Intensity only multi-materials image reconstruction

• Autorzy: Bagdaoui Amina , Bendaoudi Amina , Jaffari Ali

Identyfikatory

DOI

10.15199/48.2024.04.07

Warianty tytułu

PL

Rekonstrukcja obrazu z wielu materiałów, tylko intensywność

• Języki publikacji: EN

Abstrakty

EN

The phase retrieval problem is a challenging issue in image processing, which aims to reconstruct an object from magnitude-only mea surements in the Fourier domain. Most methods for phase retrieval are deterministic frameworks, and their results are often unsatisfactory when the available measured spectrum magnitude is corrupted by additive noise. The a priori knowledge characterizing the object is the finite number of homogeneous materials that compose it. This knowledge is represented by a Gauss-Markov prior. Iterative joint reconstruction and classification techniques are used to calculate a satisfactory reconstruction. The reconstructed image is obtained by first specifying the a posteriori distributions of all the unknowns, followed by the application of the Gibbs sampling algorithm to estimate the posterior mean of the unknowns. Simulation results are presented to demonstrate the accuracy of the proposed prior compared to the case where only the Potts-Markov prior is used.

PL

Problem odzyskiwania fazy stanowi wyzwanie w przetwarzaniu obrazu, którego celem jest rekonstrukcja obiektu na podstawie pomiarów wielkości w domenie Fouriera. Większość metod odzyskiwania fazy to metody deterministyczne, a ich wyniki są często niezadowalające, gdy wielkość dostępnego zmierzonego widma jest zniekształcona przez szum addytywny. Wiedzą aprioryczną charakteryzującą obiekt jest skończona liczba jednorodnych materiałów, które go tworzą. Wiedzę te reprezentuje przeor Gaussa-Markowa. Aby obliczyć zadowalającą rekonstrukcję, stosuje się iteracyjne techniki rekonstrukcji i klasyfikacji stawów. Zrekonstruowany obraz uzyskuje się poprzez określenie rozkładów a posteriori wszystkich niewiadomychą następnie zastosowanie algorytmu próbkowania Gibbsa do oszacowania średniej późniejszej niewiadomych. Wyniki symulacji przedstawiono w celu wykazania dokładności proponowanego stanu pierwotnego w porównaniu z przypadkiem, w którym używany jest tylko stan Pottsa-Markow.

Słowa kluczowe

EN

phase retrieval; fourier synthesis; inverse problem; Bayesian estimation; hidden Markov; Markov chain Monte Carlo; MCMC

PL

odzyskiwanie faz; synteza Fouriera; problem odwrotny; estymacja bayesowska; ukryty Markow; łańcuch Markowa Monte Carlo; MCMC

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2024
• Tom: R. 100, nr 4
• Strony: 31--36
• Opis fizyczny: Bibliogr. 25 poz. rys.

Twórcy

autor

Bagdaoui Amina

• Laboratory of Electromagnetic, Photonics and Optoelectronics University of Sidi Bel Abbes, Algeria

autor

Bendaoudi Amina

• Laboratory of Electromagnetic, Photonics and Optoelectronics University of Sidi Bel Abbes, Algeria

autor

Jaffari Ali

• CNRS, France

Bibliografia

• [1] Patterson, A. L.(1934). A Fourier series method for the determination of the components of interatomic distances in crystals.Physical Review. 46, 5, 372.
• [2] Patterson, A. L.(1944). Ambiguities in the X-ray analysis of crystal structures, Physical Review. 46, 5, 372.
• [3] Romain Arnal.(2019). Aspects of Phase Retrieval in X-ray Crystallography, Thesis, University of Canterbury, Christchurch, New Zealand.
• [4] J. C. Dainty and J. R. Fienup.(1987). Phase retrieval and image reconstruction for astronomy, Image Recovery: Theory and Application: 231-275.
• [5] J. R. Fienup.(1982). Phase retrieval algorithms: a comparison, Applied Optics: 21(15), 2758-2769.
• [6] Tatiana Latychevskaia.(2018). Iterative phase retrieval in coherent diffractive imaging: practical issues, Applied Optics 57(25), 7187 - 7197 (2018)
• [7] J. Miao et al.(1998) Phase retrieval from the magnitude of the Fourier transforms of nonperiodic objects, J. Opt. Soc. Am. A, 15(6), 1662 - 1669 (1998)
• [8] S. Marchesisni et al.(2003) X-ray image reconstruction from a diffraction pattern alone, Phys. Rev. B 68(14), pages 140101 (2003)
• [9] Shiro Ikeda and Hidetoshi Kono.(2012). Phase retrieval from single biomolecule diffraction pattern, Optic express, 20, 4: 3375-3387.
• [10] L. Rabiner and B. H. Juang.(1993). Fundamentals of speech recognition, Prentice Hall.
• [11] A. Walther.(1963). The question of phase retrieval in optics, Journal of Modern Optics. 10, 1,: 41-49.
• [12] Y. Shechtman; Yonina C. Eldar; Oren Cohen; H. N. Chapman; J. Miao; M. Segev.(2015). Phase Retrieval with Application to Optical Imaging: A contemporary overview, IEEE Signal Processing Magazine, 32, 3: 87-109.
• [13] R. P. Millane.(1990) Phase retrieval in crystallography and optics, JOSA A, 7, 3: 394-411.
• [14] A. Orlowski, H. Paul.(1994). Phase retrieval in quantum mechanics, Physical review A, Atomic, molecular, and optical physics, 50, 2: 921-924.
• [15] R. W. Gerchberg, W. O. Saxton.(1972). A practical algorithm for the determination of the phase from image and diffraction plane pictures, Optik, 35, 237.
• [16] Praneeth Netrapalli, Prateek P JainPrateek P Jain, Sujay Sanghavi.(2013). Phase Retrieval Using Alternating Minimization, IEEE Transactions on Signal Processing, 63, 18.
• [17] Hui-ping Li, Song Li.(2020). Phase retrieval with PhaseLift algorithm, Applied Mathematics, 35, 4: 479-502
• [18] Emmanuel Candes, Xiaodong Li, Mahdi Soltanolkotabi.(2015) Phase Retrieval via Wirtinger Flow: Theory and Algorithms, IEEE Transactions on Information Theory, 64, 4: 1985-2007
• [19] Jian-Wei, LiuZhi-Juan, CaoJing LiuShow, Long-Chuan Guo.(2019) Phase Retrieval via Wirtinger Flow Algorithm and Its Variants, Conference: 2019 International Conference on Machine Learning and Cybernetics (ICMLC), July 2019
• [20] Tom Goldstein, Christoph Studer.(2018) PhaseMax: Convex Phase Retrieval via Basis Pursuit, IEEE Transactions on Information Theory, 64, 4: 2675-2689
• [21] Ming-Hsun Yang, Y.-W. Peter Hong, Jwo-Yuh Wu.(2021) Sparse Affine Sampling: Ambiguity-Free and Efficient Sparse Phase Retrieval, IEEE Transactions on Information Theory ( Early Access ), 21 June 2022, Page(s): 1-1
• [22] Namrata Vaswan, Seyedehsara Nayer, Yonina C. Eldar.(2017) Low-Rank Phase Retrieval, IEEE Transactions on Signal Processing, 65, 15, 4059-4074
• [23] Jeffrey W. Miller, Matthew T. Harrison.(2017) Mixture Models With a Prior on the Number of Components, Journal of the American Statistical Association, 113, 521: 340-356
• [24] Eugene A. Opoku, Syed Ejaz Ahmed, Trisalyn Nelson, Farouk S. Nathoo.(2020) Parameter and Mixture Component Estimation in Spatial Hidden Markov Models: A Comparative Analysis of Computational Methods, Proceedings of the Fourteenth International Conference on Management Science and Engineering Management. ICMSEM 2020. Advances in Intelligent Systems and Computing, vol 1190. Springer
• [25] Redha Touati, Max Mignotte, Mohamed Dahmane.(2019) Multimodal Change Detection in Remote Sensing Images Using an Unsupervised Pixel Pairwise-Based Markov Random Field Model, IEEE Transactions on Image Processing, 29: 757-767

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa nr POPUL/SP/0154/2024/02 w ramach programu "Społeczna odpowiedzialność nauki II" - moduł: Popularyzacja nauki i promocja sportu (2025).