ModOpt

 

Authors:  S. Farrens, Z. Ramzi, Contributors
Language: Python
Download: GitHub
Description: ModOpt is a series of Modular Optimisation tools for solving inverse problems.
Notes:

API documentation


Installation

$ pip install modopt

Contributing

If you want to contribute to ModOpt, be sure to review the contribution guidelines and follow to the code of conduct.

PySAP

 

Authors:  S. Farrens, A. Grigis, L. El Gueddari, Z. Ramzi, Chaithya G. R., S. Starck, B. Sarthou, H. Cherkaoui, P.Ciuciu, J-L. Starck
Language: Python
Download: GitHub
Description: PySAP (Python Sparse data Analysis Package) is a Python module for sparse data analysis.
Notes:

PySAP paper


Installation

The installation of PySAP has been extensively tested on Ubuntu and macOS, however we cannot guarantee it will work on every operating system (e.g. Windows).

If you encounter any installation issues be sure to go through the following steps before opening a new issue:

  1. Check that that all of the installed all the dependencies listed above have been installed.
  2. Read through all of the documentation provided, including the troubleshooting suggestions.
  3. Check if you problem has already been addressed in a previous issue.

Further instructions are available here.

From PyPi

To install PySAP simply run:

$ pip install python-pysap

Depending on your Python setup you may need to provide the --user option.

$ pip install --user python-pysap

Locally

To build PySAP locally, clone the repository:

$ git clone https://github.com/CEA-COSMIC/pysap.git

and run:

$ python setup.py install

or:

$ python setup.py develop

As before, use the --user option if needed.

macOS

Help with installation on macOS is available here.

Linux

Please refer to the PyQtGraph homepage for issues regarding the installation of pyqtgraph.

Contributing

If you want to contribute to pySAP, be sure to review the contribution guidelines and follow to the code of conduct.

PySAP: Python Sparse Data Analysis Package for Multidisciplinary Image Processing

 

Authors: S. Farrens, A. Grigis, L. El Gueddari, Z. Ramzi, Chaithya G. R., S. Starck, B. Sarthou, H. Cherkaoui, P.Ciuciu, J-L. Starck
Journal: Astronomy and Computing
Year: 2020
Download: ADS | arXiv


Abstract

We present the open-source image processing software package PySAP (Python Sparse data Analysis Package) developed for the COmpressed Sensing for Magnetic resonance Imaging and Cosmology (COSMIC) project. This package provides a set of flexible tools that can be applied to a variety of compressed sensing and image reconstruction problems in various research domains. In particular, PySAP offers fast wavelet transforms and a range of integrated optimisation algorithms. In this paper we present the features available in PySAP and provide practical demonstrations on astrophysical and magnetic resonance imaging data.


Code

PySAP Code


Euclid : un subtil amalgame pour un résultat cosmologique plus précis

Au terme de trois années de travail, une équipe de la collaboration Euclid, coordonnée par l’Irfu, dévoile une nouvelle méthode pour traiter conjointement les observations ciblant spécifiquement la matière noire ou l’énergie noire, deux concepts distincts mais corrélés. Résultat : une précision de l’interprétation cosmologique grandement améliorée !

La quête de l’origine de l’accélération cosmique

Déterminer la cause de l’accélération cosmique est l’un des grands défis de la cosmologie. S’agit-il d’une constante (ΛCDM) ou d’un nouveau fluide (énergie noire, DE) ? Existe-t-il une nouvelle force qui modifie la gravité telle que décrite par Einstein (gravité modifiée, MG) ?

Le CEA travaille sur l’analyse de l’énergie noire et de la gravité modifiée dans le cadre de la mission Planck de l’Agence spatiale européenne (ESA) qui a mesuré le rayonnement du fond diffus cosmologique (CMB), la lumière émise 380 000 ans après le big bang. Dans la publication finale des données, nous avons actualisé et testé différents scénarios combinant les résultats de Planck à d’autres jeux de données.