趙鑫

【摘 要】關于計算機層析的技術，如果要改善建圖象質(zhì)量最好要優(yōu)化投影數(shù)據(jù)，這是最好的方法。噪聲是造成投影數(shù)據(jù)模糊的重要因素，為了改善這種情況，同時也為了找到最合適的圖像，我們主要以模糊教學和決策理論為重要基礎，并且建立投影模糊指數(shù)函數(shù)和平方誤差模糊指數(shù)函數(shù)，然后通過分析和研究得出一種名為多目標優(yōu)化的新型模型，再對投影數(shù)據(jù)進行一定的優(yōu)化。當實驗驗證后在微型機上完成，首先要給定義的圖象上標上仿真采集，并且把所得到的投影數(shù)據(jù)加上高斯的噪聲，這樣通過含噪聲以及經(jīng)多個目標優(yōu)化而成的兩種投影數(shù)據(jù)去完成投影中的圖像重建，把所得到的結(jié)果進行一個對比和分析。根據(jù)實驗的結(jié)果顯示，一般會得出關于多個目標化模型是有較強的抗噪音能力的，同時也得出理論和實驗的一致性都比較好。

【關鍵詞】計算機層析；投影數(shù)據(jù)；多目標

評價計算機層析技術系統(tǒng)的最為重要的性能指標是斷層圖像。而要判斷層圖像的好壞，除了要根據(jù)圖像重建的算法以外，還需要根據(jù)圖像重新建設以及相關投影數(shù)據(jù)的品質(zhì)方面來做最后的決定。而較為原始的投影數(shù)據(jù)結(jié)構(gòu)一般都是計算機層析技術系統(tǒng)最為采用的，最影響計算機層析技術的重要原因就是噪音。噪音不僅是呈現(xiàn)在數(shù)據(jù)信號的信噪比方面，同時還和計算機層析技術當中的設計參數(shù)、結(jié)構(gòu)精度以及運行狀態(tài)有著密切聯(lián)系。這些因素都讓衰減系數(shù)總和值帶有模糊性。因此在計算機層析技術系統(tǒng)中數(shù)據(jù)對原始投影數(shù)據(jù)進行優(yōu)化然后在運用到圖像當中，把圖像進行重建改造，這樣才能夠提升計算機層析技術斷層圖像的質(zhì)量。

至于多個目標的圖像重建算法是最新提出來的，很多人是根據(jù)這個多目標決策理論的基礎下找尋最好的圖像建設的有效方法，而且對于它的平滑性和穩(wěn)定性以及唯一性都是能建設很好的效果的。為了解決計算機層析技術當中的噪音，找尋最佳的唯一圖像，并有效的抑制和投影數(shù)據(jù)所具有的模糊性，我們以實際的數(shù)學理論為基礎，并根據(jù)多個目標決策理論的融合，制定相關的兩個目標函數(shù)，然后對其進行一定的約束，然后給數(shù)據(jù)的數(shù)學模型進行一系列的優(yōu)化，最后把優(yōu)化后的投影數(shù)據(jù)重新運用到圖像的建設當中。

下面給大家介紹一下兩種目標函數(shù)的算法和內(nèi)容：

一、多個目標優(yōu)化的模型和算法

關于計算機層析技術的目標和優(yōu)化和以及圖像重建的問題，總的來說可以看成是對一組不太完善的投影數(shù)據(jù)進行多個目標進行優(yōu)化，然后運用重建技術獲得給定優(yōu)化目標的含義下最好的圖像。

當我們把沒有被噪音所污染的投影數(shù)據(jù)的向量用X來定義，并且用C來表示噪聲向量，用X0表示給實際采集并且被噪音污染的投影數(shù)據(jù)向量，這兩種都是以M行和N列的排列結(jié)構(gòu)構(gòu)成的。其中M是屬于投影數(shù)，而N則代表每個投影射線數(shù)。當C為相加性的噪聲時候，用一個公式來表達被污染的數(shù)據(jù)向量，實際被污染的數(shù)據(jù)向量，相加性噪聲這三者之間的關系：

X0 = X + C 或 X = X0 - C

（一）關于投影模糊數(shù)據(jù)的指數(shù)函數(shù)

這個函數(shù)主要是建立在相關的投影數(shù)據(jù)的模糊隸屬函數(shù)的描述方法上，當投影的向量被噪聲干擾的時候，就可以認定投影的數(shù)據(jù)被模糊。假設歸一化后的投影數(shù)據(jù)級別為GP，而GP可以看做是模糊隸屬函數(shù)α（A）.

我們設定A為一模糊集，然后以A為模糊的坐標定點（0或者1），而N作為一種元素數(shù)，把模糊指數(shù)定義為：

r（A）= min （A，A） （2）

dmim（A ，A）指A和A 之間的最短的距離：

dmim（A ，A） = αA （xi）- αA（xi）│min （3）

其中： αA （xi） = 0或者1 ，i = 1，2 ，3，...， n；

當αA （xi）≦0.5的時候，│ αA （xi） - αA（xi）│min = 1- αA （xi）；

當αA （xi）> 0.5的時候，│ αA （xi） - αA（xi）│min = αA （xi）。

綜合以上幾種情況進行分析那么就得出了一下結(jié)論：

∑A │ αA （xi）- αA（xi）│min = ∑A （0.5- │ αA （xi）-0.5 │）

而模糊指數(shù)函數(shù)則標記為：

r（A） = 1 - αA （xi）-0.5│ （4）

r（A） 也在0到1之間，當 αA （xi）0.5，r（A）1，A具有比較高的模糊度；相反的，如果αA （xi）0或者是1， r（A）0，則A具有較低的模糊度。那么根據(jù)投影向量的模糊性就可以得到一下公式：

（5）

這其中Xmax1所代表的是向量X的最大元素，并且將“‖·‖〡”作為N階向量的范數(shù)，那么有以下公式：

這其中 Ι 是作為N維（n = M * N）的單位向量，那么：

是兩者之間最大的共同點，所以把投影模糊的指數(shù)函數(shù)表示成為：

f1（x） = 1 - ‖ - 0.5Ι‖2 （6）

這個函數(shù)主要描述了原始投影數(shù)據(jù)由于噪聲污染而引起的“模糊”的模糊程度。

（二）關于平方誤差模糊的指數(shù)函數(shù)

為了讓多個目標優(yōu)化得到一定的投影數(shù)據(jù)值和其原始數(shù)值偏差值縮小，運用相同遠離，建立多目標優(yōu)化投影數(shù)據(jù)，并且得到平方誤差指數(shù)函數(shù)為：

f2（x） = ‖ - ‖2 （7）

這個公式當中，P作為測量的投影數(shù)據(jù)的向量，Pmax為最大的分量，X是多目標優(yōu)化后的投影數(shù)據(jù)向量，其中最大量值Xmax2。

（三）關于約束的條件

當投影數(shù)據(jù)中有較大的噪音時，需要給它進行適當?shù)募s束和優(yōu)化：

C = ‖P-X‖2 （8）

要小于某個噪聲量C0，這個C0的數(shù)值是可以根據(jù)估計的理論得到的。endprint

（四）關于多目標的優(yōu)化算法

通過上述所講，我們一般的把兩個目標函數(shù)作為目標優(yōu)算法的基礎，然后將其最小化，通常用這個方程式表達出來：

minf（x） [f1（x），f2（x）] x ∈X （9）

這個當中 的意思是“定義為”，把f1（x），f2（x）看成兩個投影向量X的標量目標函數(shù)。而X本身是約束投影數(shù)據(jù)的可行區(qū)域。

通常需要找對方法進行向量的優(yōu)化，先把向量的目標函數(shù)轉(zhuǎn)化成標量的評價函數(shù)，運用數(shù)學知識做一個最簡單的處理，然后對這些目標函數(shù)加權和處理。運用這種方式的雙目標函數(shù)就變得最小化，達到目標優(yōu)化的：

minV[f（x）] = （x） （10）

這個式子當中各個目標的函數(shù)的加權系數(shù)為Wj，fj（·）在模型（9）當中相對比較重要。一般的（10）式在各個目標當中的重要程度意義下的最優(yōu)解釋讓各自的目標函數(shù)變成最小的解。Wj（j=1，2）統(tǒng)稱為目標加僅系數(shù)，，而且有了以下公式：

Wj { wj≧0，j=1，2，=1}

然而這個本文中的多目標優(yōu)化問題和它等價的加權優(yōu)化問題一般為：

MinV[f（x）] = （x） （11）

‖P-X‖2 = C0

這個公式是一個比較經(jīng)典的等式約束下的非線性規(guī)劃問題，可以用拉個朗的橙子法來求解，所以，可以用公式：

V（x，λ） = （x） +λ[‖P-X‖2- C0 ] （12）

因為

= 2b1（x-0.5xmaxI）+ b2（aP - X）+ λ（P-X）

然后讓 = 0 ，這樣一來就有

2b1（x - 0.5xmaxI）+b2（aP-X）+ λ（P-X）=0

這個公式當中，

而且其中w1+w2=1，b3=vb1xmax1，b4=vb2E+I（I為單位向量）

整理之后的式子為

[ P （2b1-b2）-1）X = b3I - b4P

X = （13）

這個當中v = ，這個量必須調(diào)整到能夠滿足約束的條件‖P-X‖2 = C0 為止，而且只有當V滿足了這個條件的時候，公式（13）才是最好的解決多目標的解答。V是采用迭代方法來確定的，首先定義剩余的向量RM

R = X - P （14）

這個公式表達的是R 為r的函數(shù)，從數(shù)學方面可以得到證明，

B（V）= ‖R‖2 是V的單調(diào)增加函數(shù)，可以對V進行調(diào)整，并且達到這樣一個公式：

‖R‖2 = C0+ E （15）

其中E是準確度的因子，而且在已知投影向量P的條件下，按照（15）來進行計算 ‖R‖2 ，然后再對V進行調(diào)整。

二、結(jié)束語

通過仿真的實驗也可以檢驗其對噪聲方面的防御能力，并且驗證該模型的正確性，不管是從哪方面去分析和研究，都能夠進行多個目標優(yōu)化模型是具備較好的抑制噪音的能力的論證，而且對于實驗的結(jié)果的一致性比較好。

參考文獻：

李大勇.關于分層技術在計算機軟件中的應用研究與分析[J].計算機光盤軟件與應用，2014，1720：78-79.

蔣峰.分層技術在計算機軟件開發(fā)中的應用探討[J].電腦編程技巧與維護，2015，18：21-22.

[3]甘露，周娟.計算機軟件開發(fā)中分層技術的應用[J].數(shù)字技術與應用，2016，03：135-136.endprint