本来想看MRI加速重建最新方向的文章,结果看到一篇加MRI速算法类的。发现里面很多被对比的经典梯度算法。顺便翻了翻高级工程数学,记录下。
一切方法皆源于梯度方法。
**
一阶导数法:
**
梯度方法
最速梯度方法(与梯度发的差别:最速即每次迭代的时候,步长也要一维线性求解,最优步长)
**
二阶导数法:
**
牛顿法**
修正过的牛顿法
下述方法修方向上的步长,解决牛顿法收敛震荡的问题。但是,不能解决F矩阵计算量大,和F可能不正定的问题。
修正搜索步长,解决局部震荡
修正F不正定的情况,仍然是牛顿法
下面还是梯度方法,更高级版的
共轭方向法
不用计算黑森矩阵F
什么是共轭
基本共轭算法:
共轭梯度法
修正版,不用计算黑塞矩阵
方法一:
方法二:
方法三:
拟牛顿法 ------- 不用计算黑塞矩阵
牛顿法缺陷一:为了解决局部震荡,找步长计算大
牛顿法缺陷二:黑塞矩阵计算,和逆黑塞矩阵计算量大
修正一:
修正二
修正三:
Total Variation
参考博文:
https://blog.csdn.net/weixin_42447651/article/details/82990941
以上就是各种基于梯度的方法,各种保证收敛的方法。
MRI重建除了要想速度,还想恢复的图像质量好,一般是以上的梯度法+保证质量的方法结合,比如Total Variation
TV理论上就可以最小化噪声。
结合用法见论文
https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=9174631
Total Variation(TV)的方程是这样的:
但是在图像中,连续域的积分就变成了像素离散域中求和,所以可以这么算:
也就是说,求每一个像素和横向下一个像素的差的平方,加上纵向下一个像素的差的平方。然后开β/2次根。
文中对β的取值有所描述。当β < 1时,会出现下图左侧的小点点的artifact。
当β > 1时,图像中小点点会被消除,但是代价就是图像的清晰度。
其实,这个效果最先来源于Nonlinear total variation based noise removal algorithms这篇论文。Rubin等人在1990年左右观察到受噪声污染的图像的TV比无噪图像的总变分明显的大[1]。 那么最小化**TV理论上就可以最小化噪声。**至于从数学层面上的意义到底是什么,为什么算偏导数的平方,我也不明白。在这里,视频的发布者对于TV的直观理解有一个相对比较清晰地解释。
也就是说,图片中相邻像素值的差异可以通过降低TV loss来一定程度上解决。比如降噪,对抗checkerboard等等。