[发明专利]一种优化区域知识先验的稀疏角CB-XLCT成像方法

权利要求书

1.一种优化区域知识先验的稀疏角CB-XLCT成像方法，其特征在于，具体包括以下步骤；

步骤1：基于稀疏角CB-XLCT成像模型理论，构建稀疏非凸L_p，0p1正则模型；

所述稀疏非凸L_p正则模型的计算公式表示为：

其中，τ为正则化参数，||ρ||_p＝(Σ_i|ρ_i|^p)^1/p为L_p，0p1范数，ρ表示待求解的纳米靶标，J表示采集的生物体表光信号，A为系统矩阵；

步骤2：将步骤1中所述的稀疏非凸L_p正则模型转化为重加权凸L₁正则模型进行迭代求解；

步骤3：将步骤2中所述的重加权凸L₁正则模型迭代求解过程经过迭代重加权裂分增广拉格朗日收缩算法进行求解；

步骤4：将步骤3得到的求解结果结合经典非凸p值，求解出稀疏解集对应的可行区域集；

步骤5：将步骤4中得到的可行区域集优化为稳定的知识先验指导逆问题的求解，准确重建靶标；

步骤6：根据步骤5中重建后的靶标显示稀疏角CB-XLCT图像。

2.根据权利要求1所述的一种优化区域知识先验的稀疏角CB-XLCT成像方法，其特征在于：所述步骤1中CB-XLCT成像模型的计算公式为：J＝Aρ；

其中，ρ表示待求解的纳米靶标，J表示采集的生物体表光信号。

3.根据权利要求1所述的一种优化区域知识先验的稀疏角CB-XLCT成像方法，其特征在于：所述步骤2中的迭代过程为：

上式中，ρ^k+1为第k+1次迭代得到的逆问题解，和ρ_i分别为相应逆问题解的分量，ε为避免所在分母为零的非零常数，可利用下式自动选取：其中，i₀＝m/[4log(n/m)]，n代表系统矩阵A的列数，m代表系统矩阵A的行数；

将转化为：

其中表示权重系数；

基于变量裂分思想，子问题可转化为：

其中

4.根据权利要求3所述的一种优化区域知识先验的稀疏角CB-XLCT成像方法，其特征在于：所述步骤3中迭代重加权裂分增广拉格朗日收缩算法求解过程为：

采用经典的交替方向乘子法交替求解

中两个裂分变量：

其中，d_k+1＝d_k-(v_k+1-ρ_k+1)；

v为裂分变量，d_t为与拉格朗日乘子相关的迭代向量，d_k+1和d_k为与拉格朗日乘子相关的迭代向量。

5.根据权利要求4所述的一种优化区域知识先验的稀疏角CB-XLCT成像方法，其特征在于：所述步骤4中求解出稀疏解集对应的可行区域集的过程为：对于常用按照间隔进行不同的p值选取并分别带入到进行模型求解，接着对于稀疏解确定相应可行区域，得到稀疏解集对应的可行区域集合，进一步对得到的可行区域集合进行求交优化。

6.根据权利要求5所述的一种优化区域知识先验的稀疏角CB-XLCT成像方法，其特征在于：所述步骤5中将可行区域集的优化结果视为知识先验，定义含有0或1的列向量算子

将上式代入式进行逆问题规模约简并优化求解空间：

其中，表示分别从式中的A和ρ中去除列向量算子中非零元操作，如果中的节点处在PSR中则置1，否则置0；对于式采用L₀正则模型或L₁正则模型求解。