（毕业学术论文设计）-外文论文翻译--基于稀疏先验的稀疏重建.docVIP

文献翻译 PAGE 1 文献翻译 1　英文原文 PAGE 2 2　中文翻译 基于稀疏先验的稀疏重建 Michael Ting, Raviv Raich, and Alfred O. Hero III。 美国密歇根大学电气工程和计算机科学系 Ann Arbor, MI 48109-2122, USA {mting, ravivr, HYPERLINK mailto:hero%7D@umich.edu hero}@umich.edu 摘要 在射线天文学和分子成像领域当中，稀疏图像重建成为当前的研究热点。稀疏图像是图像本身的线性变换，但该变换的结果可能受到加性白噪声的影响。我们在Bayes框架下，研究稀疏先验的使用方法：它允许在数据—追踪法当中，得到先验的超参数值。现在已有三种方法来进行稀疏图像重建，其中仿真方法，使用了二进制表示图像和高斯点扩展函数。在我们所考虑的信号范围内，我们在本文提出的方法优于SBL方法。 1. 引言 在大多数图像重建问题中，图像大都不能直接观察。相反，人们观察到的是经过转换的图像，但这样的图像可能受到噪声的干扰。在一般情况下，图像估计可以被视为同时卷积和去噪的问题。直观的来看，将已知图像的知识运用到重建图像的算法当中，无疑会获得更好的重建方法。 在本文当中，我们假设要重建的感兴趣图像为稀疏的。稀疏图像很常见，例如，射线天文学和分子成像。同时，非稀疏图像可以在一些适当的空间域中得到稀疏表示。例如，一个图像的几个定值区间通过分化的空间可以变得稀疏。我们认为，观察的图像是一个图像的线性变化模型，并受到加性白噪声（AWGN）的影响。 我们寻求在Bayes框架下，利用稀疏先验的方法，来推导出如何进行稀疏重建。在Bayes框架下，可以在数据—追踪法中，得到先验的超参数值。因此，它元素的特点为：不同的图像会有不同的稀疏程度，它的非零值有不同的分布。现在已经提出了三种方法，首先，我们使用Stein无偏风险估计来计算超参数估计当中的值。其他两种方法依赖于之前使用的稀疏经验Bayes去噪系统（EBD）的方法。EBD方法为拉普拉斯的加权平均值，边际最大可能性（MML）和最大后验（MAP）也可以得到超参数值。与已近提出的三种重建方法相比，仿真方法有明显的优势。在我们考虑范围内的信号噪声比，仿真方法的结果相对于SBL来说，更好。 2. 问题的提出 记与二维或三维数组相对应的观测矩阵为，通过枚举数组当中的元素，我们可以用向量等价的代表图象。不失一般性，令，为感兴趣区域的参数（例如，原始图像），可以有估计得到。再次，不失一般性，令 考虑传统的概率密度函数，，假设我们想在稀疏情况下（即：大多数的值为零）估计。在本文中，给定一个线性模型 (1) 其中，为高斯密度，为期望，为协防差矩阵， 我们所解决的问题如下：假设，，为已知的，模型(1)为给定的，已知是稀疏的，怎么能得到的最佳估计？ 如果为列满秩，则（）为可逆的，(1)可以写成：， (2) 其中，，为矩阵的伪逆，为高斯色噪声。在这种情况下，(1)相当于去噪下的高斯色噪声。若为正交矩阵，则的元素将服从独立同分布的高斯分布，该问题就是稀疏的去噪问题。在这种情况下，记，分别为，，不失一般性，假设 3. 去噪和反卷积 式(1)的两种情况已经被研究过。首先，若，则(1)中的估计将是一个在AWGN中稀疏的去噪问题。其次，若，问题就可以简化为用稀疏的列向量来表示。在一般情况下，若，，的估计就可以视为同时卷积和去噪的问题。 在文中，卷积和去噪将会分开讨论，的估计分为最大先验估计（MAP）和最大惩罚似然函数估计（MPL）， (3) 是强加在上的惩罚函数，引入中间变量，并引用期望最大化（EM）算法，在EM算法当中，为完整的数据，文[6]中取，其中的概率密度函数为，其中且满足，为谱半径函数，则， 我们应该使用的迭代估计值，代表地步的估计值（），初始条件为，EM迭代法步骤为： (4) (5) 范数一般为范数，我们可以认为式(4)为求卷积的过程（实际上，为Landweber迭代），式(5)为降噪处理，化简可得： (6) 为在基础上的去噪 4. 的稀疏先验 一些稀疏先验已被用来模拟稀疏，在文[2]指出，范数的惩罚函数在MPL下推导可以得到稀疏化的估计值，这即为的拉普拉斯算子。 (7) 尽管拉普拉斯密度函数已被使