数字图像处理第五章12摘要.ppt

从多个投影数据重建图像有多种方法，这里介绍最基本的傅立叶变换法。 图像f(x,y)的傅立叶变换为 而f(x,y)对x轴的投影为 对其进行傅立叶变换得 可见f(x,y)向x轴投影的傅立叶变换，与f(x,y)的傅立叶变换沿v=0 的断面一致的。 若对多个方向直线上的投影数据分别进行傅立叶变换，就可求出沿着与这个方向相同的直线上的F(u,v)。 如果把由它们计算出的F(u,v)进行傅立叶逆变换，就得到了原始的图像f(x,y)。 因为从投影数据的傅立叶变换得到的是极坐标形式的F(u,v) ，因此为了求得在直角坐标系中的F(u,v)，就必须在F(u,v)空间进行内插，或者按照极坐标进行逆傅立叶变换，在图像空间进行内插。 三维形状的复原 为了测出三维物体的形状，一方面可以一点点地移动位置，一方面求出多个垂直于通过物体中心线的断面，然后把它们依次连接起来，即根据一系列二维图像的位置变化构成三维图像。 一旦这样的物体三维信息被恢复，就可以求出关于具有任意倾斜度平面的断面，或者可以由三维的任意方向来看物体，从而使对物体形状的判读变得非常容易。 从多个断面恢复三维形状的方法有Voxel 法（体素法）、分块的平面近似法。 1.? Voxel 法（体素法） 如果在断面间加密，让断面内的抽样间隔和断面间隔相等，断面内的各像素就可以看成三维空间的小立方体，如图所示。因此，在多个断面图像中，断面之间相当于这个立方体高度，立方体堆积起来就可以表现物体的三维图像。 2．分块的平面近似法 分块的平面近似法是面向表面型的表示法。 用前者求物体表面很困难，而用后者求断面困难。因此要根据目的的不同采用合适的表示法。 从断面合成的头部三维图像 对于一个二维线性位移不变系统来说，如果输入为f（x ， y），输出为g (x ， y)，系统加于输入的线性运算为T[ ? ]，则有 简记为 上式表明，线性位移不变系统的输出等于系统的输入和系统脉冲响应（点扩散函数）的卷积。 二维线性位移不变系统的输入、输出和运算关系可用下图表示 f（x，y） g（x，y）= f（x，y）* h（x，y） 图像退化的数学模型 假定成像系统是线性位移不变系统 ,则获取的图像g(x,y)表示为 ? g（x，y）= f（x，y）* h（x，y） f(x，y)表示理想的、没有退化的图像，g(x，y)是退化（所观察到）的图像。 若受加性噪声n(x，y)的干扰，则退化图像可表示为 g（x，y）= f（x，y）* h（x，y）+ n(x，y) 这就是线性位移不变系统的退化模型。退化模型如图所示 h(x,y) 离散化的退化模型 若对图像f(x,y)和点扩散函数h(x,y)均匀采样就可以得到离散的退化模型。假设数字图像f(x,y)和点扩散函数h(x,y)的大小分别为A×B 、C×D，可先对它们作大小为M×N的周期延拓图像，其方法是添加零。即： 和 把周期延拓的fe(x,y)和he(x,y)作为二维周期函数来处理，即在x和y方向上，周期分别为M和N，则由此得到离散的退化模型为两函数的卷积： 式中x=0,1,2,…,M-1，y=0,1,2,…,N-1。函数ge(x,y)为周期函数，其周期与fe(x,y)和he(x,y)的周期一样。为了使离散退化模型变得完善，式中还要加上一个延拓为M×N的离散噪声项，从而得到 令f、g和n代表M×N维列向量，这些列向量分别是由M×N 维的fe(x,y)矩阵，he(x,y)和ne(x,y)的各个行堆积而成的。例如f的第一组N个元素是fe(x,y)的第一行元素，相应的第二组N个元素是由第二行得到的，对于fe(x,y)的所有行都是这样。利用这一规定，上式可被表示为向量矩阵形式 g=Hf+n 采用线性位移不变系统模型的原由： 1）由于许多种退化都可以用线性位移不变模型来近似，这样线性系统中的许多数学工具如线性代数，能用于求解图像复原问题，从而使运算方法简捷和快速。 2）当退化不太严重时，一般用线性位移不变系统模型来复原图像，在很多应用中有较好的复原结果，且计算大为简化。 3）尽管实际非线性和位移可变的情况能更加准确而普遍地反映图像复原问题的本质，但在数学上求解困难。只有在要求很精确的情况下才用位移可变的模型去求解，其求解也