.png){kind=icon}
返回
Research on Magnetic Induction Tomography Method Based on Adaptive Singular Value Decomposition Algorithm
.png){kind=icon}
PRE
AI
DOI：10.1109/JSEN.2025.3607136.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
磁感应层析成像（MIT）是一种非接触、低成本电磁成像技术，在工业监测、生物医学成像和无损检测等领域具有广泛应用。然而，现有MIT成像算法存在重建速度慢、成像精度有限以及抗噪声能力弱等问题，阻碍了其实际部署。为克服这些局限性，本文提出了一种基于离散Pikard准则（DPC）的自适应截断奇异值分解（TSVD）方法，命名为Pikard驱动的TSVD（PTSVD）。该方法通过Pikard曲线定量分析病态矩阵，建立自适应正则化参数选择策略，并集成Tikhonov-高斯滤波以增强噪声抑制。与传统的Tikhonov和TSVD方法相比，PTSVD减少了经验参数的依赖，避免了过度图像平滑，并提高了抗噪声能力。仿真结果表明，在无噪声条件下，图像相关系数（CC）分别提高了28.8%和75.9%。即使在信噪比（SNR）为5 dB时，CC仍保持在0.63。在自建MIT平台上的实验验证进一步证实了该算法的有效性和实用性。本研究为实时MIT检测提供了一种高精度、抗噪声的解决方案，在熔融金属流监测、多相流分析及地下目标检测等应用中展现出巨大潜力。
Keyword:
Discrete Picard criterion (DPC)
image reconstruction
industrial Inspection
magnetic induction tomography (MIT)
regularization parameter
Tikhonov–Gaussian filtering
truncated singular value decomposition (TSVD)
