python 怎么算l2范数_使用python+sklearn实现L1先验进行层析成像重建

最新推荐文章于 2024-08-08 05:07:54 发布

大不列颠一~~~

最新推荐文章于 2024-08-08 05:07:54 发布

阅读量590

点赞数

文章标签： python 怎么算l2范数

本文链接：https://blog.csdn.net/weixin_28982257/article/details/112495526

版权

‍

‍本示例描述了从一组沿不同角度获取的平行投影来重建图像的方法。本数据集是通过**“计算机断层扫描”**(computed tomography，即CT)获取的。在样本上没有任何先验信息的情况下，重建图像所需的投影数量约为图像的线性大小 l (以像素为单位)。为简单起见，我们在这里考虑一个稀疏图像，其中只有对象边界上的像素具有非零值，例如，这样的数据可以对应于蜂窝材料，但是大多数图像在不同的基础上都是稀疏的，例如Haar小波，因为仅获取 l/7 投影，因此必须使用样本上可用的先验信息(其稀疏性)：这是压缩感知的一个示例。断层投影算子(tomography projection operation)是一种线性变换。除了对应于线性回归的数据保真度项外，我们还惩罚图像的L1范数以解释其稀疏性，由此产生的优化问题称为 Lasso 。我们使用 sklearn.linear_model.Lasso 类，该类使用坐标下降算法，与这里使用的投影算子(projection operator)相比，这种实现在稀疏矩阵上的计算效率更高。即使在投影中加入了噪声，用L1惩罚法重建得到的结果误差为零(所有像素都成功地标记为0或1)。相比之下，L2惩罚( sklearn.linear_model.Ridge )会产生大量像素标记错误，在重建图像上观察到重要的伪影(artifacts)。特别要注意的是，圆角伪影将角落中的像素分开，与中央磁盘(central disk)相比，圆角伪影贡献的投影更少。

sphx_glr_plot_tomography_l1_reconstruction_001

print(__doc__)# 作者: Emmanuelle Gouillart # 许可证: BSD 3 clause
import numpy as np
from scipy import sparse
from scipy import ndimage
from sklearn.linear_model import Lasso
from sklearn.linear_model import Ridge
import matplotlib.pyplot as plt
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) / dxreturn 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.
    X += 0.5 - center
    Y += 0.5 - centerreturn X, Y
def build_projection_operator(l_x, n_dir):""" 计算断层扫描设计矩阵。
   参数
    ----------
    l_x : int
        图像阵列的线性大小
    n_dir : int
        获取投影的角度数。
    返回
    -------
    p : 形状为(n_dir l_x, l_x**2)的稀疏矩阵
    """
    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         weights += list(w[mask])
        camera_inds += list(inds[mask] + i * l_x)
        data_inds += list(data_unravel_indices[mask])
    proj_operator = sparse.coo_matrix((weights, (camera_inds, data_inds)))return proj_operator
def generate_synthetic_data():""" 合成二值数据 """
    rs = np.random.RandomState(0)
    n_pts = 36
    x, y = np.ogrid[0:l, 0:l]
    mask_outer = (x - l / 2.) ** 2 + (y - l / 2.) ** 2     mask = np.zeros((l, l))
    points = l * rs.rand(2, n_pts)
    mask[(points[0]).astype(np.int), (points[1]).astype(np.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))# 生成合成图像和投影
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)# L2(岭)惩罚重建
rgr_ridge = Ridge(alpha=0.2)
rgr_ridge.fit(proj_operator, proj.ravel())
rec_l2 = rgr_ridge.coef_.reshape(l, l)# L1(Lasso)惩罚重建# 通过LassoCV交叉验证确定alpha的最佳值
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()