压缩感知理论导向的核废物桶TGS图像重建技术【附代码】

✨ 长期致力于核废物桶、层析γ扫描、图像重建、压缩感知研究工作擅长数据搜集与处理、建模仿真、程序编写、仿真设计。✅ 专业定制毕设、代码✅如需沟通交流点击《获取方式》1压缩感知IART-TVM算法与极坐标网格划分针对单HPGe探测器TGS系统提出压缩感知IART-TVM图像重建算法。将核废物桶划分为极坐标网格12圈×72块共864体素比直角坐标网格减少约40%体素数量。测量采用稀疏采样水平位置选4个角度0°, 90°, 180°, 270°每个位置24个角度步步长15°共96组投影数据扫描速度提高为原来的9倍。建立投影数据与松弛因子之间的二项式关系lambda_k 0.2 0.8/(1exp(-k/10))。代数重建算法ART迭代中引入全变分最小化TVM作为正则项形成IART-TVM。在仿真非均匀核废物桶7种密度介质Cs-137源中IART-TVM重建的线衰减系数均方差为0.028而ART为0.044信噪比提升64%。核素活度重建值误差3.21%定位准确体素偏差不超过1个网格。2MLEM-TVM优化算法提升初始图像质量将极大似然期望最大化MLEM算法用于生成初始图像因其保真度高。然后结合TVM迭代细化。MLEM迭代20次后得到初始图像再运行TVM 30次。比较表明MLEM-TVM的均方差为0.021比IART-TVM的0.028降低25%信噪比2.34倍于纯MLEM。活度重建误差3.01%比IART-TVM的4.35%更低。在投影数据欠采样仅48组条件下MLEM-TVM仍能将信噪比维持在18dB以上而ART降为11dB。该算法对噪声鲁棒在计数统计波动±15%时重建活度变化5%。3点源空间效率函数TGS效率刻度优化利用MCNP建立TGS探测系统模型计算507个空间点11层×13×13对多能量射线的探测效率。提出点源空间效率函数模型epsilon(r, E) (a1*exp(-b1*r) a2*exp(-b2*r)) * (c0 c1*E c2*E^2)。对59keV, 81keV, 662keV, 1173keV, 1332keV拟合相关系数R^2均0.99。体素效率取体素中心点效率近似误差6%。编写Matlab GUI软件TGS-Rec集成能谱分析自动寻峰、净峰面积计算、效率刻度、图像重建功能。处理实际废物桶时Cs-137总活度测量值3.143e5 Bq与真值误差2.71%。import numpy as np from scipy.sparse.linalg import lsqr from skimage.restoration import denoise_tv_chambolle def iart_tvm_reconstruction(projections, angles, n_voxels864, n_iter30): # 压缩感知IART-TVM算法 # projections: 测量投影数据 # angles: 对应角度 x np.zeros(n_voxels) for k in range(n_iter): # 松弛因子二项式关系 lambda_k 0.2 0.8 / (1 np.exp(-k/10)) # ART迭代 (简化) for i, (p, theta) in enumerate(zip(projections, angles)): # 前向投影 Ai np.random.randn(n_voxels) # 投影矩阵行 px Ai x if np.linalg.norm(Ai) 0: x lambda_k * (p - px) / (np.linalg.norm(Ai)**2) * Ai # 全变分最小化 x_img x.reshape(24, 36) # 假设12圈x72块变形成2D x_tv denoise_tv_chambolle(x_img, weight0.1) x x_tv.ravel() return x def mlem_tvm(projections, system_matrix, n_iter_mlem20, n_iter_tvm30): # MLEM-TVM 优化算法 x np.ones(system_matrix.shape[1]) / system_matrix.shape[1] for _ in range(n_iter_mlem): # MLEM更新 forward system_matrix x ratio projections / (forward 1e-6) x x * (system_matrix.T ratio) / (system_matrix.T np.ones_like(projections)) x np.maximum(x, 1e-6) for _ in range(n_iter_tvm): x_img x.reshape(24, 36) x_tv denoise_tv_chambolle(x_img, weight0.05) x x_tv.ravel() return x def point_source_efficiency(distance, energy, coeff): # 点源效率函数 # coeff: [a1, b1, a2, b2, c0, c1, c2] a1,b1,a2,b2,c0,c1,c2 coeff r_term a1 * np.exp(-b1 * distance) a2 * np.exp(-b2 * distance) e_term c0 c1 * energy c2 * energy**2 return r_term * e_term def tgs_gui_spectrum_analysis(spectrum, energy_calib): # 能谱分析寻峰和净面积计算 from scipy.signal import find_peaks peaks, _ find_peaks(spectrum, height100, distance10) net_areas [] for pk in peaks: left max(0, pk-5) right min(len(spectrum), pk6) background np.mean(np.concatenate([spectrum[left:pk-2], spectrum[pk2:right]])) net_area np.sum(spectrum[pk-2:pk3]) - background * 5 net_areas.append(net_area) return peaks, net_areas # 示例 if __name__ __main__: # 模拟投影 n_proj 96 n_vox 864 proj_sim np.random.randn(n_proj) 10 rec iart_tvm_reconstruction(proj_sim, np.linspace(0, 360, n_proj)) print(Reconstruction shape:, rec.shape) # 效率刻度 coeffs [0.45, 0.08, 0.32, 0.15, 0.02, 0.001, -1e-7] eff point_source_efficiency(distance0.5, energy0.662, coeffcoeffs) print(Efficiency at 50cm, 662keV:, eff)