Компрессивное зондирование: томографическая реконструкция с априорным предположением L1 (Lasso)

В этом примере показано восстановление изображения по набору параллельных проекций, полученных под разными углами. Такой набор данных получают при компьютерной томографии (КТ).

Без какой-либо априорной информации об образце количество проекций, необходимых для восстановления изображения, имеет порядок линейного размера l изображения (в пикселях). Для простоты рассмотрим разреженное изображение, в котором ненулевые значения имеют только пиксели на границах объектов. Такие данные могут, например, соответствовать ячеистому материалу. Однако следует отметить, что большинство изображений являются разреженными в другом базисе, например в базисе вейвлетов Хаара. Получено всего l/7 проекций, поэтому необходимо использовать априорную информацию об образце (его разреженность): это пример компрессивного зондирования.

Операция проецирования в томографии является линейным преобразованием. Помимо слагаемого, отвечающего за соответствие данных и соответствующего линейной регрессии, мы штрафуем L1-норму изображения, чтобы учесть его разреженность. Полученная задача оптимизации называется Lasso. Мы используем класс Lasso, в котором применяется алгоритм покоординатного спуска. Важно отметить, что эта реализация вычислительно эффективнее при работе с разреженной матрицей, чем используемый здесь оператор проецирования.

Реконструкция со штрафом L1 не имеет ошибок (всем пикселям успешно присвоено значение 0 или 1), даже если к проекциям был добавлен шум. Для сравнения, штраф L2 (Ridge) приводит к большому числу ошибок разметки пикселей. В отличие от штрафа L1, на восстановленном изображении наблюдаются значительные артефакты. В частности, обратите внимание на круговой артефакт, отделяющий пиксели в углах, которые участвовали в меньшем числе проекций, чем центральный диск.

# Authors: The scikit-learn developers
# SPDX-License-Identifier: BSD-3-Clause

import matplotlib.pyplot as plt
import numpy as np
from scipy import ndimage, sparse

from sklearn.linear_model import Lasso, Ridge


def _weights(x, dx=1, orig=0):
    x = np.ravel(x)
    floor_x = np.floor((x - orig) / dx).astype(np.int64)
    alpha = (x - orig - floor_x * dx) / dx
    return np.hstack((floor_x, floor_x + 1)), np.hstack((1 - alpha, alpha))


def _generate_center_coordinates(l_x):
    X, Y = np.mgrid[:l_x, :l_x].astype(np.float64)
    center = l_x / 2.0
    X += 0.5 - center
    Y += 0.5 - center
    return X, Y


def build_projection_operator(l_x, n_dir):
    """Compute the tomography design matrix.

    Parameters
    ----------

    l_x : int
        linear size of image array

    n_dir : int
        number of angles at which projections are acquired.

    Returns
    -------
    p : sparse matrix of shape (n_dir l_x, l_x**2)
    """
    X, Y = _generate_center_coordinates(l_x)
    angles = np.linspace(0, np.pi, n_dir, endpoint=False)
    data_inds, weights, camera_inds = [], [], []
    data_unravel_indices = np.arange(l_x**2)
    data_unravel_indices = np.hstack((data_unravel_indices, data_unravel_indices))
    for i, angle in enumerate(angles):
        Xrot = np.cos(angle) * X - np.sin(angle) * Y
        inds, w = _weights(Xrot, dx=1, orig=X.min())
        mask = np.logical_and(inds >= 0, inds < l_x)
        weights += list(w[mask])
        camera_inds += list(inds[mask] + i * l_x)
        data_inds += list(data_unravel_indices[mask])
    camera_inds = np.array(camera_inds, dtype=np.int32)  # lasso needs int32 inds
    data_inds = np.array(data_inds, dtype=np.int32)
    proj_operator = sparse.coo_array((weights, (camera_inds, data_inds)))
    return proj_operator


def generate_synthetic_data():
    """Synthetic binary data"""
    rs = np.random.RandomState(0)
    n_pts = 36
    x, y = np.ogrid[0:l, 0:l]
    mask_outer = (x - l / 2.0) ** 2 + (y - l / 2.0) ** 2 < (l / 2.0) ** 2
    mask = np.zeros((l, l))
    points = l * rs.rand(2, n_pts)
    mask[(points[0]).astype(int), (points[1]).astype(int)] = 1
    mask = ndimage.gaussian_filter(mask, sigma=l / n_pts)
    res = np.logical_and(mask > mask.mean(), mask_outer)
    return np.logical_xor(res, ndimage.binary_erosion(res))


# Generate synthetic images, and projections
l = 128
proj_operator = build_projection_operator(l, l // 7)
data = generate_synthetic_data()
proj = proj_operator @ data.ravel()[:, np.newaxis]
proj += 0.15 * np.random.randn(*proj.shape)

# Reconstruction with L2 (Ridge) penalization
rgr_ridge = Ridge(alpha=0.2)
rgr_ridge.fit(proj_operator, proj.ravel())
rec_l2 = rgr_ridge.coef_.reshape(l, l)

# Reconstruction with L1 (Lasso) penalization
# the best value of alpha was determined using cross validation
# with LassoCV
rgr_lasso = Lasso(alpha=0.001)
rgr_lasso.fit(proj_operator, proj.ravel())
rec_l1 = rgr_lasso.coef_.reshape(l, l)

plt.figure(figsize=(8, 3.3))
plt.subplot(131)
plt.imshow(data, cmap=plt.cm.gray, interpolation="nearest")
plt.axis("off")
plt.title("original image")
plt.subplot(132)
plt.imshow(rec_l2, cmap=plt.cm.gray, interpolation="nearest")
plt.title("L2 penalization")
plt.axis("off")
plt.subplot(133)
plt.imshow(rec_l1, cmap=plt.cm.gray, interpolation="nearest")
plt.title("L1 penalization")
plt.axis("off")

plt.subplots_adjust(hspace=0.01, wspace=0.01, top=1, bottom=0, left=0, right=1)

plt.show()

Общее время выполнения скрипта: (0 минут 0.998 секунды)

Download Jupyter notebook: plot_tomography_l1_reconstruction.ipynb

Download Python source code: plot_tomography_l1_reconstruction.py

Download zipped: plot_tomography_l1_reconstruction.zip

Связанные примеры

Пример структурированной иерархической кластеризации Уорда на изображении монет

Спектральная кластеризация для сегментации изображений

Модели на основе L1 для разреженных сигналов

Lasso для плотных и разреженных данных