数字合成X射线体层成像的小波-伽辽金重建算法

数字合成X射线体层成像技术的重建问题是在有限投影数据条件下的病态重建问题。本文通过分析数字合成X射线体层成像技术的系统模型,获得重建问题的系统方程。在对系统方程进行正则化改造的基础上,提出了一种新的重建算法——自适应小波-伽辽金重建算法。该算法融合了伽辽金方法的计算简洁和小波内在的多尺度特性,更好地适应了待重建图像的求解。仿真实验结果表明,与ART重建算法相比,自适应小波-伽辽金重建算法在保证重建质量前提下能加快收敛,从而大大地节省了计算时间。     

基于改进正则化方法的有限角度CT图像重建算法

本文提出了一种基于改进正则化方法的有限角度CT图像重建算法。该算法基于同伦映射的思想,改进了Tikhonov正则化方法。对于算法中的正则化参数,引入了一种下降速率可调的连续参数修正方法,有效地避免了由于试探正则化参数而带来的不便,从而提高了求解效率。实验结果表明,该方法可以快速地确定在该种条件下最优的正则化参数,进而得到较好的重建结果。     

三维大地电磁自适应正则化有限内存拟牛顿反演

有别于传统基于梯度信息的反演方法在正则化约束中用总梯度逼近海塞逆矩阵的技术,本文将正则化约束问题的数据拟合项和模型光滑项分开考虑,只利用数据拟合函数的梯度信息对数据拟合项的海塞矩阵进行逼近,通过求解类高斯牛顿下降方向方程得到不依赖前几次迭代正则化因子的更精确下降方向,在求解当前迭代下降方向的过程中,通过保证右端项中两个向量的二范数在同一数量级的原则,实现了正则化因子的自动更新.对理论模型的试算表明这种自适应正则化反演方案可以在拟牛顿反演框架下基本达到OCCAM的算法稳定性,反演结果对初始模型依赖性较小,同时又无需在一次迭代中多次搜索最佳正则化因子.本文还基于此算法讨论了大地电磁各参数对于反演结果的影响,由于本文的反演结果能得到充分的正则化约束,因而在此框架下讨论阻抗和倾子在反演中的作用相对更为客观.     

基于约束Landweber迭代的重建算法

针对较少投影数据图像重建问题,在最小二乘优化的基础上,提出将未知误差引入不等式约束中,并针对其不适定性提出运用LandWeber迭代正则化技术进行迭代求解.数值实验表明相对以往各算法,此迭代算法更加稳定,并且在重建质量以及重建时间上都具有一定的优势.     

基于Abel变换的图像重建自适应方法

本文论述了利用轴对称物体的单幅投影信息进行密度重建的一种自适应正则化模型。所提模型基于全变分正则项与高阶全变分正则项的联合使用,主要的优点是在保持清晰的界面及恢复平稳变化区域的同时减弱了阶梯效应。并且使用自适应方法,提高了效果的同时简化了所使用的参数。对于其中涉及的最优化问题,我们采用增广拉格朗日方法来解。数值结果表明,这一模型提高了关于密度界面位置及密度值的准确度,具有较好的抗噪性。      

基于非均匀快速傅里叶变换的最小二乘反演地震数据重建

不规则采样地震数据的重建是地震数据分析处理的重要问题.本文给出了一种基于非均匀快速傅里叶变换的最小二乘反演地震数据重建的方法,在最小二乘反演插值方程中,引入正则化功率谱约束项,通过非均匀快速傅里叶变换和修改周期图的方式,自适应迭代修改约束项,使待插值数据的频谱越来越接近真实的频谱,采用预条件共轭梯度法迭代求解,保证了解的稳定性和收敛速度.理论模型和实际地震数据插值试验证明了本文方法能够去除空间假频,速度快、插值效果好,具有实用价值.     

基于Shearlet变换和广义全变分正则化的地震数据重建

压缩感知技术通常利用地震信号在某一变换域内的稀疏性质,将随机缺失的地震数据重建问题转化为L1正则化问题.本文首先通过Shearlet变换获得地震信号的稀疏性质,再将广义全变分（TGV）约束引入L1正则化模型,构建了基于Shearlet变换的双正则化模型用于重建地下介质的图像.与传统L1正则化方法相比,基于Shearlet变换的双正则化方法不仅考虑了信号的稀疏性,同时兼顾了地下介质结构的复杂性,可以较好的重建地下结构体的图像.最后采用交替方向乘子法（ADMM）求解所建模型,每个子问题均可得到显式解.数值实验对比了基于小波变换、Shearlet变换的L1正则化方法和TGV正则化方法,结果表明基于Shearlet变换的双正则化方法对于随机采样50%数据的情况具有较好的重建结果,同时对于有限范围的连续缺失数据的重建亦具有一定的有效性.     

基于Shearlet变换和广义全变分正则化的地震数据重建

压缩感知技术通常利用地震信号在某一变换域内的稀疏性质,将随机缺失的地震数据重建问题转化为L1正则化问题.本文首先通过Shearlet变换获得地震信号的稀疏性质,再将广义全变分(TGV)约束引入L1正则化模型,构建了基于Shearlet变换的双正则化模型用于重建地下介质的图像.与传统L1正则化方法相比,基于Shearlet变换的双正则化方法不仅考虑了信号的稀疏性,同时兼顾了地下介质结构的复杂性,可以较好的重建地下结构体的图像.最后采用交替方向乘子法(ADMM)求解所建模型,每个子问题均可得到显式解.数值实验对比了基于小波变换、Shearlet变换的L1正则化方法和TGV正则化方法,结果表明基于Shearlet变换的双正则化方法对于随机采样50%数据的情况具有较好的重建结果,同时对于有限范围的连续缺失数据的重建亦具有一定的有效性.     

大地电磁自适应正则化反演算法

针对大地电磁正则化反演中正则化因子的选取困难问题提出了自适应正则化反演算法（Adaptive Regularized Inversion Algorithm, ARIA）. 在该算法中， ①提出了一种新的数据方差处理方法：数据方差规范化，使得数据方差的大小只对数据的拟合发生影响，不对数据目标函数和模型约束目标函数的权重产生影响，从而减少了正则化因子取值的影响因素；②提出了粗糙度核矩阵的概念，并给出了由基本结构插值基函数计算粗糙度核矩阵的公式，使得模型目标函数的构建更为简便、直接；③根据数据目标函数、模型约束目标函数和正则化因子之间的关系，提出了两种正则化因子自适应调节方法. 本文详细阐述了最平缓模型约束下的大地电磁一维连续介质反演的ARIA实现，以几个算例的分析比较来说明ARIA的有效性.     

基于非局部全核变分方法的稀疏角多能CT重建

稀疏角采样与减小X射线源电流可有效降低多能谱CT低辐射剂量,然而会导致投影数据不足且包含较大噪声,重建图像会严重降质。针对这一问题,本文对传统全核变分（TNV）正则化方法进行推广,利用非局部梯度向量构成的雅克比矩阵的低秩特性,提出非局部全核变分（NLTNV）正则化方法。该方法用单个正则项同时建模能谱CT图像的结构相似性、梯度域稀疏性与非局部自相似性3种先验信息,能恢复稀疏角度投影含较大噪声（剂量较低）时图像的结构特征,并且有效缓解了用多正则项建模多能谱CT图像不同先验信息所导致的正则化参数过多问题。此外,基于NLTNV的重建模型为凸优化模型,保证了算法的稳定性与收敛性。实验结果表明,与TNV正则化方法相比,本方法显著提升重建图像的整体质量。