基于弹性网优化的电阻抗层析成像高效混合正则化方法

简介：
本研究提出了一种结合弹性网优化技术的电阻抗层析成像高效混合正则化方法，有效提升图像重建质量和计算效率。 电阻抗层析成像（Electrical Impedance Tomography, EIT）是一种通过测量电流传导及电压变化来重建介质内部电导率分布的非侵入性技术。相比计算机断层扫描（Computed Tomography, CT）和核磁共振成像（Nuclear Magnetic Resonance, MRI），EIT具有无辐射、低成本以及高时间分辨率等优点，适用于实时监测与参数检测，在多相流体及生物医学领域展现出巨大潜力。 EIT的基本原理是通过向目标区域施加电流并测量边界电压响应来重建电导率分布。在多相流动应用中，除了可视化内部结构外，还可以利用这些数据识别流动模式和评估空隙率、相流速等参数；而在医疗应用上，则可用于实时及长期监测。 尽管EIT具备上述优势，但图像重建仍面临挑战。传统的稀疏正则化算法虽有压缩感知理论的支持而广泛使用，但在限制解的稀疏性时会导致结果偏小，影响准确性。为此，本段落提出了一种基于弹性网优化的新式EIT算法，并引入加速方法以提升数值实现速度。模拟和实验表明，该方法在准确性和收敛性能上超越了传统手段。 弹性网优化结合L1正则化（即Lasso）与L2正则化（即Ridge），旨在同时进行特征选择并保持模型稳定性，在EIT图像重建中能改善质量，并解决稀疏性限制带来的图像失真问题。加速软阈值迭代作为其算法之一，能在保证精度的同时加快收敛速度，从而提高EIT图像的重建效率。 本段落作者包括Kai Sun, Yanbin Xu, Shangjie Ren和Feng Dong，均来自天津大学电气与信息工程学院的过程测量与控制天津市重点实验室。该团队的研究方向涵盖工业过程控制、传感器技术、仪器仪表及智能检测等，并且在EIT领域有着深厚积累。 基于弹性网优化的快速混合正则化方法结合了压缩感知理论和弹性网优化，显著提升了EIT图像重建的质量，在处理稀疏数据与加速算法收敛方面具有创新性。这为多相流体监测以及生物医学应用提供了更为准确高效的实时检测工具，并有望推动该技术在工业及医疗领域的进一步发展。