Alma Mater Studiorum
·
Università di Bologna SCUOLA DISCIENZECorsodiLaureaMagistraleinMatemati a
Algoritmi di Regolarizzazione on Variazione Totale
nella Ri ostruzione di Immagini di Tomosintesi
Tesi di Laurea in Analisi Numeri a
Relatore:
Chiar.ma Prof.ssa
Elena Loli Pi olomini
Correlatore:
Dott.ssa Elena Morotti
Presentata da:
Lu ia Traini
se non Lo sentissi più parlare
Introduzione 4 1 La Tomosintesi 7 1.1 Breve Cronologia . . . 7 1.2 Apparatodi Tomosintesi . . . 8 1.3 Appli azioniinmammograa . . . 11 1.4 Algoritmidi Ri ostruzione . . . 13 1.4.1 Metodidiretti: FBP . . . 14 1.4.2 MetodiIterativi . . . 15
2 Regolarizzazione mediante Variazione Totale 20 2.1 ProblemiInversi eMal Posti . . . 20
2.1.1 I ProblemiMal Posti . . . 22
2.1.2 MalPosizioneperOperatorie Regolarizzazione . . . 26
2.2 Regolarizzazione. . . 30
2.3 Ottimizzazione . . . 31
2.4 Regolarizzazione se ondo Tikhonov . . . 36
2.4.1 Penalty Fun tional . . . 36
2.4.2 Fit-to-dataFun tional . . . 36
2.4.3 Analisi . . . 37
2.5 Regolarizzazione on VariazioneTotale . . . 38
2.5.2 Dis retizzazione . . . 44
2.6 LaggedDiusivity Fixed Point . . . 49
2.6.1 Convergenza . . . 50
2.7 AlgoritmoSGP . . . 54
2.7.1 Denizionie ProprietàPreliminari . . . 54
2.7.2 Il Metodo . . . 57
2.7.3 Convergenza peril metodoSGP . . . 60
2.8 UnAlgoritmo perla Ri ostruzionedi Immaginidi Tomosintesi on TV . 67 2.8.1 Ca olodel GradientedelTV e Realizzazionedei Vin oli . . . 68
2.8.2 L'algoritmo . . . 69
3 Risultati Numeri i 72 3.1 I ProblemiTest . . . 72
3.2 Il Parametro
α
. . . 753.3 Confrontotra i tre Metodi . . . 80
1.1 Geometria ir olare . . . 9
1.2 Geometrie lineari . . . 10
1.3 Movimentotubo-dete tor. . . 10
1.4 Sistemaper tomosintesi presente all'OspedaleMaggiore diBologna . . . 11
1.5 Confornto tramammograae tomosintesi mammaria . . . 12
1.6 Spettro dell'oggettoperTC e pertomosintesi . . . 15
1.7 Geometria arilevatore sso e sorgente inmovimento ir olare . . . 16
1.8 Intersezione del raggio
i
-esimo olpixelj
-esimo . . . 172.1 Signi atogeometri o della TV . . . 42
3.1 Cirs-mini: fanto io . . . 72
3.2 Cirs-mini: oggettidensi nei tre piani entrali. . . 73
3.3 Cirs-mini ompleto. . . 73
3.4 Cirs. . . 74
3.5 Shepp-Logan. . . 75
3.6 Ri ostruzioni on diversi valoridi
α
. . . 763.7 Cirs-mini: ri ostruzione,dettagliodel piano entrale. . . 76
3.8 Cirs-mini: ri ostruzione on erroremassimo pari a
0.09
. . . 773.9 Cirs-mini: gra i pererrore massimo
0.09
. . . 783.10 Cirs-mini: ri ostruzione on erroremassimo pari a
0.2
. . . 793.11 Cirs-mini: gra i pererrore massimo
0.2
. . . 793.13 Cirs-mini: ri ostruzione on punto sso. . . 82
3.14 Cirs-mini: ri ostruzione on terzo metodo. . . 83
3.15 Shepp-Logan: ri ostruzione on SGP. . . 84
3.16 Shepp-Logan: ri ostruzione on punto sso. . . 85
3.17 Shepp-Logan: gra idegli errori relativi on i due metodi . . . 86
3.18 Cirs: ri ostruzione on puntosso. . . 87
La Tomograa Computerizzata (CT) è una metodi a di diagnosti a per immagini
he onsiste inuna parti olare appli azionedei Raggi X. Essa, grazie ad una
valutazio-ne statisti o-matemati a( omputerizzata) dell'assorbimentodi taliraggi daparte delle
strutture orporee esaminate, onsente di ottenere immaginidi sezioni assiali del orpo
umano. Nonostante le dosi di radiazioni somministrate durante un esame siano
onte-nute, questa te ni a rimane s onsigliata per pazienti sensibili, per iò nas e il tentativo
dellatomosintesi: ottenerelostessorisultatodellaCTdiminuendoledosisomministrate.
Infattiunesameditomosintesi ri hiedepo he proiezionidistribuite suunrangeangolare
di appena
40
◦
.
Se dauna partelapossibilitàdiunaingentediminuzionedidosietempidi
somministra-zione ostituis e ungrosso vantaggiodalpuntodivistamedi o-diagnosti o,dalpuntodi
vistamatemati oesso omportaun nuovoproblemadiri ostruzionediimmagini: infatti
non èbanaleottenere risultativalidi omeperlaCT onun numerobassodiproiezioni,
osa he va ainerire sulla malposizione delproblema diri ostruzione.
Unpossibileappro ioalproblemadellari ostruzionidiimmaginiè onsiderarloun
pro-blema inverso mal posto e studiare te ni he di regolarizzazione opportune. In questa
tesi viene dis ussa la regolarizzazione tramite variazionetotale: verranno presentati tre
algoritmi he implementano questa te ni a in modi dierenti. Tali algoritmi verranno
mostratidal punto di vistamatemati o, e valutati dalpuntodi vistaqualitativo,
attra-verso al une immaginiri ostruite.
Lo s opo èquindi stabilirese i sia un metodo più vantaggioso e se si possano ottenere
to-mosintesia livellodiagnosti o. Per lari ostruzionesiè fattoriferimentoa problemi-test
ui è stato aggiunto del rumore, osì da onos ere l'immagine originale e poter vedere
quantola ri ostruzionesia adessa fedele.
Il lavoro prin ipale dunque è stata la sperimentazione degli algoritmi su problemi
test e la valutazione deirisultati, inparti olare per glialgoritmiSGP e diVogel, he in
letteratura sono proposti perproblemidi image deblurring.
Nel dettaglio, il primo apitolo presenta la te ni a di tomosintesi, i on etti he ne
stanno alla base, le sue evoluzioni no ad oggi e l'utilizzo attuale. Sarà fatto un breve
a enno alla ostruzione della matri edelsistema ditomosintesi eai più noti metodi di
ri ostruzione. Nel se ondo apitolosi trattanole basi matemati he di questo elaborato,
ossia metodidiregolarizzazione e ottimizzazionee inparti olare laregolarizzazione on
variazione totale. Saranno analizzati i tre metodi trattati sia dal punto di vista
algo-ritmi o sia dal punto di vista della onvergenza teori a alla soluzione esatta. Inne il
La Tomosintesi
La tomosintesi è una forma di tomograa ad angoli limitati he usa proiezioni
bidi-mensionaliper ri ostruire immaginivolumetri he.
Nel apitolo verranno visti i vantaggi e gli svantaggi di questa te ni a: essa viene
ap-pli ata in radio-diagnosti a e onsente una riduzione del tempo d'esame e della dose di
radiazioni somministrata al paziente; saranno inoltre valutate le dierenze on gli
ap-pro itradizionali intale ambito.
1.1 Breve Cronologia
La tomosintesi viene studiata a partire dagli anni
′
70
per ovviare ad al une la une
della tomograa tradizionale quali la onfusione nell'immagine ri ostruita, dovuta alla
presenza di dettagli sfo ati fuori dal piano di interesse, l'elevato tempo di a quisizione
e l'e essiva dose di radiazionine essari per realizzare la ri ostruzionevolumetri a, he
rendono questa te ni apo oadatta asoggetti sensibilie aparti del orpo deli ate.
Losviluppodellate ni aditomosintesiavvieneneglianni
′
90
,quandolate nologiarende
possibile la sostituzione deldete tor radiogra o tradizionale (il sistema
s hermo/pelli- ola) on dete tordigitali omeiat-panel; questa modi apermettedia quisire idati
instudio on un solomovimento ombinatodel sistemaemettitore/dete tor.
Se perla ri ostruzionedi un'immaginevolumetri a on la tomograa omputerizzatasi
devono a quisire proiezionia
360
◦
attorno alpaziente e ias una sezione diinteresse del
volume da ri ostruire viene al olata sfruttando tali proiezioni, la tomosintesi è inve e
una forma di tomograa ad angoli limitati he produ e sezioni (o sli e) dell'immagine
da una serie di proiezioni a quisite on un movimento dell'emettitore/ri evitore su un
pre iso per orso. Il range angolare totale si ridu e al massimo a
40
◦
, onsentendo la
diminuzionedeltempodi esposizioneai raggi X.
L'idea di base è prendere varie proiezioni 2D dell'oggetto 3D a diverse angolazioni in
modo he ogni proiezione fornis a una diversa informazione sull'oggetto in esame. La
tomosintesi quindi ridu e di molto il tempo e la quantità di esposizione ai raggi X da
parte del paziente; inoltre in quanto te ni a di ri ostruzione volumetri a diminuis e i
asi di falsi negativi e falsi positivi tipi i della valutazione di immagini tridimensionali
on te ni he bidimensionali.
1.2 Apparato di Tomosintesi
Per apire bene il metododella ri ostruzione volumetri a in esame si deve prima di
tuttostudiarelageometriadegli apparatiutilizzati: un sistemaditomosintesièformato
da un emettitore di raggi X e un dete tor he si muovono in senso opposto attorno al
paziente on un rangeangolarelimitato. I movimenti he il sistemaemettitore/dete tor
svolgeattornoalpianodiful ropossonoesseredidiversotipo,unodiessihaunarilevanza
stori a parti olare per hé venne presentato inun lavoro di Grant ri onos iuto da quasi
tutti gli esperti ome la base della tomosintesi. Si tratta della geometria ir olare, in
ui l'emettitore ruota attorno all'oggetto rispetto all'asse
z
e la retta he idealmente onnetteemettitoreeri evitorehain linazionessarispetto allostessoasse. EmettitoreFigura1.1:Geometria ir olare
Unaltrotipodigeometriaèquellolineare,inletteraturasenepossonotrovaretrediverse
tipologie:
1) Parallel Geometry,nota an he omeTwinning Geometry. In questo aso
l'emetti-tore si muove suun pianoparallelo alpiano deldete tor. Quest'ultimopuò essere
sso o mobilelungo il piano,in direzione opposta all'emettitore.
2) Complete-Iso entri Geometry, an he nota ome Grossman Geometry. In questo
s hema dete tor ed emettitore sono onnessi allostesso bra io esi muovono
on-temporaneamente on traiettorie ir olari attorno al paziente, naturalmente on
movimentioppostil'uno all'altro.
3) Partial-Iso entri Geometry. Inquest'ultimos hemaildete toroèssoosimuove
Figura1.2:(a)ParallelGeometry;(b)Complete-Iso entri Geometry;( )Partial-Iso entri Geometry
Per a quisire i dati dal paziente l'emettitore a raggi X manda un fas io di raggi
attraverso ilpazienteno araggiungereil re evitore, quest'ultimo potrà osì ostruire il
segnale he denis e laproiezionedell'oggetto perunadeterminataangolazione. Questo
pro edimento verrà poi attuato per tutte le angolazioni ne essarie no ad ottenere un
set di proiezioniutiliper lari ostruzionedell'oggetto 3D.
Figura1.3:Movimentotubo-dete tor
In tomograa esistonodue modi dilavorare on oggetti 3D:
•
siesaminaunasli e pervolta. Inquesto asoilfas iodiRaggiXèpiattoeil dete -torèformatodaunastris iadiri evitori he a quisis onoilsegnale. Laproiezionehe si ottiene è in questo modo una funzione unidimensionale rappresentante la
•
Ilse ondoèunmetodopropriodellatomosintesieprevedela onsiderazione dell'in-tero oggetto3D. In questo aso viene utilizzatoun fas iotridimensionaledi raggi,ilri evitoreèun piano elaproiezione he siottieneè unafunzione adue variabili.
Basta a questo punto ripetere l'a quisizione del segnale 2D per ogni angolazione
desiderata ottenendo osì il set diproiezioni ditutto l'oggetto.
In entrambi i asi la proiezione è funzione della densità dei tessuti. L'intensità del
se-gnale è proporzionale all'assorbimento del raggio da parte del tessuto: un tessuto più
densoassorbemaggiormenteilraggioedi onseguenza inquelpuntol'immagineapparirà
meno intensa. Ogni punto del segnale è la somma dei valori di assorbimento lungo un
singoloraggiodel fas io he orrispondespazialmenteaquelpunto. Utilizzandounasola
proiezione non si ries e a determinareogni dettagliodell'oggetto, per questo si ripete il
pro edimentoperpiùangolazioni,naturalmentepiù angolisiutilizzanomaggioresarà la
pre isione, mainquesto modo res erà an he iltempodi esposizione alleradiazionie la
quantitàdi radiazioniassorbita.
Unpossibileutilizzodellatomosintesi èdatodalla prevenzione deitumorialseno: in
questo ambito la mammograa lassi aspesso in orre infalsi positivi, dati per esempio
dalsovrapporsidipiù tessutinormali,o infalsinegativi, dovutiaduna massa tumorale
nas osta da tessuti ghiandolaridensi.
Latomosintesi digitaledella mammella(Digital Breast Tomosynthesis oDBT)
permet-te di ri ostruire immagini volumetri he della mammella a partire da po he proiezioni
bidimensionali a bassa dose ottenute on angolazioni diverse del tubo radiogeno. La
ri ostruzionevolumetri a, inlinea diprin ipio, onsente disuperare uno deilimiti
prin- ipali dell'imaging bidimensionale, ovvero il mas heramento di lesioni ( ome masse e
mi ro al i azioni) ausato dalla sovrapposizione di strutture normali; è proprio
l'op-portunitàdidisso iare pianidiversi he rendepossibileunariduzione delnumerodifalsi
negativi edi falsi positividovuti allasovrapposizione.
Figura1.5:Conforntotramammograa(a)etomosintesimammaria(b): ilrumoreapportatodallasommazionediombre
distruttureubi ateneidiversipianidellamammellamas heranell'immaginemammogra alapi olaformazionenodulare
presentenell'area er hiata,beneevidenziatanell'immaginetomogra a.
È intuitivo he l'elevato spessore può produrre su una super ie un eetto di elevata
densità an he se tra le strutture ghiandolari esistono piani di grasso più o meno estesi,
in presenza di tali ondizioni onsegue la man ata o s adente visualizzazione e la non
per ezione delle lesioni espansive (masse e distorsioni) e delle al i azioni. In virtù di
una nitida rappresentazione in assenza di sovrapposizioni, la tomosintesi è in grado di
le. La DBT permette un sostanziale miglioramento nel rilevamento e nell'analisi delle
lesioni, inuendo nella ertezza tantodella loropresenza quantodella loroassenza.
Tuttavia la DBT non è in grado, allo stato attuale, di denire on su iente
a ura-tezza il quadrante nel quale la lesione è situata: il rilevamentotomogra o onsente di
apprezzare solo isolatamente le lesioni he più sorono della sovrapposizione e quindi
della onfusione deipiani nella mammograa standard. Al uni entri in Italia
utilizza-no questa te ni a per la rilevazione di eventuali noduli al seno, essa però an ora non è
un'alternativaallamammograamasolounesamedaaan areaquest'ultima; sean he
i primi risultati omparativi dimostreranno la non inferiorità della tomosintesi rispetto
allete ni he lassi he, laDBT potrà sostituirele te ni he attualmente inuso.
1.4 Algoritmi di Ri ostruzione
Inizialmente la ri ostruzione delle immagini di tomosintesi avveniva on la te ni a
detta Shift And Add, basata sul fatto he oggetti ad altezze dierenti all'interno del
volume dari ostruire, al muoversi dell'emettitorevengono proiettatisul dete tor in
po-sizioni he dipendono dalle altezze trai piani; dunque la te ni a onsiste nello spostare
ogni proiezione a quisita di una quantità he dipende solamente dall'altezza del piano
(fasediShift)efarepoiuna mediafralenuoveproiezioniottenute(fasediAdd). Questo
metodo, molto vantaggioso dal punto di vista omputazionale, risente del fatto he le
sezioni ri ostruite ontengono, oltre ai dettagli del piano di interesse, an he dei
ontri-buti degli altripiani, he appaiono ome rumore. Nel tempo si è er ata una soluzione
a tali limitazioni, in parti olare alla ne degli anni
′
60
Edholm e Quiding proposero la
rimozione dello sfo amento in tomograa mediante l'appli azione di ltri passa-alto al
tomogrammaoriginale.
Un'altra te ni a per eliminare lo sfo amento è introdotta nel 1985 da Ghosh Roy: si
prevede la onos enza delle funzioni he regolano lo sfo amento per togliere
ompleta-menteladistorsionegenerata daipiani adia entiaquellodimessaafuo o; èunate ni a
stime dello sfo amento tomogra o sono al olate oinvolgendo un numero limitato di
piani on lelorofunzioni disfo amento,inquestomodolate ni anon vieneinuenzata
dall'ampli azione delrumore a basse frequenze ma ri hiede un alto osto
omputazio-nale.
Altri metodi per ridurre lo sfo amento nella tomosintesi fanno uso delle wavelets,
for-me d'onda os illanti he permettono di mettere in evidenza oggetti pi oli ed ad alto
ontrasto.
1.4.1 Metodi diretti: FBP
Laretroproiezioneèunodeimetodiinuso perlari ostruzionedioggetti3Dapartire
daloroproiezioni; lebasi matemati hedi questometodovengonoattribuite al
matema-ti o viennese Johann Radon e alla sua Trasformata di Radon (1917), he permette di
proiettare un oggetto 2D lungo raggi paralleli ome parte del lavoro dell'oggetto stesso
sugli integrali dilinea.
La Filterd Ba k Proje tion o FBP nas e per la lassi a Tomograa Computerizzata e
il fatto he le proiezioni siano prese in un range angolare ompleto attorno al paziente
è rilevante per la ri ostruzione dello spettro dell'oggetto onsiderato e penalizza
l'ap-pli azione di questo metodo in tomosintesi, dove le proiezioni a quisite non fornis ono
informazionisu ientiperuna ri ostruzione orretta. Nelleimmaginiseguentipossiamo
onfrontare ildominiodelle frequenzerelativoallari ostruzione on TCequellorelativo
allatomosintesi: inquest'ultimo aso l'informazioneinfrequenzaindirezione
z
è arente e iò omportauna bassa risoluzionesulla profonditàdell'oggettori ostruito. TaleFigura1.6:SpettrodiFourierperri ostruzione onTC(a)e ontomosintesi(b)
Nonostantelalimitazionedettaquestometodoètuttoramoltostudiatoperl'appli azione
in tomosintesi.
1.4.2 Metodi Iterativi
Unaltro possibileappro io è onsiderarelari ostruzionediimmaginiditomosintesi
ome un problema mal-posto:
•
lamal-posizionenas edalbassonumerodiproiezioniutilizzateedallamal-posizione dell'operatore diproiezione;•
a ausa del basso numero di proiezioni la ri ostruzione delle immagini onsiste nellarisoluzione diun sitemalineareindeterminato( on innitesoluzionipossibiliinquanto ilsistema ottenuto hameno equazionie più in ognite).
Trai metodinumeri idirisoluzione deisistemilinearimal-postisi onsideranoin
parti- olareimetodiiterativi;inquestoambitoglialgoritmidiri ostruzioneiterativisibasano
sulla risoluzionedisistemilinearile uiin ognite rappresentano i oe ienti di
Figura1.7:Geometriaarilevatoressoesorgenteinmovimento ir olaresuunrangediangolilimitato
•
L'oggettoinesame viene divisoinJ
voxel;•
il oe ientedi attenuazionedelj
-esimo voxel èindi ato onx
j
,1 ≤ j ≤ J
;•
ildete tor èsuddiviso in una grigliadiI
pixel;•
iraggiXsono ostituitidaunsegmentodiestremilasorgentedeglistessieil entro diogni pixel;•
per ogni angolazionesi hannotanti raggi quantisono ipixel deldete tor.Ad esempio, se il dete tor è monodimensionale, esso si presenta ome un array di 512
rilevatori o dete tor-bins ed è grande abbastanza per hé il ampo visivo sia la
ir onfe-renza ins rittanella matri e
256 × 256
dell'immagine.Le misure della TC possono essere orrelate al ammino integrale del oe iente di
at-tenuazione dei raggi X lungo i raggi deniti dalla sorgente e da un singolo dete tor-bin
deldete tor (siveda lagura(1.7)). Neldis retogliintegralipossonoesseres ritti ome
sommepesate suipixelattraversati daogni raggio,per modellareleproiezionidi
j
-esimo, ome ingura (1.8).Figura1.8: Intersezionedelraggio
i
-esimo olpixelj
-esimo:inquestoesempio5 × 5
ilpesoM
i,j
ènonnullosoloneipixelf
1
, f
6
, f
7
, f
8
, f
9
, f
14
, f
15
per hésonoisoliadinterse areilraggio.La matri e
A
dei oe ienti del sistema è data proprio dall'intersezione dei raggi on i pixel,dunque onsiderandoN
proiezioni,ossiaN
angolipresi inun ertorangelimitato, per ogni angolon
ilmodello di ri ostruzioneè dato dalsistema:A
n
x
= y
n
(1.1)dove
y
n
rappresenta lai
-esima proiezione,A
n
è la matri e di proiezione per l'n
-esimo angoloeA
ij,n
rappresentail ontributodella lunghezza deltrattodelraggioi
-esimo he interse a il voxelj
-esimo. DetteI
0,n
l'intensità delraggio in idente eI
i,n
l'intensità del raggio trasmesso si ha la seguente relazione tra il valore dellai
-esima proiezione e le intensità:y
i,n
= k ln
I
0,n
I
i,n
(1.2)tomosin-
A
1
A
2
. . .A
N
x
=
y
1
y
2
. . .y
N
−→ Ax = y
(1.3)Il sistema 1.3 è la base della te ni a di ri ostruzione dell'immagine in tomosintesi. In
ondizioni ideali il sistema può essere risolto esattamente invertendo la matri e
A
; in realtà quest'appro io è irrealizzabile a ausa dell'enorme dimensione del sistema. Aquesto proposito entrano ingio oi metodi iterativi: l'idea èquelladimigliorareil
risul-tato ad ogni iterazione, aggiornando ad ogni passo i oe ienti di attenuazione lineare
dei voxel e er ando di minimizzare l'errore fra le proiezioni al olate e quelle reali. Al
terminedel pro essosi avrà una soluzione approssimata delproblema.
Inletteraturapossiamotrovare numerosimetodi he sidierenzianoperl'appro io
ma-temati outilizzato per in rementare le in ognite. Il primo di questi algoritmi adessere
implementatoè hiamatoAlgebrai Re onstru tionte hnique (ART):i oe ientidi
at-tenuazione sono aggiornati onsiderando singolarmente ogni equazione del sistema 1.3;
inprati a l'aggiornamentoavvieneraggio per raggio. ART onverge velo ementema le
ri ostruzionirisentono dellapresenzadirumoresalt andpepper, soprattuttonelpresente
aso, in ui ilproblema è mal ondizionato.
Per risolvere tale in onvenientesono stati propostialtridue metodi di tipoalgebri o, il
SIRT (SimultaneousIterative Re ostru tion Te hnique)ed ilSART (Simultaneous
(Su-perior)Algebrai Re onstru tionTe hnique). L'ideadifondoè,inentrambii asi,quella
di ART, ambia solo il metodo di aggiornamento dei valori dell'approssimazione di x.
Nelprimol'aggionamentodelvolumeapprossimatoavvienesolodopo aver presoin
on-siderazioneil ontributodituttiiraggiXintutteleproiezioni. Sihadunque he inogni
singola iterazione SIRT prevede un'uni a fase di aggiornamento dei oe ienti. ART
inve e prevede, adogniiterazione, un numerodiaggiornamentiparialnumero
Questo aspetto lo rende di ilmenteutilizzabileper la tomosintesi per hé le proiezioni
vengono a quisite ad alta risoluzione, provo ando un elevato tempo di ese uzione per
ogni iterazione.
Per questo motivo si preferis ono metodi he permettono di arrivare ad una soluzione
on un numerobasso diiterazioni,in quantoaumentandoan he dipo oquesto numero,
aumenta dimolto iltempo diese uzione: SART rappresentaun ompromessotraART
Regolarizzazione mediante Variazione
Totale
In questo apitolo si aronta l'aspetto matemati o e formale della ri ostruzione di
immagini: verranno presentati i problemi mal posti e i metodi di regolarizzazione più
adattiallalororisoluzione. Sientreràpoinellospe i odeimetodi heusanoilfunzionale
di Variazione Totale e in parti olare srarnno esposti i tre algoritmi testati per questo
lavoro.
2.1 Problemi Inversi e Mal Posti
Ilproblemadellari ostruzionediimmaginiappartiene,dalpuntodivistamatemati o,
alla lasse dei problemi inversi.
Di questa tipologia di problemi non esiste una denizione pre isa ome inve e a ade
peraltre strutture matemati he, per apiredi osa sitratta ène essariofare riferimento
adal uni esempie onsiderare he si presuppone l'esistenza diun altro problema, detto
diretto, al quale il problema inverso è strettamente orrelato: si di e he due problemi
sonouno l'inversodell'altroquandolaformulazionedelprimo oinvolge ne essariamente
il se ondo. Di questa oppia di problemi viene hiamato problema diretto quello he è
meno onsiderato o studiato solo in tempi re enti. Ad esempio è di fa ile risoluzione il
problema di determinare il prodotto di due numeri interi assegnati; l'inverso di questo
problema(datounnumerointero,trovareuna oppiadifattoridi uiessosiailprodotto)
sipresentainve epiù ompli ato,an heper hénonèdetto heabbiaunasoluzioneuni a.
Pergarantirel'uni itàdellasoluzionebisognerebberestringersialla lassedeinumeri on
fattorizzazioneuni a, i numeri primi, ompli andola situazione.
I problemidirettisono problemineiqualisifornis ono su ienti informazioniperpoter
avviare un pro edimentoben denitoe stabile he porta aduna uni a soluzione:
informazioni
procedimento
−−−−−−−→
soluzione(2, 3)
−−−−−−−−→ 6
moltiplicazione
Se il pro esso des rive un fenomeno si o, o omunque del mondoreale, si può
s hema-tizzareil problema diretto ome:
ausa
→
modello→
eettox
−→ K −→ y
ossia
Kx
= y
(2.1)Il problema diretto onsistenell'assegnare la ausa
x
e ilmodelloK
e al olarel'eettoy
, ma questo è solo uno dei tre modi nei quali si può leggere l'equazione (2.1): ogni problema diretto suggeris e immediatamentedue problemiinversi:1) dati ilmodello
K
e l'eettoy
, risalirealla ausax
;Questeultimedueletturedell'equazione(2.1) orrispondonoaduetipidiproblemiinversi
e dalpunto di vistaappli ativo sono studiati,rispettivamente, perdue ragioni:
1) onos ere lo stato passato o i parametri he regolano un sistema (es: diagnosi
medi he, ri ostruzionediimmagini)
2) ontrollare lo stato nale del sistema modi ando lo stato presente o i parametri
delmodello (es: produzioneindustriale di manufatti)
Il problema della ri ostruzione di immagini orrisponde al primo aso e può essere
s hematizzato dalla seguenteequazione:
Z
Ω
input
× sistema dΩ = output
(2.2)Esso ha ome s opo ladeterminazione dell'oggettoda s ansionare(
input
) onos endo•
lamisuradelladensitàdeiraggiX hearrivanoinognipuntodelri evitore(output
)•
il modello matemati o he des rive l'appare hio di emissione ed a quisizione dei raggi X (sistema
)Dunque periproblemioriginatidalleappli azionisipuòdire he siarontaunproblema
inverso quando si er ano le ausedi un determinato eetto osservato odesiderato.
Dal punto divista puramente matemati o esiste una ulteriore e de isiva distinzione tra
problema diretto e inverso: il problema direttogode di erte buone proprietà he
orri-spondonoalladenizionediproblemabenposto,mentreilproblemainversoèsolitamente
mal posto.
2.1.1 I Problemi Mal Posti
La formamatemati a he meglio modellizzala (2.2) è l'Equazione Integrale di
Fred-holm di Prima Spe ie:
Z
Ω
• L
2
(Ω)
èuno spaziodi Hilbert di funzioni reali;
• K ∈ L
2
(Ω × Ω)
, èdettonu leo dell'equazioneed è notoesattamenteattraverso un
modello matemati o;
• f ∈ L
2
(Ω)
;
• g ∈ L
2
(Ω)
,solitamenteè una quantitàmisurataed è notasoloinal uni punti, per
questo è ne essario parlaredi dis retizzazione delproblema.
Il problema (2.3) dis retizzatoviene indi ato on:
K
f=
g (2.4)dovef e g sono vettori didimensione
N
eK
è un operatore ompatto.I prblemi on questo tipo di mal posizione vengono risolti attraverso metodi di
regola-rizzazione, il ui s opo è evitare le soluzioni fortemente instabili, an he a s apito della
pre isione.
Notazioni
• Ω ⊆ R
n
insiemenon vuoto, sempli emente onnesso eaperto on bordo ontinuoe
Lips hitzianoindi ato on
∂
Ω
;• C
1
(Ω)
spazio delle funzioni
f
: Ω −→ R
per ui lederivate parziali∂f
∂x
i
esistono e
sono ontinue;
• H
spazio di Hilbert reale on prodotto internoh·, ·i
H
e norma indottak·k
H
, se ilontesto è hiaro viene omessa la
H
a pedi e;•
la onvergenza si intende insenso forte:signi a he
lim
n−→∞
kf
n
− fk = 0
•
datouninsiemeS
,S
⊥
indi ailsuo omplementareortogonale,valeadirel'insieme
degli elementi
f
∈ H
tali hehf, si = 0 ∀ s ∈ S
;•
dati dueinsiemiS
eT
siintendeS
+ T = {s + t|s ∈ S, t ∈ T }
,s
+ T
èequivalente a{s} + T
;• R
n
+
= {
x= (x
1
, . . . , x
n
) ∈ R
n
|x
i
≥ 0 ∀ i}
•
si s rivef
(α) = o(g(α))
α−→α
∗
⇐⇒ lim
α−→α
∗
f
(α)
g(α)
= 0
(2.5)•
Ladelta di Krone kerè denitadaδ
i,j
=
(
1
sei
= j
0
sei
6= j
Operatori e Spazi di Hilbert
Sia
A
: H
1
−→ H
2
un operatore, si indi a on Range(A)
la sua immagine inH
2
. Si di e heA
è ontinuoseA(f
n
) −→ A(f
∗
)
perf
n
−→ f
∗
; nel aso in uiA
sia lineare si sostituis e adA(f )
las rittura menopesanteAf
.Si denis e ilNull Spa e di
A
: Null(A) = {f ∈ H
1
|Af = 0}
.A
è limitatose esolose lanorma indotta dall'operatorekAk
def
=
sup
kf k
H1
=1
kAfk
H
2
ènita. Operatorilineari elimitatisono an he ontinui;lospazio deglioperatori lineari
limitatida
H
1
aH
2
si indi a onL
(H
1
, H
2
)
. L'aggiuntodi un operatoreA
èA
∗
∈ L(H
2
, H
1
)
tale hedove
f
∈ H
1
eg
∈ H
2
.A
si di e autoaggiuntoseA
= A
∗
(edunque
H
1
= H
2
=: H
), in questo asoλ
min
(A)
def
=
inf
kf k
H
=1
hAf, fi
H
(2.7)λ
max
(A)
def
=
sup
kf k
H
=1
hAf, fi
H
(2.8)sono numeri reali niti.
A
è semidenito positivo seλ
min
(A) ≥ 0
e denito positivo sehAf, fi
H
>
0 ∀ f 6= 0
; si di e heA
è oer ivo seλ
min
(A) > 0
.Se
A
è autoaggiunto allorakAk = max{|λ
min
(A)|, |λ
max
(A)|}
; ingenerale inve ekAk =
pλ
max
(A
∗
A)
.Osservazione 1. Sia
M
(R
m×n
)
l'insiemedellematri idi dimensione
m
× n
avalorireali. Esso è uno spazio diHilbert on il prodotto di Frobenius:hA, Bi
F ro
=
m
X
i=1
n
X
j=1
a
i,j
b
i,j
(2.9)Lanorma indotta èquelladi Frobenius:
kAk
F ro
=
v
u
u
t
m
X
i=1
n
X
j=1
a
2
i,j
(2.10)Migliore approssimazione negli spazi di Hilbert
Sia
f
∈ H
e siaS
⊆ H
. Si di e hes
∗
è lamiglioreapprossimazione perf
inS
ses
∗
= arg min
s∈S
ks − fk
H
(2.11)
vale a dire:
s
∗
∈ S
eks
∗
− fk
H
≤ ks − fk
H
∀ s ∈ S
. Se esiste un tales
∗
, esso è uni o; l'esistenza è garantitasoloseS
è hiuso inH
, ioè seS
è un sottospazio diH
diTeorema 2.1.1. Se
s
∗
è la migliore approssimazionedif
in un sottospazioS
, allorahs
∗
− f, si
H
= 0
∀ s ∈ S
(2.12)Se
S
hadimensionenitaeunasua base è(φ
1
, . . . , φ
n
)
,dalteoremapre edenteviene laseguente formulaperil al olodella migliore approssimazione:s
∗
=
n
X
j=1
ˆa
j
φ
j
dove ilvettore dei oe ienti
ˆ
a
= (ˆa
1
, . . . ,
ˆa
n
)
risolveil sistemalineareGˆa = b
on[G]
i,j
= hφ
j
, φ
i
i
H
[b]
i
= hf, φ
i
iH
2.1.2 Mal Posizione per Operatori e Regolarizzazione
Denizione 2.1. Sia
K
: H
1
−→ H
2
; l'equazioneK(f ) = g
(2.13)si di e ben posta se
(i)
∀ g ∈ H
2
∃ f ∈ H
1
,detta soluzione, per uivalgala(2.13);(ii) lasoluzione
f
è uni a;(iii) la soluzione
f
è stabile rispetto alle perturbazioni ing
. Questo signi a he seKf
∗
= g
∗
eKf
= g
alloraf
−→ f
∗
seg
−→ g
∗
Un'equazione non ben posta èdetta malposta.
Se la (2.13) è ben posta, allora
K
haun operatoreinverso, ontinuoe ben denitoK
−1
tale he
K
−1
(K(f )) = f ∀ f ∈ H
Operatori Compatti, Sistemi Singolari, SVD
Nel asotrattato l'operatore oinvoltonelproblema èun operatore ompatto,valea
dire un operatore
K
: H
1
−→ H
2
per ui la hiusura dell'immagineè ompatta inH
2
.Teorema 2.1.2 (Malposizione peroperatori ompatti).
Siano
H
1
, H
2
spazi di Hilbert di dimensione innita e siaK
: H
1
−→ H
2
un operatore ompatto lineare. Se Range(K)
ha dimensione innita allora la (2.13) è mal posta in quantosonoviolatele ondizioni(i)e(iii)delladenizione2.1. Inquesto asoRange(K)
non è hiuso. Se inve e Range(K)
ha dimensione nita è violata la ondizione (ii).Se
K
è ompatto,K
∗
K
è ompatto e autoaggiunto, dunque esistono autovalori
po-sitivi e un orrispondente insieme di autovettori ortonormali he formano una base per
Null
(K
∗
K)
⊥
=
Null
(K)
⊥
. Da questa s omposizionesi ostruis e un sistema singolare.
Denizione 2.2 (Sistemasingolare).
Un sistema singolare per un operatore lineare ompatto
K
: H
1
−→ H
2
è un insieme numerabile di terne{u
j
, s
j
, v
j
,
}
j
on le seguentiproprietà:•
I vettori singolaridestriv
j
formanouna base ortonormaleper Null(K)
⊥
;
•
i vettori singolari sinistriu
j
formano una base ortonormale per la hiusura di Range(K)
;•
i valorisingolaris
j
sono numeri reali positiviin ordine non res ente:s
1
≥ s
2
≥ . . . > 0;
• ∀ j
valeKv
j
= s
j
u
j
;• ∀ j
valeK
∗
u
j
= s
j
v
j
;•
seRange(K)
ha dimensioneinnita, alloralim
Sia ora
K
una matri em
× n
,K
può essere visto ome un operatore ompattoK
: H
1
−→ H
2
onH
1
= R
n
e
H
2
= R
m
; questo operatore ammette un sistema
singolare
{
uj
, s
j
,
vj
,
}
r
j=1
onr
= rank(K)
.Siano
U
r
la matri e di dimensionem
× r
e di olonne uj
eV
r
la matri e di dimensionen
× r
e di olonne vj
, ser < n
allora Null(K)
è un sottospazio non banale diR
n
ed
è possibile ostruire una matri e
V
0
di dimensionen
× (n − r)
le ui olonne siano una base ortonormale per Null(K)
. Analogamente, ser < m
, Range(K)
⊥
è un sottospazio
non banale di
R
m
e si può ostruire una matri e
U
⊥
di dimensionem
× (m − r)
le ui olonneformino una base ortonormale per Range(K)
⊥
.
La SVD (SingularValue De omposition) di
K
è las omposizioneK
= UDV
T
(2.14) doveU
= [U
r
U
⊥
],
V
= [V
r
V
0
],
D
=
"
diag(s
1
, . . . , s
r
) 0
0
0
#
(2.15)Soluzioni ai Minimi Quadrati e Pseudo-Inversa
Sia
K
un operatore ompatto on sistema singolare{u
j
, s
j
, v
j
,
}
j
, alloraK
ammette laseguente rappresentazione:Kf
=
X
j
s
j
hf, v
j
i
H
1
u
j
(2.16)e dato
g
∈
Range(K)
è possibile ostruire il vettoreK
†
g
=
X
j
hg, u
j
i
H
2
s
j
heappartieneallospazioNull
(K)
⊥
eper uivale
K
(K
†
g)
. Questooperatoreè hiamato
pseudo-inversa di
K
ed èdenito sugli spaziK
†
:
Range(K) +
Range(K)
⊥
−→
Null(K)
⊥
Se
K
è una matri esi appli a laSVD:K
†
= V D
†
U
T
dove[D
†
]
i,j
=
1
s
j
sei
= j
e1 ≤ i ≤ r
0
altrimentiLapseudo-inversa diun operatorepuò essere aratterizzata inun altromodo,usando le
soluzioniai minimiquadrati:
Denizione 2.3 (Soluzione aiminimi quadrati).
Sia
K
: H
1
−→ H
2
un operatore limitato e lineare. Una soluzione ai minimi quadrati diKf
= g
èf
ls
tale he:kKf
ls
− gk
H
2
≤ kKf − gk
H
2
∀ f ∈ H
1
(2.18)Nonne essariamenteesiste una soluzione aiminimiquadrati, seesiste l'insiemeditutte
lepossibilisoluzioniai minimiquadrati èdato dalsottospazio ane
f
ls
+
Null(K)
e tra tutte quelladiminima norma èdata daf
ls
mn
= arg
min
f∈f
ls
+
Null(K)
kfk
H
1
(2.19)Teorema 2.1.3. Se
g
∈
Range(K) +
Range(K)
⊥
allora
f
ls
mn
= K
†
g
K
†
è limitatoseesolose Range(K)
è hiuso. Inquesto asof
ls
2.2 Regolarizzazione
Si onsidera l'equazione (2.13),
Kf
= g
, e si assume he esista un operatoreR
∗
he portiognig
∈
Range((K)
inun uni oR
∗
(g) ∈ H
1
tale heK(R
∗
(g)) = g
, seK
èlineare generalmente si poneR
∗
= K
T
. Si onsidera una famiglia di operatori regolarizzanti
R
α
: H
2
−→ H
1
, doveα
∈ I
è detto parametro di regolarizzazione (I
insiemedi indi i). Denizione 2.4 (S hema diregolarizzazione).{R
α
}
α∈I
èuno s hema diregolarizzazione he onverge aR
∗
se (i)∀ α ∈ I
,R
α
è un operatore ontinuo;(ii) dato
g
∈
Range(K)
, per ogni su essione{g
n
} ⊂ H
2
he onverge ag
è possibile estrarreuna su essione{α
n
} ⊂ I
tale heR
α
n
(g
n
) −→ R
∗
(g)
pern
−→ ∞
Si di e he
{R
α
}
α∈I
è linearese loè ogni suo elemento.Di parti olare interesse sono gli s hemi di regolarizzazione on rappresentazione
l-trata
R
α
(g) =
X
j
w
α
s
2
j
s
j
hg, u
j
i
H
2
v
j
(2.20) he onverge aR
∗
= K
†
. Esempi noti diltri diregolarizzazione
w
α
sono illtro TSVD e quellodiTikhonov, peri qualiα
∈ I = (0, ∞)
.A partiredalla (2.20)si può dimostrare he
kR
α
k = sup
j
w
α
(s
2
j
)
s
j
(2.21)
Sia
g
∈
Range(K)
, seg
n
∈ H
2
eδ
n
>
0
sono tali hekg
n
− gk ≤ δ
n
(2.22)allora per ladisuguaglianzatriangolare e perla (2.21)vale:
Il prossimo teorema garantis e l'esistenza di un
α
= α(δ)
per ui i due termini della parte destra della (2.23) onvergono a 0 perδ
n
−→ 0
. Si indi a onα
∗
il valore limite delparametro diregolarizzazione per uiil limite della(2.4) èR
∗
.Teorema 2.2.1 (Convergenza per s hemi di regolarizzazione).
Si assuma he per ogni
α
∈ I
,sup
s>0
w
α
(s
2
)
s
<
∞
e he∀ s > 0
lim
α−→α
∗
w
α
(s
2
) = 1
(2.24)Si assuma an he he esista una funzione
α
= α(δ) : R
+
−→ I
tale helim
δ−→0
α(δ) = α
∗
(2.25)lim
δ−→0
kR
α(δ)
kδ = 0
(2.26)Allora la (2.20) denis e uno s hema di regolarizzazione he onverge a
K
†
.
2.3 Ottimizzazione
Sia
J
: H −→ R
esiaC
un sottoinsiemediH
,si vuole al olareilminimodiJ
suC
, indi ato onf
∗
= arg min
f∈C
J(f )
Se
C
= H
il problema edetto diminimizzazionenon vin olata, seinve eC
⊂ H
siparla diminimizzazionevin olata.Se esiste
δ >
0
tale heJ(f
∗
) ≤ J(f)
perf
∈ C, kf − f
∗
k
H
< δ
Denizione 2.5 (Convergenza debole).
Unasu essione
{f
n
}
in uno spazio diHilbertH
onverge debolmente af
∗
selim
n−→∞
hf
n
− f
∗
, f
∗
i
H
∀ f ∈ H
e inquesto aso si s rive
f
n
⇀ f
∗
.La onvergenza forte impli a la debole e in spazi nito-dimensionali le due si
equi-valgono.
Denizione 2.6 (Semi ontinuità debole dalbasso).
J
: H −→ R
è debolmentesemi ontiuno dalbasso seJ
(f
∗
) ≤ lim inf
n−→∞
J(f
n
)
quando
f
n
⇀ f
∗
(2.27)Denizione 2.7 (Funzionale onvesso).
J
: C ⊂ H −→ R
èun funzionale onvesso seJ(τ f
1
+ (1 − τ)f
2
) ≤ τJ(f
1
) + (1 − τ)J(f
2
)
(2.28)on
f
1
, f
2
∈ C
e0 < τ < 1
.J
si di e strettamente onvesso se la (2.7) è stretta perf
1
6= f
2
.I funzionali onvessi sono sempre debolmentesemi ontinui dalbasso.
Si ri orda he un insieme
C
è onvesso se per ogni sua oppia di elementi(f
1
, f
2
)
una ombinazione lineare onvessaτ f
1
+ (1 − τ)f
2
, on0 < τ < 1
, appartiene an ora allo spazioC
.C
è hiuso seogni su essione onvergente halimite nello spazio stesso.Denizione 2.8 (Funzionale oer ivo).
Un funzionale
J
: H −→ R
è oer ivoseTeorema 2.3.1. Sia
J
: H −→ R
debolmente semi ontinuo dal basso e oer ivo e siaC
un sottoinsieme diH
hiuso e onvesso. AlloraJ
ha un minimo suC
e seC
è strettamente onvessotale minimoè uni o.Dimostrazione. Sia
{f
n
}
una su essione minimizzante perJ
inC
, ossia ogni suo ele-mentof
n
∈ C
eJ(f
n
) −→ J
∗
def
= inf
f∈C
J
(f )
. Poi hèJ
è oer ivo{f
n
}
è limitata, e lalimitatezza di una su essione in uno spazio di Hilbert impli a l'esistenza di unasot-tosu essione
{f
n
j
}
debolmente onvergente, siaf
∗
il suo limite;f
∗
∈ C
per héC
è un sottoinsieme hiuso e onvesso in uno spazio di Hilbert e dunque è an he hiuso per laonvergenza debole. Siha, perla semi ontinuità deboledalbasso di
J
:J
(f
∗
) ≤ lim inf J(f
n
j
) = lim J(f
n
) = J
∗
e dunque
J(f
∗
) = J
∗
. Sia oraJ
strettamente onvesso eJ(f
0
) = J
∗
onf
0
6= f
∗
. Prendendoτ
=
1
2
nella (2.28) si ottieneJ(
f
0
+ f
∗
2
) < J
∗
he è in ontraddizione on quantodetto in pre edenza.Si provvede ora alla aratterizzazione delminimo.
Denizione 2.9 (Dierenziabilitàse ondo Fré het).
Un operatore
A
: H
1
−→ H
2
è dierenziabile se ondo Fré het inf
∈ H
1
se e solo se esisteA
′
(f ) ∈ L(H
1
, H
2
)
,detto derivata di Fré het diA
inf
, tale heA(f + h) = A(f ) + A
′
(f )h + o(khk
H
)
perkhk
H
−→ 0
(2.29)Sidenis ono ri orsivamentele derivate diFré het di ordini maggiori,adesempio
A
′
(f + k) = A
′
(f ) + A
′′
(f )k + o(kkk
H
)
denis e la derivata se onda di Fré het, on
A
′′
(f ) ∈ L(H, L(H, H
2
))
. La mappa(h, k) 7−→ (A
′′
(f )k)h
è limitata ebilinearee va da
H
× H
inH
, inoltre èsimmetri a:Denizione 2.10 (Gradientedi
J
inf
).Sia
J
: H −→ R
dierenziabilese ondoFré hetinf
. Perilteoremadirappresentazione di Riesz esiste gradJ
(f ) ∈ H
, detto il gradientediJ
inf
tale heJ
′
(f )h = h
gradJ
(f ), hi
H
(2.31)Proposizione 2.3.2. Se
J
: H −→ R
è dierenziabile se ondo Fré het inf
, allora∀ h ∈ H
lamappa daR
inR
he portaτ
7−→ J(f + τh)
è dierenziabileinτ
= 0
ond
dτ
J
(f + τ h)|
τ=0
= h
gradJ
(f ), hi
H
(2.32) Osservazione 2. La parte a sinistra dell'uguaglianza in (2.32) denis e laderivatadire-zionaleo prima variazionedi
J
inf
nella direzioneh
ed è spesso indi ata onδJ
(f, h)
.Teorema 2.3.3. Sia
J
: H −→ R
dierenziabile se ondo Fré het. Se ha minimo lo ale non vin olato inf
∗
allora gradJ(f
∗
) = 0
.Dimostrazione. Sia
g
=
gradJ(f
∗
)
. Perla (2.29) ela (2.31) siha:J
(f
∗
− τg) = J(f
∗
) − τkgk
2
+ o(τ )
perτ
−→ 0
(2.33)Se
g
6= 0
la parte destra della (2.33) diventa minore diJ
(f
∗
)
prendendoτ >
0
e su intemente pi olo.Teorema 2.3.4. Sia
C
un sottoinsieme diH
hiusoe onvesso. Sef
∗
∈ C
è un minimo lo ale vin olato perJ
eJ
è dierenziabile se ondo Fré het inf
∗
, allorah
gradJ
(f
∗
), f − f
∗
i
H
≥ 0
∀ f ∈ C
(2.34)Dimostrazione. Si ssi un generi o
f
∈ C
. Dato heC
è onvesso,f
∗
+ τ (f − f
∗
) =
τ f
+ (1 − τ)f
∗
∈ C
per0 ≤ τ ≤ 1
. Dunque, si omef
∗
è minimovin olato:lim
τ−→0
+
J(f
∗
+ τ (f − f
∗
)) − J(f
∗
)
A questo puntola tesi segue dalla proposizione2.3.2.
Di seguitosono riportatial uniteoremi he aratterizzano ifunzionali onvessi
die-renziabili.
Teorema 2.3.5. Sia
J
dierenziabile se ondo Fré het su un insieme onvessoC
.J
è onvesso se e soloseh
gradJ
(f
1
) −
gradJ(f
2
), f
1
− f
2
i ≥ 0
(2.35) perf
1
, f
2
∈ C
.J
è strettamente onvesso se la (2.35) è una disuguaglianza stretta per ognif
1
, f
2
tali hef
1
6= f
2
.Denizione 2.11 (Derivata se onda diFré het).
Se la derivata se onda di Fré het esiste per
J
inf
, allora per la (2.30) ha la seguente rappresentazione:(J
′′
(f )h)k = h
HessJ
(f )h, ki
(2.36)doveHess
J
(f )
èun operatoresuH
lineare,limitatoed autoaggiuntoed èdettoHessiana diJ
inf
.Teorema 2.3.6. Sia
J
dierenziabiledue voltese ondoFré hetsuun onvessoC
. AlloraJ
è onvesso se e solo se HessJ(f )
è semidenita positiva per ognif
nell'interno diC
. Se HessJ
(f )
è denita positiva alloraJ
è strettamente onvesso.Se
J
è due volte dierenziabilese ondo Fré het inf
, alloraJ
(f + h) = J(f ) + h
gradJ
(f ), hi +
1
2
h
HessJ
(f )h, hi + o(khk
2
H
)
(2.37) perkhk
H
−→ 0
. Questo fornis e le basi per ondizioni del se ond'ordine su ienti per minimizzazioninon vin olate.Teorema 2.3.7. Se
J
è due volte dierenziabilese ondo Fré het inf
∗
, gradJ(f
∗
) = 0
e HessJ
(f
∗
)
è strettamente positiva, alloraf
∗
è un minimo lo alestretto perJ
.2.4 Regolarizzazione se ondo Tikhonov
Un generi o funzionale diTikhonov peril problema
K(f ) = g
in (2.13)ha laformaT
α
(f ; g) = ρ(K(f ), g) + αJ(f )
(2.38) dove• α > 0
è il parametro diregolarizzazione;• J : H
1
−→ R
èil penalty fun tional;• ρ : H
2
× H
2
−→ R
è ilt-to-data fun tional. 2.4.1 Penalty Fun tionalLos opodelpenaltyfun tionalèquellodiindurrestabilitàepermetterel'inserimento
di informazionia priori sulla soluzione desiderata
f
. Il penalty fun tional standard di Tikhonov su uno spazio diHilbertH
1
èJ(f )) =
1
2
kfk
2
H
1
Un altro esempioè ilpenalty fun tional diSobolev
H
1
:J
H
1
(f ) =
1
2
Z
Ω
d
X
i=1
∂f
∂x
i
2
Funzionalidiquesto tipopenalizzanole soluzioninon lis e.
2.4.2 Fit-to-data Fun tional
Il ompitodel funzionale
ρ
nella(2.38) èquellodivalutarequantobene laprevisioneuno spazio diHilbert,
ρ
LS
(g
1
, g
2
) =
1
2
kg
1
− g
2
k
2
H
2
,
g
1
, g
2
∈ H
2
2.4.3 AnalisiSiri ordi,dalladenizione2.4, heunos hemaregolarizzanteèunafamigliadimappe
R
α
: H
2
−→ H
1
. SiaoraT
α
(f ; g) =
1
2
kKf − gk
2
H
2
+ αhLf, fi
H
1
(2.39) si denis eR
α
(g) = arg min
f∈C
T
α
(f ; g)
α >
0
Siassume he:A1.
C
è un sottoinsieme hiuso e onvesso diH
1
;A2.
L
è un operatore autoaggiunto, lineare e strettamente positivo suH
1
, questo impli a he esiste una ostantec
0
>
0
tale hehLf, fi
H
1
≥ c
0
kfk
2
H
1
(2.40)A3.
K
èlimitato e lineare.Il teoremaseguente è un risultatodi esistenza e ontinuità per
R
α
.Teorema 2.4.1 (Esistenza e ontinuità di uno s hema regolarizzante).
Sotto le pre edenti ipotesi
R
α
esiste ed è ontinuo per ogniα >
0
.Dimostrazione. Dapprima si prova he l'operatore
R
α
è ben denito. Sianog
∈ H
2
eα >
0
ssati. Peralleggerire lanotazione siaT
(f ) = T
α
(f ; g)
.T
è onvesso e dunque è debolmente semi ontinuo dalbasso, inoltre per la A2 è an he oer ivo, dal momento heT
(f ) ≥ αc
0
kfk
2
haun uni ominimo.
Per dimostrare la ontinuità si ssa
g
0
∈ H
2
. Siag
n
−→ g
0
. Sianof
0
= R
α
(g
0
)
ef
n
= R
α
(g
n
)
; ome in pre edenza si sempli a la notazione indi andoT
α
(f ; g
0
)
onT
0
(f )
eT
α
(f ; g
n
)
onT
n
(f )
. Dal teorema2.3.4 siha:0 ≥ h
gradT
n
(f
n
), f
n
− f
0
i
H
1
= h(K
∗
K
+ αL)(f
n
− f
0
), f
n
− f
0
i
H
1
+ hK
∗
(g
n
− g
0
), f
n
− f
0
i
H
1
≥ αc
0
kf
n
− f
0
k
2
H
1
− kK
∗
(g
n
− g
0
)k
H
1
kf
n
− f
0
k
H
1
dove l'ultimadisuguaglianzasegue dalla (2.40). Di onseguenza
kf
n
− f
0
k
H
1
≤
1
αc
0
kK
∗
(g
n
− g
0
)k
H
1
2.5 Regolarizzazione on Variazione Totale
Si indi a on
∇
il fradiente di una funzione regolaref
: R
d
−→ R
e on
C
1
0
(Ω, R
d
)
lo spazio dei vettori
~v
= (v
1
, . . . , v
d
)
on omponenti ontinuamente dierenziabili e a supporto ompatto suΩ
. Ladivergenadi~v
èdata da:div
~v
=
d
X
i=1
∂v
i
∂x
i
Lanormaeu lideaèdenotatada
| · |
;lospaziodiSobolevW
1,1
(Ω)
èla hiusuradi
C
1
0
(Ω)
rispetto allanorma
kfk
1,1
=
Z
Ω
|f| +
d
X
i=1
∂f
∂x
i
Denizione 2.12 (Funzionale TV).
Lavariazionetotaledi una funzione
f
∈ L
1
(Ω)
èdenita ome:
T V
(f ) = sup
~
v∈V
f
div~vdx
(2.41)dove
V
è lospazio delle funzioni test,V
= {~v ∈ C
0
1
(Ω, R
d
)||~v(x)| ≤ 1 ∀ x ∈ Ω}
(2.42) La (2.41)si generalizza in2 e 3dimensioni:T V
(f ) = sup
v∈V
2
Z
1
0
Z
1
0
f
(x, y)
divvdxdy
T V
(f ) = sup
v∈V
3
Z
1
0
Z
1
0
Z
1
0
f
(x, y, z)
divvdxdydz
dove
V
2
eV
3
sono analoghi aV
ma in2
e3
dimensioni.L'equazione (2.41) hala seguente formadeboleper funzionilis e:
T V
(f ) =
Z
Ω
|∇f|dx
(2.43)
da ui derivano le generalizzazioni indue e tre dimensioni:
T V
(f ) =
Z
1
0
Z
1
0
k∇fkdxdy
(2.44)T V
(f ) =
Z
1
0
Z
1
0
Z
1
0
k∇fkdxdydz
(2.45) Proposizione 2.5.1. Sef
∈ W
1,1
(Ω)
alloraT V
(f ) =
R
Ω
|∇f|
Denizione 2.13 (SpazioBV(Ω)
).funzioni
f
∈ L
1
(Ω)
tali hekfk
BVdef
= kfk
L
1
(Ω)
+ T V (f ) < ∞
(2.46) Teorema 2.5.2.k·k
BVè una norma e on questa BV
(Ω)
è uno spazio di Bana h. In questo spazio il funzionale TV è una seminorma.Si enun ianodiseguito importantirisultati sulla ompattezza, onvessità e
semi on-tinuità di
T V
(f )
.Teorema 2.5.3 (Compattezza in
L
p
).
Sia
S
uninsiemeBV-limitatodifunzioni. PerΩ ⊆ R
d
,S
è unsottinsiemerelativamente ompattodiL
p
(Ω)
per1 ≤ p ≤
d
d
− 1
edèdebolmenterelativamente ompattoinL
d
d−1
(Ω)
. Sed
= 1
si onsiderad
d
− 1
= +∞
. Teorema 2.5.4 (Convessità diT V
(f )
).Il funzionale
T V
in (2.41) denito sullo spazioBV(Ω)
è onvessoma non strettamente onvesso. La restrizione inW
1,1
(Ω)
è strettamente onvessa.
Teorema 2.5.5 (Semi ontinuità).
Il funzionale
T V
in (2.41) è debolmente semi ontinuo dal basso rispetto alla normaL
p
per
1 ≤ p < ∞
.Orasiesaminanol'esistenza,l'uni itàelastabilitàdellaminimizzazionedelfunzionale
TV on penalizzazioneai minimiquadrati, ossia delfunzionale
T
(f ) = kKf − gk
2
L
2
(Ω)
+ αkfk
BV
(2.47)
dove
α >
0
.Teorema 2.5.6 (Uni itàdel minimovin olato di
T
). Sia1 ≤ p <
d
d
− 1
e siaC
un sottinsieme diL
p
(Ω)
Sia
K
: L
p
(Ω) −→ L
2
(Ω)
lineare, limitato e tale he Null
(K) = {0}
. Allora per ognig
∈ L
2
(Ω)
ssato, il funzionale (2.47) ha un uni o minimovin olato,f
∗
= arg min
f∈C
T
(f )
Dimostrazione. Ladimostrazionedell'esistenzaèanalogaalladimostrazionedelteorema
2.3.1. Si ome
K
èlinearee onnullspa e banale,epoi hèlanormaalquadratodiuno spaziodiHilbertèstrettamente onvessa, lamappaf
7−→ kKf − gk
2
L
2
(Ω)
èstrettamente onvessa. L'uni itàsegue daquesto.Teorema 2.5.7 (Stabilità).
Siano valide leipotesi delteorema2.5.6. Allora il minimo
f
∗
è stabile rispetto a(i) perturbazioni
g
n
del datog
tali hekg
n
− gk
L
2
(Ω)
−→ 0
;(ii) perturbazioni
K
n
dell'operatoreK
tali hekK
n
(f ) − K(f)k
L
2
(Ω)
−→ 0
uniforme-mente sui sottinsiemi ompatti diL
p
(Ω)
;
(iii) perturbazioni
α
n
del parametro di regolarizzaizoneα >
0
.Risultati analoghi diesistenza, uni ità e stabilitàsi ottengono sostituendo la norma
BVin (2.46) on ilfunzionale TVin (2.41):
T
(f ) = kKf − gk
2
L
2
(Ω)
+ αT V (f )
(2.48)La ondizioneNull
(K) = {0}
puòessereinqual hemodoindebolita,ilseguenteteorema ne è un esempio.Teorema 2.5.8. Sia
C
un sottinsieme diL
p
(Ω)
hiuso e onvesso on
1 ≤ p <
d
d
− 1
. SiaK
: L
p
(Ω) −→ L
2
(Ω)
limitato e lineare e sia
K
1 6= 0
, dove1
indi a la funzione1(x) = 1 ∀ x ∈ Ω
. Allora il funzionale in (2.48) ha un uni o minimo vin olato suC
. Dunque laminimizzazionedel funzionalediTikhonov-TV neldis reto:T
α
(
f) =
1
2
kK
f−
gk
2
è laregolarizzazione dell'equazione
K
f=
g in(2.4).La variazionetotale di
f
,T V
(f )
, può essere interpretata geometri amente ome l'area della super ie laterale del gra o dif
. In parti olare, siaS
una regione on un bordo∂S
lis io ontenuto nelquadrato unitario[0, 1] × [0, 1]
;sia:f
(x, y) =
(
H >
0
se
(x, y) ∈ S
0
altrimenti
T V
(f )
è allorala lunghezza delbordo∂S
moltipli atoperl'altezzaH
delsalto inf
.Figura2.1:Signi atogeometri odellaTV:inrossoèrappresentatalasuper ielateraledellafunzione
f
, he orrispondeallalunghezzadelbordodeldominioperilsaltodi
f
.Se
f
ha delle os illazionimolto ampie ha an he una super e laterale ampia e dunque un'alta variazione totale. Questa è una proprietà ondivisa on il funzionale dirego-larizzazione di Sobolev
H
1
norma quadrata del gradiente, ma a dierenza di esso la
regolarizzazione on la variazione totale può ri ostruire funzioni on deisalti. Nel aso
dell'imagedeblurringlaregolarizzazione on variazionetotaleprodu edelleri ostruzioni
qualitativamente orrette diimagini a blo hi, ioèun'immagine quasi ostante on dei