Méthode de réduction pondérée répétée

Le rétrécissement itérativement repondéré (IRS) dans le livre Sparse de la série Machine Learning Professional semblait facile, je l'ai donc incorporé dans la reconstruction d'image séquentielle approximative.

Pour plus de détails sur la méthode de réduction pondérée itérative http://www.amazon.co.jp/スパース性に基づく機械学習-機械学習プロフェッショナルシリーズ-冨岡-亮太/dp/4061529102

Il existe de nombreuses façons d'incorporer la régularisation dans la reconstruction d'image d'approximation séquentielle, mais j'ai utilisé l'algorithme One Step Late (OSL) de Green, qui est le plus simple.

Pour plus d'informations sur OSL http://www.maths.bris.ac.uk/~mapjg/papers/spect-TMI90.pdf

Le code source utilisé dans l'expérience est https://github.com/kibo35/reconstruction/blob/master/MAP/osl.py

Résultat expérimental

Le nombre par tranche est de 2M. La taille de l'image est de 160 x 160. L'approximation séquentielle est de 10 itérations principales, 10 sous-ensembles. Le filtre FBP est en rampe.

L'indice est l'erreur quadratique moyenne (RMSE) avec l'image fantôme. Les paramètres sont appropriés, mais ...

filter correspond à la moitié du prix du filtre gaussien utilisé pour le lissage. β est une constante qui ajuste la force du terme de régularisation.

OSL-IRS a une image plate qui ressemble à une régularisation L1. La valeur de pixel dans la zone blanche sur le bord extérieur du fantôme ne baisse pas et l'intérieur du fantôme est plat.