[發(fā)明專利]一種二維電容層析成像的圖像重建方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202110356534.8
• 申請(qǐng)日: 2021-04-01
• 公開（公告）號(hào): CN113012253A
• 公開（公告）日: 2021-06-22
• 發(fā)明（設(shè)計(jì)）人: 李明禹;王莉莉;陳德運(yùn)
• 申請(qǐng)（專利權(quán)）人: 哈爾濱理工大學(xué)
• 主分類號(hào): G06T11/00
• 分類號(hào): G06T11/00
• 代理公司: 北京國(guó)坤專利代理事務(wù)所(普通合伙) 11491
• 代理人: 馬雯

本發(fā)明屬于過(guò)程性層析成像領(lǐng)域，尤其是一種二維電容層析成像的圖像重建方法，針對(duì)現(xiàn)有的ECT技術(shù)當(dāng)前仍然存在很多難點(diǎn)，比如ECT系統(tǒng)的非線性和逆問(wèn)題求解，體現(xiàn)在圖像重建上就是其成像精度不高、與原流型不符的問(wèn)題，現(xiàn)提出如下方案，其包括以下步驟：S1、通過(guò)電容傳感器陣列得到測(cè)量數(shù)據(jù)；S2、對(duì)測(cè)量數(shù)據(jù)進(jìn)行預(yù)處理；S3、確定截?cái)嘀担籗4、對(duì)構(gòu)造出來(lái)的Hankel矩陣進(jìn)行奇異值分解；S5、對(duì)構(gòu)造出來(lái)的矩陣進(jìn)行反對(duì)角線取平均值，S6、得到去噪后的矩陣；S7、引入EIV模型；S8、得到重建圖像。本發(fā)明的有益效果是：可以最大程度的保留數(shù)據(jù)的特征，提高算法的重建精度，并且去除多余噪聲，使得算法更加接近真實(shí)值。

技術(shù)領(lǐng)域

本發(fā)明涉及過(guò)程性層析成像技術(shù)領(lǐng)域，尤其涉及一種二維電容層析成像的圖像重建方法。

背景技術(shù)

電容層析成像技術(shù)作為一種極具開發(fā)潛力的兩相流檢測(cè)技術(shù)，從20世紀(jì)80年代開始即成為國(guó)內(nèi)外科研人員的研究熱點(diǎn)，目前已經(jīng)積累了相當(dāng)多的研究經(jīng)驗(yàn)，ECT技術(shù)是屬于過(guò)程性層析成像技術(shù)的一種，正是以其非侵入、低成本、實(shí)時(shí)性強(qiáng)、操作簡(jiǎn)單等優(yōu)點(diǎn)，在兩相流參數(shù)檢測(cè)中應(yīng)用廣泛。

但是ECT技術(shù)當(dāng)前仍然存在很多難點(diǎn)，比如ECT系統(tǒng)的非線性和逆問(wèn)題求解，體現(xiàn)在圖像重建上就是其成像精度不高、與原流型不符，因此如何降低非線性的影響，是目前亟待解決的技術(shù)難題，所以我們提出一種二維電容層析成像的圖像重建方法，用以解決上述所提到的問(wèn)題。

發(fā)明內(nèi)容

本發(fā)明的目的是為了解決現(xiàn)有技術(shù)中存在的缺點(diǎn)，而提出的一種二維電容層析成像的圖像重建方法。

為了實(shí)現(xiàn)上述目的，本發(fā)明采用了如下技術(shù)方案：

一種二維電容層析成像的圖像重建方法，包括以下步驟：

S1、通過(guò)電容傳感器陣列得到測(cè)量數(shù)據(jù)；

S2、對(duì)測(cè)量數(shù)據(jù)進(jìn)行預(yù)處理；

S3、確定截?cái)嘀担?/p>

S4、對(duì)構(gòu)造出來(lái)的Hankel矩陣進(jìn)行奇異值分解；

S5、對(duì)構(gòu)造出來(lái)的矩陣進(jìn)行反對(duì)角線取平均值，

S6、得到去噪后的矩陣；

S7、引入EIV模型；

S8、得到重建圖像。

優(yōu)選地，所述步驟S3中可以利用ROC曲線確定最佳截?cái)嘀怠?/p>

優(yōu)選地，所述步驟S4中可以重新構(gòu)造出一維信號(hào)。

優(yōu)選地，所述步驟S4中奇異值分解的具體方法為，在系數(shù)矩陣中截?cái)噍^小的奇異值之后，通過(guò)剩余較大的奇異值和相應(yīng)的特征向量進(jìn)行參數(shù)重建。

優(yōu)選地，所述步驟S7中的EIV模型不僅考慮到了觀測(cè)數(shù)據(jù)的誤差，而且還考慮到了系數(shù)矩陣的誤差，使用這個(gè)模型有望能夠使得算法更加接近真實(shí)值。

優(yōu)選地，所述步驟S4中使用總體最小二乘法，總體最小二乘法是普通最小二乘法結(jié)構(gòu)的進(jìn)一步改進(jìn)。

普通最小二乘法的模型為：C＝SG+Δ

其中C為n*1維觀測(cè)向量，S為n*m維系數(shù)矩陣，G為m*1維未知向量，Δ為n*1維的觀測(cè)向量誤差。

普通最小二乘法只考慮到了觀測(cè)數(shù)據(jù)的誤差，并未考慮系數(shù)矩陣存在的誤差，而總體最小二乘法能夠同時(shí)兼顧自變量和因變量方向上的誤差，從而使其達(dá)到整體最優(yōu)解。

引入總體最小二乘平差函數(shù)模型：(C+Δc)＝(S+Δs)G

其中Δc、Δs分別是觀測(cè)向量的隨機(jī)誤差和系數(shù)矩陣的隨機(jī)誤差，其隨機(jī)模型為：