基于SWOMP算法的EPMA影像优化重构

计算机与现代化 ›› 2020, Vol. 0 ›› Issue (12): 104-111.

基于SWOMP算法的EPMA影像优化重构

(1.东华理工大学信息工程学院,江西南昌330013；2.东华理工大学江西省核地学数据科学与系统工程技术
研究中心,江西南昌330013；3.东华理工大学软件学院,江西南昌330013)

出版日期:2021-01-07 发布日期:2021-01-07
作者简介:金安安（1995—），男，江西南昌人，硕士研究生，研究方向：图像处理，E-mail: anan_1995@126.com；丁双双（1994—），女，山东菏泽人，硕士研究生，研究方向：嵌入式应用，E-mail: 2425630640@qq.com；熊卿智（1998—），男，江西南昌人，本科生，研究方向：计算机应用，E-mail: 2919854239@qq.com；许婷婷（1996—），女，江西九江人，硕士研究生，研究方向：应用程序通信安全机制，E-mail: 1585513771@qq.com；习淑萍（1997—），女，江西吉安人，硕士研究生，研究方向：图形图像处理，E-mail: 1639447959@qq.com；马继忠（1996—），男，安徽阜阳人，硕士研究生，研究方向：嵌入式开发应用，E-mail: 1312366250@qq.com。
基金资助:
江西省核地学数据科学与系统工程技术研究中心开发基金资助项目(JETRCNGDSS201801)

Optimization Reconstruction of EPMA Image Based on SWOMP Algorithm

(1. School of Information Engineering, East China University of Technology, Nanchang 330013, China；2. Jiangxi Engineering
Technology Research Center of Nuclear Geoscience Data Science and System， East China University of Technology， Nanchang 330013, China；
3. School of Software, East China University of Technology, Nanchang 330013, China)

Online:2021-01-07 Published:2021-01-07

摘要/Abstract

摘要： 压缩感知历经多年发展，重构算法也比较多，其中分段弱正交匹配追踪（SWOMP）算法是一种改进算法，该算法对稀疏度没有要求，测量矩阵选择高斯矩阵，但是其重构效果并不理想。针对该算法的不足，同时结合电子探针影像，对该算法进行优化。该优化充分利用傅里叶矩阵的优势，同时对迭代次数和门限参数进行调整。首先，对常用的矩阵进行多次试验，找出最优质的测量矩阵——傅里叶正交矩阵；其次，对迭代次数和阈值进行修改，寻找最佳参数搭配，提高该算法重构质量。实验结果表明，本文方法在电子探针图像上的重构效果较好，达到超分辨率恢复要求，所重构的图像质量高于原有算法。

关键词: 图像处理, 压缩感知, 电子探针, 超分辨率重建, 正交匹配追踪

Abstract: Compressed sensing has been developed for many years, and there are many reconstruction algorithms. The stagewise weak orthogonal matching pursuit (SWOMP) algorithm, which does not require sparsity, is an improved algorithm. The measurement matrix selects Gaussian matrix, but its reconstruction effect is not ideal. Aiming at the shortcomings of the algorithm, the algorithm is optimized by combining the electron probe image. This optimization takes full advantage of the Fourier matrix and adjusts the number of iterations and threshold parameters. Firstly, the commonly used matrix is tested several times to find the best quality measurement matrix—Fourier orthogonal matrix. Secondly, the iteration number and threshold are modified to find the best parameter matching to improve the reconstruction quality of the algorithm. The experimental results show that the proposed method has better reconstruction effect on the electron probe image and achieves the super-resolution recovery requirement. The reconstructed image quality is higher than the original one.

Key words: image processing, compressed sensing, electron probe, super-resolution reconstruction, orthogonal matching pursuit

金安安, 丁双双, 熊卿智, 许婷婷, 习淑萍, 马继忠. 基于SWOMP算法的EPMA影像优化重构[J]. 计算机与现代化, 2020, 0(12): 104-111.

JIN An-an, DING Shuang-shuang, XIONG Qing-zhi, XU Ting-ting, XI Shu-ping, MA Ji-zhong. Optimization Reconstruction of EPMA Image Based on SWOMP Algorithm[J]. Computer and Modernization, 2020, 0(12): 104-111.

参考文献

［1］ NYQUIST H. Certain topics in telegraph transmission theory［J］. Proceedings of the IEEE, 2002,90(2):280-305.
［2］龚沿东. 电子探针 (EPMA) 简介［J］. 电子显微学报, 2010,29(6):578-580.
［3］ DONOHO D L. Compressed sensing［J］. IEEE Transactions on Information Theory, 2006,52(4):1289-1306.
［4］ CANDES E J, ROMBERG J, TAO T. Robust uncertainty principles: Exact signal reconstruction from highly incomplete frequency information［J］. IEEE Transactions on Information Theory, 2006,52(2):489-509.
［5］ BARANIUK R G. Compressive sensing［J］. IEEE Signal Processing Magazine, 2007,24(4):118-120.
［6］ CANDES E. Compressive sampling［C］// Proceedings of the 2006 International Congress of Mathematicians. 2006:1433-1452.
［7］ LUSTIG M, DONOHO D L, PAULY J M. Sparse MRI: The application of the 2006 compressed sensing for rapid MR imaging［J］. Magnetic Resonance in Medicine, 2007,58(6):1182-1195.
［8］ LUSTIG M, DONOHO D L, SANTOS J M, et al. Compressed sensing MRI［J］. IEEE Signal Processing Magazine, 2008,25(2):72-82.
［9］〖JP+1〗CUKUR T. Accelerated phase-cycled SSFP imaging with compressed sensing［J］. IEEE Transactions on Medical Imaging, 2015,34(1):107-115.
［10］LI X W, LAN X G, YANG M, et al. Efficient lossy compression for compressive sensing acquisition of images in compressive sensing imaging systems［J］. Sensors, 2014,14(12):23398-23418.
［11］LIU J H, XU S K, GAO X Z, et al. Compressive radar imaging methods based on fast smoothed L0 algorithm［J］. Procedia Engineering, 2012,29:2209-2213.
［12］WU Q S, ZHANG Y M D, AHMAD F, et al. Compressive-sensing-based high-resolution polarimetric through-the-wall radar imaging exploiting target characteristics［J］. IEEE Antennas and Wireless Propagation Letters, 2015,14:1043-1047.
［13］LI S Y, ZHAO G Q, LI H M, et al. Near-field radar imaging via compressive sensing［J］. IEEE Transactions on Antennas and Propagation, 2015,63(2):828-833.
［14］COSKUN A F, SENCAN I, SU T W, et al. Lensless wide-field fluorescent imaging on a chip using compressive decoding of sparse objects［J］. Optics Express, 2010,18(10):10510-10523.
［15］DUARTE M F, DAVENPORT M A, TAKHAR D, et al. Single-pixel imaging via compressive sampling［J］. IEEE Signal Processing Magazine. 2008,25(2):83-91.
［16］LUO Y, ZHANG Q, HONG W, et al. Waveform design and high-resolution imaging of cognitive radar based on compressive sensing［J］. Science China (Information Sciences), 2012,55(11):2590-2603.
［17］HAUPT J, BAJWA W U, RABBAT M, et al. Compressed sensing for networked data［J］. IEEE Signal Processing Magazine, 2008,25(2):92-101.
［18］王强,张培林,王怀光,等. 压缩感知中测量矩阵构造综述［J］. 计算机应用, 2017,37(1):188-196.
［19］BLUMENSATH T, DAVIES M E. Stagewise weak gradient pursuits［J］. IEEE Transactions on Signal Processing, 2009,57(11):4333-4346.
［20］石曼曼,李雷,徐静妹. 基于模糊阈值的回溯分段弱正交匹配追踪算法［J］. 电视技术, 2018,42(2):5-9.
［21］贺绍琪,崔建峰,史文武,等. 部分哈达玛矩阵分段弱正交匹配追踪算法［J/OL］. 计算机辅助设计与图形学学报, 2020,32(8):1342-1348［2020-08-23］. http://kns.cnki.net/kcms/detail/11.2925.TP.20200609.0954.002.html.
［22］王烈,罗文,秦伟萌. 分段弱选择自适应正交匹配追踪算法［J］. 计算机工程与设计, 2018,39(12):3767-3773.
［23］王顶,吴玥瑶,曹旺辉,等. 基于Dice匹配的SWOMP压缩感知重构算法［J］. 西北工业大学学报, 2017,35(5):774-779.
［24］侯成艳. 基于Dice系数的压缩感知重构算法研究及其应用［D］. 合肥:安徽大学, 2019.
［25］江晓林,唐征宇,渠苏苏. 基于SWOMP分段回溯的压缩感知改进算法［J］. 黑龙江科技大学学报, 2019,29(4):501-505.
［26］ZHANG Y Y, SUN G L. Stagewise arithmetic orthogonal matching pursuit［J］. International Journal of Wireless Information Networks, 2018,25(2):221-228.
［27］CANDES E J, TAO T. Decoding by linear programming［J］. IEEE Transactions on Information Theory, 2005,51(12):4203-4215.
［28］陈秋芳,祖兴水,李宝清. 一种自适应的弱选择压缩采样匹配追踪算法［J］. 电子设计工程, 2016,24(11):150-153.
［29］吴赟. 压缩感知测量矩阵的研究［D］. 西安:西安电子科技大学, 2012.
［30］DONOHO D L, TSAIG Y, DRORI I, et al. Sparse solution of underdetermined systems of linear equations by stagewise orthogonal matching pursuit［J］. IEEE Transactions on Information Theory, 2012,58(2):1094-1121.
［31］姚瑶. 匹配追踪和基追踪算法在薄储层反演中的研究与应用［D］. 成都:成都理工大学, 2019.
［32］雷丽婷,李刚,蒋常升,等. 基于CS的稀疏度变步长自适应压缩采样匹配追踪算法［J］. 计算机应用与软件, 2020,37(08):260-264.
［33］徐志强,蒋铁钢,杨立波. 基于随机支撑挑选的广义正交匹配追踪算法［J］. 计算机应用, 2020,40(4):1104-1108.
［34］钱秋亮,董宝伟,邵馨叶,等. 基于余弦相似度的正交匹配追踪算法研究［J］. 数据通信, 2020(3):4-6.
［35］WEN J M, ZHANG R, YU W. Signal-dependent performance analysis of orthogonal matching pursuit for exact sparse recovery［J］. IEEE Transactions on Signal Processing, 2020，68:5031-5046.
［36］荣光李,黄尉. 基于子空间追踪算法的稀疏子空间聚类［J］. 合肥工业大学学报(自然科学版), 2019,42(7):999-1004.
［37］李雪晴,丁佳静,武雪姣. 稀疏度自适应分段正交匹配追踪算法改进［J］. 软件工程, 2019,22(7):6-8.
［38］ZHANG L M, PAN F Z. A new method of images super-resolution restoration by neural networks［C］// Proceedings of the 9th International Conference on Neural Information Processing. IEEE, 2002,5: 2414-2418.
［39］〖KG-*5〗SUNDARESHAN M K. Computationally efficient image restoration and super-resolution algorithms for real-time implementation［C］// Proceedings of SPIE - The International Society for Optical Engineering 4719. 2002:306-317.

[1]	卢梓菡1, 张东1, 杨艳1, 杨双2. 基于生成对抗网络的乳腺癌免疫组化图像生成[J]. 计算机与现代化, 2024, 0(03): 92-96.
[2]	邢世帅, 刘丹凤, 王立国, 潘月涛, 孟灵鸿, 岳晓晗. 基于空间注意力残差网络的图像超分辨率重建模型[J]. 计算机与现代化, 2023, 0(10): 45-52.
[3]	叶力鸣, 陈蔚文. 一种结合语义分割和目标检测的级联式绝缘子缺陷检测方法[J]. 计算机与现代化, 2023, 0(06): 82-88.
[4]	刘志飞, 朱尚超, 魏战红, 臧一鸣, 孙文韬, 胡冠时. 基于IBM Qiskit的量子图像伪彩色增强方法[J]. 计算机与现代化, 2023, 0(04): 47-55.
[5]	朱卓樾, 黄欢, 宋清玲, 侯居攀. 基于心血管核磁共振图像的房室平面位移检测与重建[J]. 计算机与现代化, 2023, 0(04): 78-82.
[6]	李四杰, 唐清善, 高英华. 基于GMS和改进最佳缝合线的视差图像拼接算法[J]. 计算机与现代化, 2022, 0(12): 95-101.
[7]	丁婉莹, 陈伟, 李昭慧. 基于编解码结构的多特征融合眼底图像分割[J]. 计算机与现代化, 2022, 0(07): 1-7.
[8]	杜鑫昌, 高瑜翔, 曹远杰, 张皓, 刘海波. 改进混沌方程及压缩感知理论图像加密算法[J]. 计算机与现代化, 2022, 0(04): 115-120.
[9]	张连娜, 张慧萍, 李荣鹏, 宋学力. 基于二次筛选的回溯广义正交匹配追踪算法的稀疏信号重构[J]. 计算机与现代化, 2022, 0(03): 111-115.
[10]	陈勋豪, 杨莹, 黄俊茹, 孙玉宝. 基于多尺度融合网络的视频快照压缩感知重建[J]. 计算机与现代化, 2021, 0(12): 58-64.
[11]	冯洋. 基于小波包变换的红外弱小目标检测[J]. 计算机与现代化, 2020, 0(12): 112-115.
[12]	张蕾, 崔娟娟, 李晶晶. WSN中基于压缩感知的分簇数据收集算法[J]. 计算机与现代化, 2020, 0(09): 1-5.
[13]	张辉, 余厚云, 李克斌. 基于机械臂的涡轮壳零件表面质量视觉检测[J]. 计算机与现代化, 2020, 0(07): 121-126.
[14]	付磊,任德均,胡云起,郜明,邱吕. 基于ResNet网络的医用塑瓶制造缺陷检测方法[J]. 计算机与现代化, 2020, 0(04): 104-.
[15]	卢爱平，李盼池. 基于混沌序列的量子图像加密方案[J]. 计算机与现代化, 2020, 0(03): 86-.