[PYTHON] Wiederholte gewichtete Reduktionsmethode

Das iterativ neu gewichtete Schrumpfen (IRS) im Sparse-Buch der Reihe Machine Learning Professional schien einfach zu sein, daher habe ich es in die sequentielle ungefähre Bildrekonstruktion einbezogen.

Einzelheiten zur iterativen gewichteten Reduktionsmethode 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

Es gibt viele Möglichkeiten, die Regularisierung in die sequentielle Approximationsbildrekonstruktion einzubeziehen, aber ich habe den einfachsten OSL-Algorithmus (One Step Late) von Green verwendet, der am einfachsten ist.

Weitere Informationen zu OSL http://www.maths.bris.ac.uk/~mapjg/papers/spect-TMI90.pdf

Der im Experiment verwendete Quellcode ist https://github.com/kibo35/reconstruction/blob/master/MAP/osl.py

Versuchsergebnis

Die Anzahl pro Scheibe beträgt 2M. Die Bildgröße beträgt 160 x 160. Die sequentielle Approximation besteht aus 10 Hauptiterationen und 10 Teilmengen. Der FBP-Filter ist eine Rampe.

Der Index ist der quadratische mittlere quadratische Fehler (RMSE) mit dem Phantombild. Die Parameter sind angemessen, aber ...

Filter ist die halbe Preisbreite des zum Glätten verwendeten Gaußschen Filters. β ist eine Konstante, die die Stärke des Regularisierungsterms anpasst.

OSL-IRS hat ein flaches Bild, das wie eine L1-Regularisierung aussieht. Der Pixelwert im weißen Bereich am äußeren Rand des Phantoms fällt nicht ab, und die Innenseite des Phantoms ist flach.