是独立的，也可以是服务器的一部分，该处理器101和存储器102可以采用服务器现有的硬件。
在上述基于字典学习的核磁共振回波数据处理装置中，存储器102和处理器101之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可以通过一条或者多条通信总线或信号线实现电性连接，如可以通过总线连接。存储器102中存储有实现数据访问控制方法的计算机执行指令，包括至少一个可以软件或固件的形式存储于存储器102中的软件功能模块，处理器101通过运行存储在存储器102内的软件程序以及模块，从而执行各种功能应用以及数据处理。
存储器102可以是，但不限于，随机存取存储器(Random Access Memory，简称：RAM)，只读存储器(Read Only Memory，简称：ROM)，可编程只读存储器(ProgrammableRead-Only Memory，简称：PROM)，可擦除只读存储器(Erasable Programmable Read-OnlyMemory，简称：EPROM)，电可擦除只读存储器(Electric Erasable ProgrammableRead-Only Memory，简称：EEPROM)等。其中，存储器102用于存储程序，处理器101在接收到执行指令后，执行程序。进一步地，上述存储器102内的软件程序以及模块还可包括操作系统，其可包括各种用于管理系统任务(例如内存管理、存储设备控制、电源管理等)的软件组件和/或驱动，并可与各种硬件或软件组件相互通信，从而提供其他软件组件的运行环境。
处理器101可以是一种集成电路芯片，具有信号的处理能力。上述的处理器101可以是通用处理器，包括中央处理器(Central Processing Unit，简称：CPU)、网络处理器(Network Processor，简称：NP)等。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本申请的一实施例还提供了一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，计算机执行指令被处理器执行时用于实现本申请各方法实施例的步骤。
本申请的一实施例还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现本申请各方法实施例的步骤。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由下面的权利要求书指出。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。

Claims (10)

1.一种基于字典学习的核磁共振回波数据处理方法，其特征在于，包括：
对采集到的低场核磁共振数据进行预处理，得到样本数据；
利用正交匹配追踪算法和初始字典对所述样本数据进行稀疏编码，以获得所述样本数据的稀疏向量；
利用所述稀疏向量和奇异值分解算法对所述初始字典中的原子进行更新，直至所述初始字典中的原子全部完成更新，得到更新后的字典；
利用所述更新后的字典对所述样本数据继续进行稀疏编码直至完成预设次数的迭代训练，输出最终的字典作为自适应字典；
利用所述自适应字典和正交匹配追踪算法对所述样本数据进行去噪处理，得到去噪数据；
对所述去噪数据进行反演处理以得到反演数据。
2.根据权利要求1所述的方法，其特征在于，所述对采集到的低场核磁共振数据进行预处理，得到样本数据，具体包括：
对采集到的低场核磁共振数据按照预设窗口进行分窗扫描，获得一维编块数据，所述预设窗口的大小为f×1；或者，将采集到的低场核磁共振数据构建成大小为p×q的原始矩阵，利用预设编块对所述原始矩阵进行扫描，获得二维编块数据，所述预设编块的大小为f×g，f，g＜＜p，q；
将所述一维编块数据或者所述二维编块数据按照扫描顺序转化为列向量，得到样本数据。
3.根据权利要求2所述的方法，其特征在于，所述预设窗口或预设编块是通过下列方式获得的：
利用不同大小的窗口或编块对采集到的低场核磁共振数据进行扫描，以获取不同大小的编块数据；
分别利用所述自适应字典计算不同大小的编块数据对应的去噪数据；
利用所述去噪数据和所述采集到的低场核磁共振数据确定不同大小的编块数据对应的信噪比；
将信噪比最大的编块数据对应的窗口或编块作为所述预设窗口或所述预设编块。
4.根据权利要求1-3中任一项所述的方法，其特征在于，所述利用正交匹配追踪算法和初始字典对所述样本数据进行稀疏编码，以获得所述样本数据的稀疏向量，具体包括：
计算所述样本数据与每一所述初始字典中的原子的投影，获取投影最大的原子所在的位置；
根据投影最大的原子所在的位置对所述初始字典的初始位置索引集进行更新，生成新的位置索引集；
利用下列公式计算得到所述样本数据的稀疏向量：
Figure FDA0003465583520000021
其中，所述αI表示位置索引集为I时的稀疏向量，所述DI表示位置索引集为I时的字典，所述
Figure FDA0003465583520000022
表示位置索引集为I时的字典的转置矩阵，所述S表示所述样本数据；
利用下列公式对所述初始字典的位置索引集进行迭代更新：
rt+1＝S-DIαI
其中，所述rt+1表示第t+1次迭代时的残差，当t+1≥T时，停止迭代，输出最终的样本数据的稀疏向量；所述T表示预设的稀疏度。
5.根据权利要求4所述的方法，其特征在于，所述利用所述稀疏向量和奇异值分解算法对所述初始字典中的原子进行更新，直至所述初始字典中的原子全部完成更新，得到更新后的字典，具体包括：
利用下列公式对所述初始字典中的原子进行更新：
Figure FDA0003465583520000023
其中，所述dk和dj分别表示所述初始字典D0中第j个和第k个原子，所述
Figure FDA0003465583520000024
和
Figure FDA0003465583520000025
分别表示第j个和第k个稀疏向量的转置矩阵；所述Ej表示去除原子dj后的误差矩阵；
采用奇异值分解算法对所述误差矩阵Ej进行分解：
Ej＝UΛVT
将分解后得到的矩阵U的第一列作为新的dj原子，直至所述初始字典中的原子全部完成更新，得到更新后的字典。
6.根据权利要求5所述的方法，其特征在于，所述利用所述自适应字典和正交匹配追踪算法对所述样本数据进行去噪处理，得到去噪数据，具体包括：
利用下列公式对所述样本数据进行去噪处理：
Figure FDA0003465583520000031
其中，所述X表示去噪数据，所述S表示所述样本数据，所述D表示所述自适应字典，所述Rij表示第i行第j列的样本数据，所述λ为约束因子，所述αij表示第i行第j列的稀疏向量，所述αij是利用正交匹配追踪算法和预设的误差限制ε计算得到的。
7.根据权利要求6所述的方法，其特征在于，在所述对所述去噪数据进行反演处理以得到反演数据之前，还包括：
利用下列公式对所述去噪数据进行改写，以得到所述去噪数据的原始尺寸数据：
Figure FDA0003465583520000032
其中，所述
Figure FDA0003465583520000033
表示所述去噪数据的原始尺寸数据，所述
Figure FDA0003465583520000034
表示示第i行第j列的样本数据的转置矩阵。
8.一种基于字典学习的核磁共振回波数据处理装置，包括处理器，以及与所述处理器通信连接的存储器；
所述存储器存储计算机执行指令；
所述处理器执行所述存储器存储的计算机执行指令，以实现如权利要求1至7中任一项所述的方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1至7中任一项所述的方法。
10.一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现权利要求1-7中任一项所述的方法。
CN202210028837.1A 2022-01-11 2022-01-11 基于字典学习的核磁共振回波数据处理方法及装置 Pending CN114386463A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210028837.1A CN114386463A (zh) 2022-01-11 2022-01-11 基于字典学习的核磁共振回波数据处理方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210028837.1A CN114386463A (zh) 2022-01-11 2022-01-11 基于字典学习的核磁共振回波数据处理方法及装置

Publications (1)

Publication Number Publication Date
CN114386463A true CN114386463A (zh) 2022-04-22

Family

ID=81202637

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210028837.1A Pending CN114386463A (zh) 2022-01-11 2022-01-11 基于字典学习的核磁共振回波数据处理方法及装置

Country Status (1)

Country Link
CN (1) CN114386463A (zh)

Similar Documents

Publication Publication Date Title
Bioucas-Dias Bayesian wavelet-based image deconvolution: A GEM algorithm exploiting a class of heavy-tailed priors
CN110361778B (zh) 一种基于生成对抗网络的地震数据重建方法
Chabiron et al. Toward fast transform learning
CN109658468B (zh) 磁共振参数成像方法、装置、设备及存储介质
Singh et al. Bayesian versus frequentist measures of error in small area estimation
Guillet et al. Modelling spatially correlated observation errors in variational data assimilation using a diffusion operator on an unstructured mesh
CN111488904A (zh) 基于对抗分布训练的图像分类方法及系统
Dahmen et al. Adaptive wavelet methods for linear-quadratic elliptic control problems: convergence rates
CN116012263A (zh) 一种图像噪声去除方法、装置、存储介质及电子设备
Nammour et al. ShapeNet: Shape constraint for galaxy image deconvolution
Beylkin et al. On computing distributions of products of random variables via Gaussian multiresolution analysis
CN114386463A (zh) 基于字典学习的核磁共振回波数据处理方法及装置
Beylkin et al. Nonlinear inversion of a band-limited Fourier transform
CN109239006B (zh) 一种基于湿度补偿模型的物质识别方法、装置及存储介质
CN115115723A (zh) 图像重建模型生成及图像重建方法、装置、设备和介质
CN108846430B (zh) 一种基于多原子字典的图像信号的稀疏表示方法
CN116304710A (zh) 补充样本生成方法、装置、设备和存储介质
CN116304569A (zh) 一种用于分布式光纤传感器缺失数据的填补方法
CN115797318A (zh) 一种光谱数据预处理方法、装置、计算机设备及存储介质
AU761504B2 (en) Signal processing
CN113011321B (zh) 一种基于联合字典的光谱信号去噪方法、系统、终端及可读存储介质
Koo et al. Asymptotic minimax bounds for stochastic deconvolution over groups
CN113447987A (zh) 一种确定地层流体饱和度的方法、装置及设备
Zhao et al. Blind source separation based on dictionary learning: a singularity-aware approach
CN111724393A (zh) 一种基于路径正交匹配的k-稀疏图像重构方法

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