一種基于稀疏數(shù)據(jù)的超聲信號(hào)重建方法
【專利摘要】本發(fā)明涉及一種基于稀疏數(shù)據(jù)的超聲信號(hào)重建方法，屬于壓縮傳感【技術(shù)領(lǐng)域】。首先以Gabor原子庫作為超聲信號(hào)的稀疏變換域，利用測(cè)量矩陣對(duì)超聲信號(hào)進(jìn)行非線性變換得到測(cè)量值；根據(jù)測(cè)量值和傳感矩陣，由正交匹配追蹤算法重建出原始信號(hào)；本發(fā)明引入人工魚群算法對(duì)正交匹配追蹤算法進(jìn)行優(yōu)化，可減少內(nèi)積計(jì)算的次數(shù)，提高計(jì)算的速度。該方法具有重構(gòu)精度高，計(jì)算速度快的特點(diǎn)，可用于數(shù)據(jù)壓縮、傳輸、存儲(chǔ)及高分辨率成像等領(lǐng)域。
【專利說明】一種基于稀疏數(shù)據(jù)的超聲信號(hào)重建方法【技術(shù)領(lǐng)域】:
[0001]本發(fā)明涉及一種基于稀疏數(shù)據(jù)的超聲信號(hào)重建方法，基于壓縮傳感理論重建超聲信號(hào)，并引入人工魚群算法對(duì)正交匹配追蹤算法進(jìn)行優(yōu)化，屬于壓縮傳感【技術(shù)領(lǐng)域】。
【背景技術(shù)】:
[0002]由于超聲波頻率高，按常規(guī)奈奎斯特采樣定理對(duì)其數(shù)字化后會(huì)帶來數(shù)據(jù)量巨大的問題，特別是在超聲傳感器陣列、超聲相控陣及高分辨率等應(yīng)用場(chǎng)合，嚴(yán)重制約了其應(yīng)用。近年來興起的壓縮傳感思想為解決上述問題提供了新思路。壓縮傳感的概念由Candes和Donoho于2006年首次提出，主要思想為壓縮和采樣同時(shí)進(jìn)行，首先利用測(cè)量矩陣壓縮采樣得到信號(hào)的測(cè)量值，然后根據(jù)信號(hào)的稀疏性或者可壓縮性，由測(cè)量值通過求解最優(yōu)化問題精確重建信號(hào)。壓縮傳感的測(cè)量值遠(yuǎn)遠(yuǎn)小于奈奎斯特采樣數(shù)據(jù)，突破了奈奎斯特采樣定理的瓶頸，使得高分辨率信號(hào)的采集成為可能。
[0003]目前，國內(nèi)外在壓縮傳感的超聲波領(lǐng)域開展了一些研究。Celine等根據(jù)圖像在傅里葉變換域的稀疏性，將壓縮傳感應(yīng)用于3D超聲圖像(Celine Q, F d VieillevillejABasarabj D Kouame.Compressed sensing of ultrasound single—orthant analyticalsignals.1EEE International Ultrasonics Symposium Proceedings, 2011.1419-1422.),減少了采樣數(shù)據(jù)和時(shí)間，又根據(jù)超聲信號(hào)的解析形式增加圖像的稀疏度，進(jìn)一步減少了采樣數(shù)據(jù)。Celine等還將伯努利_高斯先驗(yàn)性應(yīng)用于超聲圖像的傅里葉變換域以保證稀疏度，根據(jù)超聲圖像的統(tǒng)計(jì)特性，定義其在頻域的先驗(yàn)稀疏度，提出了超聲圖像的貝葉斯重建算法(Celine Qj N Dobigeonj A Basarabj D Kouame, J Y Tourneret.BAYESIAN COMPRESSEDSENSING IN ULTRASOUND IMAGING.1EEE International Workshop on ComputationalAdvances in Mult1-Sensor Adaptive Processing，2011.101-104.)，不需要調(diào)整參數(shù)且可以估計(jì)圖像的頻域稀疏度。Sulieman等將壓縮傳感應(yīng)用于多普勒超聲信號(hào)的研究，對(duì)信號(hào)進(jìn)行隨機(jī)釆樣和非均勻釆樣，通過求解最小I1范數(shù)問題重建信號(hào)，結(jié)果表明兩種釆樣方法下的重建效果相當(dāng)(Sulieman M S，Zobly.Yasser M，Kakah.Compressed SensingiDopplerUltrasound Signal Recovery by Using Non-uniform SampIing&Random Sampling.28thNational Radio Science Conference, National Telecommunication Institute, Egypt,April26-28，2011.)。沈民奮等提出了一種基于分布式壓縮傳感的波束接收方法，以隨機(jī)向量形式返回的信號(hào)投影作為測(cè)量值，由自適應(yīng)波束算法重建高分辨率超聲圖像，顯著降低了米樣步頁率(Shen M F，Zhang Qj Yang J Y.A Novel Receive Beamforming Approach ofUltrasound Signals Based on Distributed Compressed Sensing.1EEE.201L 1-5.)。李德來等對(duì)超聲醫(yī)學(xué)圖像進(jìn)行小波變換，以結(jié)構(gòu)化隨機(jī)矩陣為測(cè)量矩陣，由梯度投影算法很好地重建了圖像(Li D Lj Zhang Qj Shen H H，Shi J B，Shen M F.The Application ofCompressed Sensing based on Wavelet in the Reconstruction of Ultrasonic MedicalImage.1EEE Mechanic Automation and Control Engineering.2011.5350-5353.)。
[0004]這些都是對(duì)壓縮傳感在超聲信號(hào)或圖像的具體應(yīng)用領(lǐng)域的研究，稀疏變換域多為標(biāo)準(zhǔn)正交基，或者根據(jù)超聲信號(hào)或圖像的具體性質(zhì)提出相應(yīng)的稀疏變換基。但是他們并沒有對(duì)超聲信號(hào)在冗余字典下的壓縮傳感進(jìn)行研究。研究表明冗余字典的稀疏表示效果優(yōu)于標(biāo)準(zhǔn)正交基，但是冗余字典會(huì)帶來計(jì)算量巨大的問題。本發(fā)明重點(diǎn)研究了超聲信號(hào)在Gabor原子庫下的壓縮傳感，另外還應(yīng)用人工魚群算法對(duì)正交匹配追蹤算法進(jìn)行了優(yōu)化，成功解決了計(jì)算量巨大的問題，并且顯著提高了超聲信號(hào)的重建精度。

【發(fā)明內(nèi)容】
:
[0005]本發(fā)明提供了一種基于稀疏數(shù)據(jù)的超聲信號(hào)重建方法，該方法鑒于壓縮傳感理論，以Gabor原子庫為稀疏變換域，通過正交匹配追蹤算法對(duì)超聲信號(hào)進(jìn)行了重建。為了克服Gabor原子庫帶來的計(jì)算量巨大、重建速度緩慢的問題，應(yīng)用人工魚群算法優(yōu)化正交匹配追蹤算法，顯著提高了超聲信號(hào)的重建精度和速度。
[0006]本發(fā)明提供了一種基于稀疏數(shù)據(jù)的超聲信號(hào)重建方法，具體步驟如下:
[0007](I)超聲信號(hào)f，測(cè)量矩陣Φ，通過測(cè)量矩陣Φ對(duì)超聲信號(hào)f進(jìn)行非線性變換，得到測(cè)量值Y=Of ;
[0008](2)初始化:測(cè)量值余量r°=y,稀疏信號(hào)s°= Φ ,索引集 °= φ，迭代次數(shù)η=1 ；
[0009](3)應(yīng)用人工魚群算法優(yōu)化計(jì)算測(cè)量值余量產(chǎn)1和傳感矩陣
【權(quán)利要求】
1.一種基于稀疏數(shù)據(jù)的超聲信號(hào)重建方法，其特征在于:包括如下步驟: (1)超聲信號(hào)f，測(cè)量矩陣Φ，通過測(cè)量矩陣Φ對(duì)超聲信號(hào)f進(jìn)行非線性變換，得到測(cè)量值Y=Of ； (2)初始化:測(cè)量值余量r°=y，稀疏信號(hào)8°=Φ，索引集°=φ，迭代次數(shù)η=1； (3)應(yīng)用人工魚群算法優(yōu)化計(jì)算測(cè)量值余量r11—1和傳感矩陣φ
2.根據(jù)權(quán)利要求1中所述的一種基于稀疏數(shù)據(jù)的超聲信號(hào)重建方法，其特征在于:應(yīng)用人工魚群算法優(yōu)化計(jì)算測(cè)量值余量r11和傳感矩陣Φ = ΦΨ每一列的內(nèi)積απ[/] = φ[/] 1，進(jìn)行如下優(yōu)化:Gabor原子的時(shí)頻參數(shù)Y = (s，u，v，w)為待尋優(yōu)參數(shù),測(cè)量值余量rn與傳感矩陣φ (p4列的內(nèi)積的絕對(duì)值為目標(biāo)函數(shù)；Gabor原子庫的時(shí)頻參數(shù)Y(s, U，V, w)的定義域不同,其中 l<s<N，0<ui^N,0i^v<23i,0i^wi^23i,人工魚群算法中的s、u、v、w各自的視野和移動(dòng)的最大步長的設(shè)置也不同，s、u的視野和移動(dòng)的最大步長分別記為Visuala、Stepa, v、w的視野和移動(dòng)的最大步長分別記為Visualb、Stepb。具體步驟為: Cl)初始化設(shè)置:人工魚總數(shù)Na, s、u的視野和移動(dòng)的最大步長Visuala、Stepa, v、w的視野和移動(dòng)的最大步長Visualb、Stepb;嘗試次數(shù)Try_number,擁擠度因子δ ,人工魚群行為次數(shù)L ； (2)設(shè)置人工魚初始行為次數(shù)num=0,在控制變量定義域內(nèi)隨機(jī)形成初始魚群； (3)計(jì)算各條人工魚當(dāng)前位置的食物濃度值
3.根據(jù)權(quán)利要求1或2中所述一種基于稀疏數(shù)據(jù)的超聲信號(hào)重建方法，其特征在于:的應(yīng)用人工魚群算法優(yōu)化計(jì)算測(cè)量值余量rn和傳感矩陣Φ = ΦΨ每一列的內(nèi)積
【文檔編號(hào)】G06T9/00GK103679762SQ201310681384
【公開日】2014年3月26日 申請(qǐng)日期:2013年12月13日 優(yōu)先權(quán)日:2013年12月13日
【發(fā)明者】宋壽鵬, 耿偉, 路欣, 胥保文, 潘海彬, 趙騰飛, 鮑丙好 申請(qǐng)人:江蘇大學(xué)