Logiciels


Graphical Inference in Linear-Gaussian State-Space Models


pmri
 

We share several MATLAB softwares to estimate matrix parameters in linear-Gaussian state space model. Our algorithms are based on the expectation-maximization (EM) methodology, which allows to infer the parameters jointly with the smoothing/filtering of the observed data. Proximal-based optimization solvers are incorporated for solving the M-step.

  • GraphEM estimates the transition matrix that encodes the Markovian dependencies in the evolution of the multi-variate state. It relates this matrix to the adjacency matrix of a directed graph, also interpreted as the causal relationship among state dimensions in the Granger-causality sense. GraphEM enables an efficient and versatile processing of various sophisticated priors on the graph structure, such as parsimony constraints.
    [Article] [Code]
  • DGLASSO bridges the gap between the static graphical Lasso model and a causal-based graphical approach for the linear-Gaussian SSM, so as to combine static and dynamic graphical modeling within the context of SSMs. DGLASSO implements an efficient block alternating majorization-minimization algorithm with established convergence guarantees.
    [Article] [Code]



Random Block-Coordinate Douglas-Rachford for Binary Logistic Regression


pmri
 

This MATLAB software implements a new optimization algorithm for sparse logistic regression based on a stochastic version of the Douglas-Rachford splitting method. Our algorithm sweeps the training set by randomly selecting a mini-batch of data at each iteration, and it allows us to update the variables in a block coordinate manner. Our approach leverages the proximity operator of the logistic loss, which is expressed with the generalized Lambert W function. Experiments carried out on standard datasets demonstrate the efficiency of our approach w.r.t. stochastic gradient-like methods. The MATLAB software allows to replicate the numerical comparisons of our paper.


Téléchargement : prox_logistic.zip


Plugin FIGARO (Imagej)


pmri
 

This plugin FIGARO for the open-source ImageJ software, helps tracking resolution of microscope systems by extracting dimensions and orientation of standardized microbeads images, acquired from test samples. In the development of optical microscopes for biomedical imaging, the evaluation of resolution is a fundamental parameter achieved by Point Spread Function (PSF) measurements. Sometimes, PSF measurement procedure is not easy or impossible in case of microspheres images presenting a high noise level. The current method proposed into the plugin FIGARO relies on a variational approach for PSF modeling through multivariate Gaussian fitting, adapted to images acquired in a high noise context, described here.


Téléchargement : ici


The Proximity Operator Repository


pmri
 

Proximity operators have become increasingly important tools as basic building blocks of proximal splitting algorithms, a class of algorithms that decompose complex composite convex optimization methods into simple steps involving one of the functions present in the model. The website available here provides formulas for efficiently computing the proximity operator of various functions, along with the associated codes.

Toolbox Matlab de reconstruction de données IRMp par l'algorithme 3MG


Téléchargement : ToolboxPMRI_v1.0.tar.gz ; ToolboxPMRI_v1.0.zip


pmri
 

Cette boîte à outils Matlab permet de résoudre le problème de reconstruction d'images à valeurs complexes qui se pose en Imagerie par Résonance Magnétique Parallèle (IRMp). La méthode se base sur la minimisation d'un critère pénalisé composé d'un terme de moindres carrés et d'un terme de pénalisation différentiable, non nécessairement convexe, appliqué sur les coefficients de détails d'une transformée en ondelettes orthogonales de l'image. L'algorithme utilisé est le 3MG (Majorize-Minimize Memory Gradient algorithm) décrit ici.


Toolbox Matlab de démélange linéaire par l'algorithme IPLS


Téléchargement : IPLS_v1.0.tar.gz ; IPLS_v1.0.zip


reflectance
 

Cette boîte à outils Matlab permet de résoudre le problème de démélange linéaire de cubes hyperspectraux. Un critère des moindres carrés est minimisé sous l'une des contraintes suivantes : positivité ; positivité et somme à un ; positivité et somme inférieure à un. L'algorithme utilisé est le IPLS (Interior Point Least Squares algorithm) décrit ici.


Toolbox Matlab de restauration d'images par l'algorithme VMFB


Téléchargement : RestoVMFB_Lab_v1.0.tar.gz ; RestoVMFB_Lab_v1.0.zip
Fiche Plume : ici


jetplane
 

Cette boîte à outils Matlab permet de restaurer des images dégradées par un opérateur linéaire et un bruit gaussien dont la variance dépend linéairement de l'image. La méthode se base sur la minimisation d'un critère pénalisé composé d'un terme d'attache aux données non convexe correspondant à l'anti log-vraissemblance de la distribution de bruit, de l'indicatrice d'un convexe (permettant de contraindre la dynamique de l'image restaurée) et d'un terme de variation totale isotrope. L'algorithme utilisé est le VMFB (Variable Metric Forward-Backward algorithm) décrit ici.


Toolbox Matlab de restauration d'images par l'algorithme 3MG


Téléchargement : RestoMMMG_Lab_v1.0.tar.gz ; RestoMMMG_Lab_v1.0.zip
Fiche Plume : ici


cameraman
 

Cette boîte à outils Matlab permet de restaurer des images dégradées par un opérateur linéaire et un bruit gaussien. La méthode se base sur la minimisation d'un critère pénalisé composé d'un terme de moindres carrés, d'une distance à un convexe (permettant de contraindre la dynamique de l'image restaurée), d'un terme quadratique (permettant d'assurer l'existence d'un minimiseur dans le cas d'un opérateur linéaire non injectif) et d'un terme de pénalisation différentiable, non nécessairement convexe, appliqué sur les différences horizontales et verticales inter-pixels dans l'image. L'algorithme utilisé est le 3MG (Majorize-Minimize Memory Gradient algorithm) décrit ici.



Toolbox Matlab de recherche linéaire pour un critère à barrière logarithmique


Téléchargement : LSMM_v1.0.tar.gz ; LSMM_v1.0.zip
Fiche Plume : ici


Cette boîte à outils Matlab permet de déterminer le pas d'un algorithme de descente, dans le cas de la minimisation d'un critère contenant une barrière logarithmique associée à des contraintes linéaires. La méthode de Majoration-Minimisation (MM) décrite ici est utilisée pour le calcul du pas. Cette méthode assure la convergence des algorithmes de descente standards (ex: gradient, Newton, quasi-Newton).