加权测量模型

加权测量模型（精选三篇）

加权测量模型 篇1

图像在获取和运输的过程中不可避免的会受到噪声的污染,而被噪声污染的图像会影响图像的后续处理,例如边缘检测、目标识别和图像分割等。因此去噪是图像数字图像处理的一个重要问题,其主要目是在保存图像的细节、纹理和边缘等特征下,从给定的噪声图像中恢复理想的图像。

由于噪声的多样性,存在多种混合噪声,本文主要研究加性高斯白噪声(AWGN)和脉冲噪声(IN)的混合。

y∈RN为含噪的观测图,x∈RN为待恢复的原始图,n为AWGN,则AWGN的数学公式为y=x+n。设y的动态范围为[dmin,dmax],IN的概率为p(0≤p≤1)(0≤p≤1),则混合噪声模型为

由于混合噪声分布复杂,有效的去除是一个相当困难的问题。近年来,Abreu等[1]提出了基于中值信号相互联系的滤波器,该算法能够很好地去除脉冲噪声,但是去除混合噪声时,图像边缘与细节等信息也受到较大的影响。Cai等[2]提出的去除混合噪声的算法计算复杂。Xiao等[3]先利用中值类滤波进行脉冲噪声检测,最后用l1-l0最小优化问题求解去噪图像。文献[3]改善了去噪图像的视觉质量,但是计算量大。2013年,文献[4]提出了基于加权学习字典去除混合噪声。Jiang等[5]在文献[4]的基础上结合非局部稀疏表示的方法(JZY模型),同时去除AWGN和IN,并且不需要先进行脉冲噪声的检测。Zhang等[6]提出基于分组稀疏表示的方法(ZZG模型)去除混合噪声,该算法得到的去噪图过于光滑,其他混合噪声去除算法[7,8,9]。

虽然上述去噪算法是针对混合噪声提出的,并且在某种程度上起到抑制混合噪声效果,但图像的边缘与细节等重要信息也受到很大影响。针对这一问题,本文提出了一种新型的混合噪声去除算法。该算法将稀疏加权编码与变分相结合,能更好地保存图像的重要信息。仿真实验表明,新算法对图像重要特征的保留有一定的改善作用。

2 相关工作

一般情况下,去除混合噪声分两步:首先去除IN[10],再去除AWGN,但是在实际的去噪中,很难将IN和AWGN分离。[5]提出了基于非局部稀疏加权编码模型(JZY模型),同时去除AWGN和IN

式中:W稀疏加权权重;Φ为稀疏字典;α为稀疏编码;R(α)为正则项;λ为已知的正则项参数。考虑到非局部与局部之间的联系,引入非局部项,式(2)可以写成

式中:μi=∑ωi,jαi,j;αi,j表示寻找块j到块i的相似块;ωi,j为权重,;h为给定的标量;ω为标准化因子。令γi=αi-μi,假设γi的元素服从相同的高斯分布,即

式中:Γ为伽马函数;σγ为标量参数,由β决定f(γ)的分布类型。特别地,当β=1时,f(γ)服从拉普拉斯分布;当β=2时,f(γ)服从高斯分布。文献[5]指出,当f(γ)服从拉普拉斯分布时,图像去噪的直方图越接近原图像,所以用l1范数约束非局部项,即JZY模型

3 新模型设计

为了更好地保留图像的重要特征,增强图像的混合去噪能力,本文在JZY模型的基础上引入变分,得到新模型

式中:第一项为忠诚项;第二项是非局部项;第三项为变分项;λ,λ1为非负正则化参数,为了保留图像的边缘信息,模型(6)分2个子问题来求解。

子问题1:更新编码。其模型为

式中:λ平衡稀疏项和非局部正则项;W是对角权重矩阵。

被脉冲噪声污染的的像素值有很大的编码残差ei,e=[e1;e2;…;eN]=y-Φα,并e1,e2,…,eN独立同高斯分布。因此,残差ei被用作引导权重Wii的设定,为了使加权编码更加稳定和容易控制,设置Wii∈[0,1],一个简单并且合适的Wii可以设置为

式中:a是常数用来控制Wii的下降速度。接下来通过迭代权重的方法去求解稀疏编码,Daubechies等[11]假设V为对角矩阵,最初值为单位矩阵,通过(k+1)th迭代,对角矩阵V的每个元素为

迭代V和稀疏编码α之后,可以得到较为理想的稀疏编码,权重迭代的收敛性已经证明文献[11],其中求解以及更新非局部项μ的具体方法和步骤依据文献[5]。

子问题2:恢复图像。其模型为

式(10)的对偶问题为

式中:q∈X×X,X∈Rn,迭代分裂方法求解(12)。最初化,x(0),q(0)更新迭代得到序列x(1),q(1),x(2),q(2),…,均值闭集形式方程更新q,即

然后用牛顿方法得到去噪图像,即

式中:的常数,具体求解过程参考文献[12],其中整篇文章的算法流程如下:

1)输入:字典Φ,噪声图像y,参数λ,λ1,迭代次数K。

2)最初化:最初化W通过式(8),最初化μ=0,把图像聚类以后,在每一类中用PCA方法训练子字典作为初始字典,迭代次数k=1,2,…,K。

3)更新稀疏编码α:

4)更新x(k)=Φα(k)和非局部项μ。

5)更新残差e(k)=y-x(k),具体的更新方法见文献[5]。

6)更新权重W通过残差e(k)和式(8)。

7)更新去噪图像:

8)输出:去噪图像x。

4 实验仿真及结果分析

为了更好地评价新算法的性能,将本文提出的算法与文献[6]的ZZG算法和文献[5]的JZY算法进行比较。测试图为大小全部为512×512的Pirate、Peppers和Jetplane,如图1所示。对于混合噪声,AWGN的标准差分别为σ=10,20,30,IN的强度分别为p=30%,40%,50%,不同程度的噪声图如图2所示。对于非局部参数λ,当噪声强度为σ=10,λ=0.5的时候,迭代8次,当噪声强度为σ=20,30,λ=1,分别迭代10和12次,参数λ1=0.01,字典分块大小为7×7,其余的参数选取与文献[5]相同。本实验是在处理器为Inter Core i3、内存为2.3-Ghz dual-core的PC机上运行,Matlab版本为R2010b。

本文利用峰值信噪比(PSNR)及图像特征相似度(FSIM)[5]来评估去噪的图像质量。

实验一:以“Pirate”为比较对象,其中噪声强度为σ=30,p=40%。从图3可以清楚的看出,图3b还存在很多噪声,图像的边缘和脸部(嘴巴、鼻子、眼睛和下巴)比较模糊,特别是手链、手指以及手指上的戒指;图3c虽然在边缘处理的比图3b图好,但是相比图3d和图3c的边缘处理相对比较模糊,从脸部轮廓和脸部(嘴巴、鼻子、眼睛和下巴)可以明显地看出图3d优于图3b与图3c,进一步从手腕的链子和手指的戒指可以看出本文算法能够很好保存图像边缘特征。

实验二:以Peppersσ=20,p=50%为研究目标。从图4可知,图4b辣椒的边缘和辣椒梗上面出现不属于辣椒本身的东西;从竖着的辣椒和最小的辣椒梗可以很明显地看出图4d优于图4b和图4c。

由此可见,在图视觉质量上,提出算法的去噪图要接近于原图像,使得去噪图像看起来更自然,特别是在图像的细节和边缘化上。

进一步从表1可知,本文算法在不同强度噪声下的去噪图的PSNR和FSIM也都要高于对比算法。

综上所述,本文算法无论在主观上(图像质量)还是客观上(PSNR和FSIM)都要优于对比算法。

5 结论

本文提出了一种新型的去除混合噪声模型,该算法将稀疏加权编码与变分相结合,有效保存了图像的边缘信息,训练稀疏字典和编码以后,最后用对偶方法得到去噪图像。仿真实验显示,无论从主观标准还是客观标准,本文算法对不同程度的混合噪声都具有很好的抑制能力。

注:最好的PSNR和FSIM标注为粗体。

参考文献

[1]ABREU E,LIGHTSTONE M,MITRA S K,et al.A new efficient approach for the removal of impulse noise from highly corrupted images[J].IEEE transactions on image processing,1996,5(6):1021-1025.

[2]CAI J F,CHAN R,NIKOLOVA M,et al.Fast two-phase image deblurring under impulse[J].Journal of mathematical image and vision,2010,36(1):46-53.

[3]XIAO Y,ZENG T Y,YU J,et al.Restoration of images corrupted by mixed Guassian-impulse noise via l1-l0minimization[J].Pattern recognition,2010,44(8):1708-1720.

[4]LIU J,TAI X C,HUANG H Y,et al.A weighted dictionary learning models for denoising images corrupted by mixed noise[J].IEEE transactions on image processing,2013,22(3):1108-1120.

[5]JIANG J,ZHANG L,YANG J,et al.Mixed noise removal by weighted encoding with sparse nonlocal regularization[J].IEEE transactions on image processing,2014,23(6):2651-2262.

[6]ZHANG J,ZHAO D B,GAO W,et al.Group-based sparse representation for image restoration[J].IEEE transactions on image processing,2014,23(8):3336-3351.

[7]BARCELOS C,BARCELOS E.A well-balanced and adaptive variational model for removal of mixed noise[J].Computers and electrical engineering,2014,40(7):2027-2037.

[8]LIU G,HUANG T Z.A new two-stage method for image restoration under mixed gaussian impulse noise[C]//International Conference on Computer Science and Artificial Intelligence(ICCSAI).[S.l.]:IEEE,2015:181-185.

[9]JIANG J L,YANG J,CUI Y,et al.Sparse nonlocal priors based two-phase approach for mixed noise removal[J].Singal processing,2015(16):101-111.

[10]周军妮,王燕妮,杨润玲,等.基于噪声检测的高密椒盐噪声自适应滤波算法[J].电视技术,2014,38(19):41-46.

[11]DAUBECHIES I,DEVORE R,FORNASIER M,et al.Iteratively re-weighted least squares minimization for sparse recovery[J].Communications on pure and applied mathematics,2010,63(1):1-38.

外弹道加权最小一乘模型研究与应用 篇2

外弹道加权最小一乘模型研究与应用

工程技术领域中常常要求算法具有较强的稳健性.本文讨论了最小一束和加权最小二乘相比于传统最小二乘的优势,根据实际工程需要,引入自变量权系数设置方式,并采用遗传算法提高算法的收敛速度,提出适用于工程计算的.加权最小一乘模型.通过弹道数据的仿真计算,加权最小一乘算法能够克服异常数据所带来的影响,减小各种相对误差水平,表现出较强的稳健性,验证了该算法的有效性和正确性.

作 者：徐小辉 郭小红 赵树强 XU Xiao-hui GUO Xiao-hong ZHAO Shu-qiang  作者单位：西安卫星测控中心・陕西西安・710043 刊 名：飞行器测控学报  ISTIC英文刊名：JOURNAL OF SPACECRAFT TT & C TECHNOLOGY 年，卷(期)： 27(2) 分类号：V557 关键词：稳健性   加权最小一乘   遗传算法   异常值  

加权测量模型 篇3

收稿日期： 20131128

摘要： ART(algebraic reconstruction technique)算法是一种适合于投影数据采集量比较少的情况的图像重建算法。利用其进行图像重建时的主要工作是计算加权因子,该计算方法严重影响图像重建的重建质量和重建速度。讨论、研究并仿真了加权因子的三种计算模型,经比较分析最后得出了一种最优的重建模型。

关键词： 图像重建; 代数重建算法; 加权因子

中图分类号： TP 391文献标志码： Adoi： 10.3969/j.issn.10055630.2014.02.011

Research on several weight factor models of ART

CHEN Liang

(Navy Representative Office of Jiangnan Shipyad Co., Ltd., Shanghai 201913, China)

Abstract： ART (algebraic reconstruction technique) algorithm is fit for data acquisition from incomplete projections. The main work is to solve of weight factor in ART algorithm and the computing method has a strong impact on the quality and speed of image reconstruction. Finally, by discussing, studying and simulating these three computing methods, an optimal reconstruction model is obtained through comparative analysis.

Key words： image reconstruction; algebraic reconstruction technique(ART); weight factor

引言图像重建算法主要分为解析法和迭代法两大类。解析法中传统的滤波反投影(FBP)［1］算法仍然被广泛使用,它可以在投影数据采集完备时重建出较为准确的图像,但当投影数据采集不完备时,重建出的图像会出现严重的伪影。这时一般采用迭代法来解决,迭代重建法的经典方法是Gorden等提出的ART(algebraic reconstruction technique)算法［2］,该算法可以在投影数据比较少的情况下重建出精确的图像,其原理是将重建问题转换成用迭代方法求解线性方程组的问题。ART算法的特点是:适合于不完备投影数据的图像重建,重建质量好,图像的密度分辨率高,同时对空间分辨率也有很好的保证;其次,重建算法计算简单,不同形式的采样数据重建都适用;另外还可以结合一些已知的先验知识得到更准确的解。由于在ART算法的迭代过程中,每次投影都要计算修正值,但这些修正值并不是完全相同的,穿过同一个像素网格时,图像的误差修正将会给重建区域带来严重的噪声,且要想得到较好的重建效果,算法需要进行多次迭代,从而导致计算量大,重建时间长,因而人们一直关注的是如何提高该算法的重建效率。ART算法中花费时间最长的是加权因子的计算,本文首先研究了ART算法的3种加权因子计算模型,然后通过理论和仿真实验对用3种模型来重建图像的速度和质量进行比较分析,得出了实用的结论。图1Radon变换示意图

Fig.1Diagram of Radon transform1原理

1.1Radon变换在一个平面内对函数f(x,y)沿不同的直线做线积分,就得到了函数f(x,y)的Radon变换［3］。也就是说,平面上每个点的像函数值都有一个原始函数的线积分值与之对应,如图1所示。光学仪器第36卷

第2期陈亮：ART算法中几种加权因子模型的研究

图中每条射线的方程用xcosθ+ysinθ=t来表示,夹角为θ的射线的投影值可以表示为Pθ(t)=∫∞－∞∫f(x,y)δ(xcosθ+ysinθ－t)dxdy(1)图像重建的任务就是由各个方向不同位置的投影值P(t)恢复出原图像的分布函数f(x,y)。

1.2ART算法原理重建图像的方法有很多种,本文着重介绍和研究ART算法。将待重建的区域离散成一个N=n×n的正方形小网格［4］,其中每个小网格内的值fj是指所在的第j个像素的平均值。根据图像成像的物理过程和其相应的数学模型,可以用一个代数方程组来表示重建的图像向量和投影数据之间的关系,这样图像重建问题就变成了求解下列线性方程组的问题:∑Nj=1wijfj=pi,i=1,2,3,…,M(2)其中,M为所有的射线总数,fj为上述所讲的投影值,加权因子wij表示的是第j个像素对第i条射线的贡献值。如果把pi看做一个超平面,那么f必须为平面上的一点,如果至少能够得到相同数量的投影值和图像像素,那么所有的超平面的交点就是最终的唯一解。在实际情况中,M、N都是很大的数,一般的矩阵理论很难求出这个方程组的解,所以通常选用迭代的方法来求解。ART算法的迭代公式为F(i)=F(i－1)－λ(F(i－1)•wi－pi)wi•wi•wi(3)其中λ是松弛因子,一般取值都很小,在0～2之间。由式(3)可以看出,迭代过程中要反复用到加权系数矩阵wi,所以在利用式(3)时计算、存储和访问wi 是所要面临的最大困难。通常像素的分布位置和射线的几何结构是已知的,可以利用这些条件预先计算出所有的加权系数矩阵wi ,然后将它们全部保存在硬盘中,等到进行迭代的时候再调出使用;但是这样频繁的硬盘访问会严重的影响重建速度,所以最有效的办法是在迭代过程中实时地计算更新wi ［56］。由此可见用ART算法迭代时加权因子wi 的计算直接关系到重建的速度和质量。以下讨论3种计算加权因子的不同模型对图像重建的影响［7］。2重建模型分析假设在ART重建模型中,每条射线的宽度均为d,相邻射线之间的间距为l ,第j个网格内的像素值大小用fj来表示。以下对加权因子的三种不同模型［8］进行分析。

2.1模型一如图2所示,模型一中射线的宽度d与像素网格同宽,而相邻射线之间的距离l=0,并且将像素值定义在每个像素网格的中心点处。判断加权因子wij值的依据是每个小像素网格的中心点在哪条射线中,即如果第j个像素的中心点包含在第i条射线内,则加权因子wij定义为1,否则就定义为0。

2.2模型二 如图3所示,模型二中射线的宽度d=0,而相邻射线之间的距离l与像素网格同宽。用第i条射线经过第j个像素时,与网格相交的线段长度来定义加权因子wij,图3中的加权因子wij=lAB 。

图2加权因子重建模型一

Fig.2Model one of weight factor图3加权因子重建模型二

Fig.3Model two of weight factor

图4加权因子重建模型三

Fig.4Model three of weight factor2.3模型三如图4所示,模型三对射线的定义与模型一相同,射线的宽度d与像素网格同宽,而相邻射线之间的距离l=0。用第i条射线和第j个像素相重叠的面积占整个像素小网格的面积的比例来定义加权因子wij,图4中的加权因子wij=SABCD /d2。3实验结果为了比较上述所讲到的三种模型的不同,选用了128×128的经典SheepLogan头模型来进行重建仿真实验。图5是180个投影角度时分别用3种加权因子模型进行一次迭代后的重建图像,然后取投影角总数分别为60,90,180时进行迭代分析。还选用了归一化平均绝对距离r和归一化均方距离判据q来进行误差比较,用来更精确地反映重建质量。两个判据的具体定义为:r=∑Ni=1∑Nj=1xi,j－yi,j∑Ni=1∑Nj=1xi,j(4)

nlc202309040401

q=∑Ni=1∑Nj=1xi,j－yi,j∑Ni=1∑Nj=1xi,j－x—2212(5)式中,xi,j,yi,j分别是指原图像和重建后图像中第i行、j列的像素值;x—则是指原图像中所有像素值的平均值。其中q可以较敏感的反映出某几点产生较大误差的情况,而r则可以较敏感的反映出许多点均有的一些小误差的情况。这两个判据q和r的值越小,表示重建图像与原图像的误差越小,质量也就越好。表1是三种模型分别在60、90、180个投影角度下所用的重建时间,表2和表3则列出了用3种加权因子模型重建下的两个判据值。由上述结果可以看出模型三重建的效果最好,但是由于模型三在计算时要计算每条射线与每个像素之间相交的面积,而大部分面积却是不规则的,所以计算加权因子所需要的时间就比较长,也就是说模型三这一计算加权因子的方法没有重建速度上的优势。对于模型一,其在计算加权因子时将加权因子简化成只有1和0两个值,大大提高了重建的速度,缩短了迭代过程所需要的时间。但是这种简化加权因子的方法往往会引起相邻方程之间的矛盾,给重建结果加入了噪声,并且当某一步迭代出现误差后,误差就会直接传递到后面的迭代过程中,使得这种模型重建出的图像质量比较差,常常会出现椒盐(salt and pepper)现象 。而模型二中计算加权因子时仅仅计算了每条射线穿过每个像素的长度,计算量小并且能够通过一定的算法快速实现,另外模型二中射线束所穿过的像素数目一般比模型三中射线束所覆盖的像素数目少,重建时间也就比模型三大大的缩短了,但是重建质量却可以基本与模型三相当。

图5180个投影角度时3种加权因子重建模型重建后的图像

Fig.5Reconstruction image with three weight factor models at 180 projections

表1三种重建模型

所用时间表

Tab.1Time of three

reconstruction modelss

重建模型模型一模型二模型三60个投影角度5.087.1710.1790个投影角度7.329.4812.55180个投影角度14.2115.9823.09

表2三种重建模型重建图像的

归一化平均绝对距离r

Tab.2The normalized mean absolute

distance of three reconstruction models

重建模型模型一模型二模型三60个投影角度0.946 30.706 70.699 290个投影角度0.985 30.727 90.716 6180个投影角度1.213 30.776 30.760 8

表3三种重建模型重建图像的

归一化均方距离q

Tab.3The normalized mean square

distance of three reconstruction models

重建模型模型一模型二模型三60个投影角度1.139 20.667 10.657 390个投影角度1.357 40.708 50.698 1180个投影角度1.581 00.790 40.774 9

针对模型二用第i条射线经过第j个像素的长度来定义加权因子wij来说,最基本的计算方法是siddon算法［9］,但是siddon算法的计算时间比较长,效率比较低。很多学者对模型二的计算方法已经做了大量的研究,目前国内已经提出的加权因子的计算方法有:张顺利,张定华等提出的快速网格遍历算法［5］;刘郁纪,李公平等提出的siddon改进算法［8］;杨文良,魏东波等提出的改进的逐点遍历法［10］等。ART迭代算法的速度在不断地提高,其重建时间上的瓶颈也在不断被打破。4结论本文对ART算法的三种加权因子计算模型进行了研究、比较和分析,得出以下结论:模型一重建时间比较短,但重建质量却很差,并且伴随着严重的椒盐噪声; 模型三重建质量最好,但花费的重建时间却相对比较长;模型二可以在重建时间大大缩短的情况下使得图像的重建质量与模型三相当。因此,要想同时保持较好的重建质量和较快的重建速度,ART迭代过程中加权因子计算模型的最佳选择就是模型二。需要指出的是,除了加权因子模型本身外,还有其他一些因素严重影响着ART算法的重建速度和重建质量,例如投影数据的访问方式［11］、松弛因子［12］的选择以及先验知识等。随着计算机技术的不断提高,ART算法的重建速度和重建质量都将会有更大程度上的提高。参考文献：

［1］HERMAN G T.Image reconstruction from projections:the fundamentals of computerized tomography［M］.New York:Academic Press,1980.

［2］GORDON R,BENDER R,HERMAN G T.Algebraic reconstruction techniques(ART)for threedimensional electron microscopy and xray photography［J］.Journal of Theoretical Biology,1970,29(3):471481.

［3］SMITH K T,SOLMON D C,WAGNER S L.Practical and mathematical aspects of the problem of reconstructing objects from radiographs［J］.Bulletin of the American Mathematical Society,1997,83(6):10831330.

［4］李占述,叶海霞,徐伯庆.一种数字图像随机噪声的估计及利用MATLAB的实现［J］.装备制造技术,2009(6):12,24.

［5］张顺利,张定华,王凯,等.一种基于ART算法的快速图像重建技术［J］.核电子学与探测技术,2007,27(3):479483.

［6］张顺利.ART算法几种重建模型的研究和比较［J］.航空计算技术,2005,35(2):3941.

［7］杜磊,徐伯庆,韩彦芳,等.一种CT图像的肺实质分割方法［J］.光学仪器,2011,33(1):2933.

［8］刘郁纪,李公平,汤振兴,等.工业CT中ART算法权因子的研究［J］.甘肃科学学报,2010,22(3):7579.

［9］SIDDON R L.Fast calculation of the exact radiological path for a threedimensional CT array［J］.Medical Physics,1985,12(2):252255.

［10］杨文良,魏东波.一种改进投影系数计算的快速ART算法［J］.CT理论与应用研究,2012,21(2):187195.

［11］王宏钧,路宏年,傅键.代数重建技术中投影序列选择次序的研究［J］.光学技术,2006,32(3):389391.

［12］张顺利,张定华,王成,等.投影数对ART算法重建质量的影响［J］.无损检测,2008,30(12):889891.