[论文解读] Mask Iterative Hard Thresholding Algorithms for Sparse Image Reconstruction of Objects with Known Contour

A. Dogandzic, Renliang Gu+1 more|arXiv (Cornell University)|Dec 2, 2011

Sparse and Compressive Sensing Techniques参考文献 1被引用 8

一句话总结

该论文提出了一种掩码迭代硬阈值（mask IHT）和双超松弛（mask DORE）算法，用于在X射线CT中实现稀疏图像重建，通过将已知物体轮廓信息与小波域中的稀疏性约束相结合。该方法通过利用几何先验和稀疏性先验，在显著减少测量次数的同时实现了优越的重建质量，并确保优化过程中残差误差单调递减。

ABSTRACT

We develop mask iterative hard thresholding algorithms (mask IHT and mask DORE) for sparse image reconstruction of objects with known contour. The measurements follow a noisy underdetermined linear model common in the compressive sampling literature. Assuming that the contour of the object that we wish to reconstruct is known and that the signal outside the contour is zero, we formulate a constrained residual squared error minimization problem that incorporates both the geometric information (i.e. the knowledge of the object's contour) and the signal sparsity constraint. We first introduce a mask IHT method that aims at solving this minimization problem and guarantees monotonically non-increasing residual squared error for a given signal sparsity level. We then propose a double overrelaxation scheme for accelerating the convergence of the mask IHT algorithm. We also apply convex mask reconstruction approaches that employ a convex relaxation of the signal sparsity constraint. In X-ray computed tomography (CT), we propose an automatic scheme for extracting the convex hull of the inspected object from the measured sinograms; the obtained convex hull is used to capture the object contour information. We compare the proposed mask reconstruction schemes with the existing large-scale sparse signal reconstruction methods via numerical simulations and demonstrate that, by exploiting both the geometric contour information of the underlying image and sparsity of its wavelet coefficients, we can reconstruct this image using a significantly smaller number of measurements than the existing methods.

研究动机与目标

• 解决在X射线计算机断层扫描（CT）中，由于传统压缩感知方法缺乏足够先验信息而导致性能不足的问题，实现从有限测量中重建稀疏图像。
• 将已知物体轮廓信息作为几何约束，以超越标准稀疏性方法的重建精度。
• 开发一种自动方案，从测量的反投影图中提取物体的凸包，从而在实际CT应用中实现轮廓信息的实用化。
• 通过引入双超松弛（DORE）加速技术，提升mask IHT算法的收敛性和稳定性。
• 证明结合几何约束与稀疏性可显著减少所需测量次数，同时不牺牲图像质量。

提出的方法

• 建立一个约束残差平方误差最小化问题，通过掩码M强制实现小波域中的信号稀疏性以及已知物体轮廓外的零信号值。
• 提出mask IHT算法，通过在变换域中对最大幅值系数进行阈值处理，同时施加掩码约束，迭代更新稀疏信号估计。
• 通过动态调整步长的松弛参数，应用双超松弛（DORE）方案，加速mask IHT的收敛。
• 开发基于凸松弛的变体（如mask FPC_AS），在相同的几何和稀疏性约束下求解稀疏恢复问题的平滑凸近似。
• 利用测量的反投影图数据自动提取物体的凸包，作为重建过程中掩码M的轮廓。
• 通过证明算法满足涉及感知矩阵谱范数和松弛参数的充分条件，确保残差误差单调递减。

实验结果

研究问题

• RQ1 将已知物体轮廓信息整合到稀疏信号重建中，是否能显著减少CT成像中的测量需求？
• RQ2 与标准压缩感知方法（如DORE和FBP）相比，mask IHT和mask DORE在图像质量和测量效率方面表现如何？
• RQ3 从反投影图中自动提取凸包在多大程度上提升了基于轮廓重建的实用性和鲁棒性？
• RQ4 双超松弛方案是否能有效加速mask IHT算法的收敛，同时保持重建精度？
• RQ5 几何先验与稀疏性先验的结合是否能在有限角度或低剂量CT重建中实现混叠抑制和噪声减少？

主要发现

• mask DORE算法在迭代过程中实现残差平方误差单调非增，确保在给定稀疏度水平下的稳定收敛。
• 数值仿真表明，所提方法可在显著减少测量次数的情况下实现图像重建——与标准DORE和FBP方法相比，所需投影数明显减少。
• 在有限角度场景下（160个投影而非180个），mask DORE能有效校正混叠伪影并降低噪声，图像质量优于标准DORE和FBP。
• 从反投影图中自动提取凸包的方案成功捕获了物体轮廓，实现了无需人工输入即可可靠使用几何约束。
• 使用mask FPC_AS和mask DORE的重建结果非常相似，表明几何约束整合在不同算法框架下均具有鲁棒性。
• 理论分析证实，当松弛参数满足基于谱范数的不等式时，残差误差将单调递减，从而确保收敛稳定性。