Search

Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) Petróleo Brasileiro (Petrobrás) Nas últimas décadas, as técnicas de reconstrução de imagens e sinais baseadas em modelos possibilitaram importantes melhorias em termos de contraste e resolução espacial em aplicações como ressonância magnética e tomografia computadorizada. No entanto, o uso de técnicas desse tipo em aplicações de pulso-eco como ultrassom é limitado pelo fato delas pressuporem uma grade finita de possíveis localizações para os refletores existentes num meio -- um pressuposto que vai contra a natureza contínua dos objetos do mundo real, o que cria um problema conhecido como desvio da grade. Com o objetivo de superar esse problema, este trabalho apresenta um método de expansão de dicionário e de reconstrução com restrições que aproxima a variedade (comumente referida como manifold) contínua dos dados de aquisição formada por todas as localizações possíveis de refletores ao longo de uma região de interesse (RDI). A criação do dicionário expandido baseia-se numa amostragem altamente coerente da RDI, seguida de uma redução de posto matricial nos dados correspondentes para a qual são propostos dois critérios: um baseado em decomposição em valores singulares (SVD) e um baseado em minimização do máximo (Minimax). Embora a formulação seja aqui desenvolvida para o caso de 2 dimensões, a mesma é extensível para quaisquer D dimensões. É proposto um algoritmo baseado no Orthogonal Matching Pursuit (OMP), que usa um conjunto de restrições não convexas baseadas em correlação e permite que a RDI seja dividida em células de qualquer tamanho. O método proposto é avaliado através da reconstrução de imagens de ultrassom em 2 dimensões a partir de dados simulados para uma aplicação de ensaios não destrutivos. O método proposto obteve êxito na reconstrução de imagens esparsas a partir de dados de aquisição ruidosos e possibilitou maior acurácia do que abordagens concorrentes baseadas em modelos discretos sem expansão do dicionário. Os resultados confirmaram também uma expectativa teórica de que o dicionário Minimax supera o dicionário SVD com relação à estimativa de cardinalidade da solução. Model-based image and signal reconstruction has brought important improvements in terms of contrast and spatial resolution to applications such as magnetic resonance imaging and emission computed tomography. However, their use for pulse-echo techniques like ultrasound imaging is limited by the fact that model-based algorithms assume a finite grid of possible locations of scatterers in a medium -- an assumption that does not reflect the continuous nature of real world objects and creates a problem known as off-grid deviation. To cope with this problem, we present a method of dictionary expansion and constrained reconstruction that approximates the continuous manifold of all possible scatterer locations within a region of interest (ROI). The creation of the expanded dictionary is based on a highly coherent sampling of the ROI, followed by a rank reduction of the corresponding data that encompasses two possible approximation criteria: one based on singular-value decomposition (SVD) and one minimize-maximum (Minimax). Although we develop here a formulation for two-dimensional sparse imaging problems, it can be readily extended to any D dimensions. We develop a greedy algorithm, based on the Orthogonal Matching Pursuit (OMP), that uses a correlation-based non-convex constraint set that allows for the division of the ROI into cells of any size. To evaluate the performance of the proposed method, we present results of two-dimensional ultrasound image reconstructions with simulated data in a nondestructive testing application. The proposed method succeeds at reconstructing sparse images from noisy measurements and provides higher accuracy than previous approaches based on regular discrete models. Results also confirm a theoretical expectation that the Minimax dictionary outperforms the SVD dictionary on the estimation of the cardinality of the solution.