基于AO 的太阳图像重建技术及MCBD 算法研究

22基于深度学习的图像超分辨率重建的流程如下[2]：1.首先找到一组原始图像Image1;2.将这组图片降低分辨率为一组图像Image23.通过各种神经网络结构，将Image2超分辨率重建为Image3(Image3和Image1分辨率一样)4.通过PSNR等方法比较Image1和Image3，验证超分辨率重建的效果，根据效果调节神经网络中的节点和参数5.反复执行以上直到第4步的结果比较满意

本人之前一直在学习医学图像超分辨率重建，这是2016发表在CVPR上的少有的关于超分的文章，经过一段时间的学习制作了这个PPT，可以用来课程演示或者自己对超分重建的学习。

为了探测工作面内煤层的构造发育情况,利用槽波波速CT成像技术对工作面内的煤层进行CT成像。首先根据每条槽波射线的波速情况,反演出工作面内煤层的物性参数,再通过改进代数重建算法(ART)对工作面中的煤层进行槽波波速CT成像。应用结果表明,工作面内地质构造预测结果与实际情况吻合较好。

目的压缩感知理论突破了传统的Shanon-Nyquist采样定理的限制,能够以较少的采样值来进行原信号的恢复。针对压缩感知图像重建问题,提出一种基于优化加权全变差(TV)的复合正则化压缩感知图像重建模型。方法提出的重建模型是以TV正则化模型为基础。首先,为克服传统TV正则化会导致重建图像的边缘和纹理细节部分模糊或丢失的缺点,引入图像的梯度信息估计权重,构建加权TV的重建模型。其次,利用全变差去噪(ROF)模型对权重进行优化估计,从而减少计算权重时受噪声的影响。再次,将非局部结构相似性先验和局部自回归性先验引入提出的加权TV模型,得到优化加权TV的复合正则化重建模型。最后,结合投影法和算子分裂法对优化模型求解。结果针对自然图像的不同特性,使用复合正则化先验进行建模,实验结果表明上述重建问题通过本文方法得到了很好的解决,加权TV正则化先验使得图像的平坦区域和强边重建较好,而非局部结构相似性先验和局部自回归性先验能够保证图像的精细结构部分的重建效果。结论与其他基于TV正则化的重建模型相比,本文模型的重建性能无论是在视觉效果还是在客观评价指标上都有明显的提高。

针对电学层析成像技术的反问题求解，提出一种新的正则化图像重建算法及正则参数选择方法．采用最小二乘拟合法构建正则参数与评价参数的 Matlab 数学模型，取极值获得正则参数值；利用 COMSOL Multiphysics 建立仿真场域，最后利用 Matlab 求解反问题，重建图像．通过对重建图像及评价参数的对比分析，验证了方法的有效性．结果表明，所用方法及正则参数能够有效改善反问题的病态性，使反问题的求解质量最优．

本人19级研究生，研究方向为MRI图像重建，在入门阶段，查阅了很多关于MRI基本的原理和MRI重建技术，以此为契机总结了这份简单易懂的ppt，希望对所有MRI图像处理的同行者有所帮助！

【图像处理】基于ART算法实现图像重建matlab源码.zip

Image reconstruction by domain-transform manifold learning

压缩感知MRI 医学成像中的图像处理项目-使用压缩传感（CS）框架进行MR图像重建的实验。 本质上将目标函数建模为具有数据保真度项和两个正则化参数（水平和垂直有限差分）的降噪问题。 我实现的求解器是迭代软阈值算法（ISTA），但显然可以使用其他迭代算法。 最好使用无矩阵的方法进行图像处理。 即使与MATLAB相比，ISTA在Python中的运行速度也很慢。 我尝试使用numba jit，但是并没有加快速度。 也许C包装程序会有所帮助（可以尝试将来）。 幸运的是，成本函数在22-25次迭代中收敛。 最初尝试理解CS的概念时，我主要依靠Miki Lustig教授的讲座材料和演示。 我使用的数据也可以从他的网站获得： :