基于稀疏贝叶斯学习的序贯多帧电阻抗成像图像重建算法制造技术

本发明专利技术提出一种基于稀疏贝叶斯学习的序贯多帧电阻抗成像图像重建算法，属于医学和工业检测技术领域。具体步骤为：首先利用内部电导率变化与相应边界电压变化的近线性关系，将序贯多帧电阻抗层析成像图像的重建建模成一个测量矢量逆问题求解，然后将解矩阵分解以便于基于结构感知的稀疏贝叶斯学习框架的使用，通过采用最大边缘似然方法优化对数代价函数来实现后验分布估计，电导率分布的解矩阵最后由最大后验概率估计给出。和直接利用结构感知稀疏贝叶斯算法等先前的方法相比，本发明专利技术降低了计算复杂度，并且具有更好的鲁棒性，同时进一步提高了图像重建的准确度，能够获得更高的图像分辨率。

Sequential multi frame electrical impedance image reconstruction algorithm based on Sparse Bayesian learning

【技术实现步骤摘要】
基于稀疏贝叶斯学习的序贯多帧电阻抗成像图像重建算法
本专利技术涉及一种基于稀疏贝叶斯学习的序贯多帧电阻抗成像图像重建算法，属于医学与工业成像

技术介绍
电阻抗层析成像的重建问题是在给定边界电压测量值的情况下，确定物体内部的空间变化电导率分布。电阻抗层析成像是一种十分具有潜力的非侵入式成像手段，因其设备不存在有害辐射，具备简易轻便、价格低廉、时间分辨率高的优点而得到学界和工业界的广泛关注。电阻抗层析成像技术可以分成静态成像和动态多帧成像。静态成像根据单次电压测量得到的数据集恢复绝对电导率分布，常受到各种建模误差源造成的系统伪影的影响。而用贯序测量能够较好的消除这种影响。多次序贯测量的EIT帧一般来说存在空时相关性，这意味着在时间相近的帧之间存在信息冗余。可以利用这种冗余来设计精确高效的EIT连续多帧贝叶斯学习算法。由于EIT成像方式时间分辨率高，每秒钟成像帧数多，因而序贯过程的EIT成像符合慢时变模型即帧序号相近的多个EIT帧对应的解矩阵中成组聚类模式相似度高，如果解稀疏则支撑相似。长序列的慢时变模型可以看作由多段短序列MMV模本文档来自技高网...

【技术保护点】
1.一种基于稀疏贝叶斯学习的序贯多帧电阻抗成像图像重建算法，其特征在于：包括如下步骤：/n步骤一：建立基本模型/nEIT技术的基本测量方法是，在圆形测量设备的边上等间隔地安装电极，测试各不同电极间的电压；EIT问题由如下电磁学方程求解/nδy＝Jδκ+v (1)/n其中J是M×N的雅克比矩阵(M<N)，δy为N×1所测各电极间电压差矩阵，δk为M×1的电导率变化矩阵，v为加性高斯噪声；这是单测量矢量问题，单个电导率解矢量δk由单电压测量矢量δy重建；/n为得到稳定解，在上式的基础上引入正则项，并将问题转化为如下优化问题：/n

【技术特征摘要】
1.一种基于稀疏贝叶斯学习的序贯多帧电阻抗成像图像重建算法，其特征在于：包括如下步骤：
步骤一：建立基本模型
EIT技术的基本测量方法是，在圆形测量设备的边上等间隔地安装电极，测试各不同电极间的电压；EIT问题由如下电磁学方程求解
δy＝Jδκ+v(1)
其中J是M×N的雅克比矩阵(M<N)，δy为N×1所测各电极间电压差矩阵，δk为M×1的电导率变化矩阵，v为加性高斯噪声；这是单测量矢量问题，单个电导率解矢量δk由单电压测量矢量δy重建；
为得到稳定解，在上式的基础上引入正则项，并将问题转化为如下优化问题：



其中d(δy,Jδκ)为数据拟合项，使结果合乎观测；R(δκ)为正则项，目的是得到稳定解；在此基础上，引入贝叶斯框架，转化为求最大对数似然函数的问题



其中logp(δy|δκ)是对数似然函数，由d(δy,Jδκ)得到；logp(δκ；Θ)为先验知识，由正则项R(δκ)得到，其中Θ反映了贝叶斯学习过程的潜在参数；
将式(1)中线性关系应用到序贯多帧测量的情况，在连续时间上得到的测量矢量及其对应的EIT帧堆叠为矩阵Y和K；由式(1)中基本方程，得到同时恢复多个帧的逆模型，即
Y＝JK+V(4)
这里是满足高斯分布的加性测量噪声矩阵，其中N表示高斯分布，I代表单位矩阵；
步骤二：利用序贯多帧电阻抗层析成像算法进行图像重建
(1)设置先验知识，完善模型
得到由电压测量矢量构成的测量矩阵Y后，由测量矩阵重建解矩阵K；由于公式(2)符合标准多重测量向量模型；我们假设K的所有帧都有着相同或相似的稀疏支持，即存在帧间时间连续性；同时还假定每个帧中的非零条目都具有帧内空间相关性；
(2)确定未知相关结构
首先定义G个预设组全部构成一个扩展的权重向量



因...

【专利技术属性】
技术研发人员：刘升恒，李宇轩，龚灏，陈世泽，陈上，曹瑞松，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏;32