在本例中，将探讨如何从一组平行投影中重建图像，这些投影是在不同角度下获取的，类似于在计算机断层扫描（CT）中收集的数据。如果没有关于样本的任何先验信息，重建图像所需的投影数量大约是图像的线性大小（以像素为单位）。为了简化，这里考虑一个稀疏图像，其中只有物体边界上的像素具有非零值。这样的数据可能对应于一种细胞材料。然而，请注意，大多数图像在不同的基底上是稀疏的，例如Haar小波。因此，只获取了图像线性大小的1/7的投影，因此有必要使用关于样本的先验信息（其稀疏性）：这是一个压缩感知的例子。
断层成像投影操作是一种线性变换。除了对应于线性回归的数据保真项之外，对图像的L1范数进行惩罚，以考虑其稀疏性。由此产生的优化问题被称为Lasso。使用了Lasso类，它使用了坐标下降算法。重要的是，这种实现在稀疏矩阵上的计算效率比这里使用的投影操作更高。
使用L1惩罚的重建结果实现了零误差（所有像素都成功地被标记为0或1），即使在投影中添加了噪声。相比之下，L2惩罚（Ridge）为像素产生了大量标记错误。在重建的图像上观察到重要的伪影，与L1惩罚相反。特别要注意的是，将角落的像素与中心圆盘分开的圆形伪影，这些伪影对较少的投影做出了贡献。
以下是一个使用Python和scikit-learn库实现的示例代码，展示了如何使用Lasso类进行图像重建。
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):
"""计算断层成像设计矩阵。
参数：
l_x : int
图像数组的线性大小
n_dir : int
获取投影的角度数量。
返回：
p : 稀疏矩阵，形状为 (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])
proj_operator = sparse.coo_matrix((weights, (camera_inds, data_inds)))
return proj_operator
def generate_synthetic_data():
"""合成二进制数据"""
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))
# 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)
# 使用L2（Ridge）惩罚进行重建
rgr_ridge = Ridge(alpha=0.2)
rgr_ridge.fit(proj_operator, proj.ravel())
rec_l2 = rgr_ridge.coef_.reshape(l, l)
# 使用L1（Lasso）惩罚进行重建
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("原始图像")
plt.subplot(132)
plt.imshow(rec_l2, cmap=plt.cm.gray, interpolation="nearest")
plt.title("L2惩罚")
plt.axis("off")
plt.subplot(133)
plt.imshow(rec_l1, cmap=plt.cm.gray, interpolation="nearest")
plt.title("L1惩罚")
plt.axis("off")
plt.subplots_adjust(hspace=0.01, wspace=0.01, top=1, bottom=0, left=0, right=1)
plt.show()
以上代码展示了如何使用Lasso类进行图像重建，并通过matplotlib库显示了原始图像、使用L2惩罚和L1惩罚重建后的图像。