目的 提出一种新型的稀疏分解算法,对脑部CT图像进行压缩.方法 本文采用改进的遗传算法(genetic algrithm,GA)与匹配追踪(matching pursuit,MP)算法相结合以实现稀疏分解,对脑部CT图像进行压缩以节约存储空间.针对原有遗传算法计算时间长、匹配率低的不足,本方法优化了迭代次数的选择、竞争、变异等操作.结果 利用该算法对脑部CT图像分块压缩,使运算速度、压缩比和信噪比均得到提高.结论 通过分析与实验验证,改进的方法压缩比例更大,失真更小,运行时间更短,为脑部CT图像的压缩提供了一种新方法.

动态心电的广泛应用导致海量心电数据的产生,为了传输和存储的高效实现,必须对其进行压缩.本文在详细分析心电信号的可压缩特性基础上,将稀疏分解这一目前数据压缩算法领域较为前沿的方法引入到心电信号压缩算法中,提出了一种基于稀疏过完备库分解的心电数据压缩算法,该算法能够在较低的数据失真度情况下得到较好的数据压缩效果.同时,通过将本算法的实验数据同相关文献中提到的方法进行对比,其结果验证了本文算法的有效性.

为对心电信号进行波形检测和形状识别,解决心电信号自动诊断的重点和难点,在稀疏分解的理论基础上,构造符合心电信号特点的超完备字典,基于此字典,利用匹配追踪算法对心电信号做稀疏分解.根据稀疏分解所得解向量及与解向量在字典中对应的原子找出心电信号的特征波的起点、终点、峰值点等,最终实现心电信号的几种特征波的波形检测及形状识别.实验证明该算法的QRS波群检测率为99%,P波、T波检测率为85%,对P波和T波的形状识别符合人的主观判断.这些检测和识别结果为心脏病的自动诊断提供了依据.

稀疏分解是近年发展起来的新的信号处理方法,其优势在于分解所用的基(字典)是超完备的,能更真切地反映信号本质,因此能得到信号的稀疏表示,对数据压缩非常有利.利用稀疏分解的这一优势,进行了心电数据压缩的探索研究.通过对MIT-BIH心电数据库中数据的训练学习,构造出的心电数据字典中的原子能反映出心电信号的时频域特点,能用较少的原子重构心电信号.该心电数据压缩算法能够按照实际的要求调整压缩比,且失真较小(压缩比达到20:1时,均方误差只有5.11%).实验表明,该算法用于心电数据压缩是切实可行的.

医学CT图像成像过程中,由于成像机制的影响,不可避免的引入噪声.图像中的噪声会降低图像质量,影响临床诊断.因此,有必要对医学CT图像进行去噪处理.本文采用图像的稀疏分解方法来对混有噪声的肝癌CT图像进行消噪处理,提出分块稀疏分解去噪.实验表明,本文算法对医学图像中噪声去除有一定效果.在分解原子个数相同的条件下,本文方法去噪后重建图像比在整幅图像上进行稀疏去噪重建的计算速度提高了约15倍.

迭代加权稀疏分解法是按照白噪声在小波的多分辨结构中的二尺度关系来确定求最小l1模优化问题时的加权系数,并通过一个迭代过程来逐步消除强噪声的影响.通过对视觉诱发电位的单次提取的研究说明了这种方法具有良好的单次提取效果,其实验结果支持单次提取的视觉诱发电位是不相同的观点.