圖像重建演算法

Ⅰ 對於核磁共振和CT ，圖像重建演算法（Multi-Planar Reconstruction）是一樣的么

那得畫圖解釋了：只能打個比方
CT演算法：每次採集其實是一組數據，代表無數個平行線數字代表接收的X線強度
第一次掃描結果
1111
0000
1111
0000
第二次掃描結果
0101
0101
0101
0101
第三次掃描結果
1000
0100
0010
1001
第四次掃描結果
0010
0101
1010
0100
加起來的結果是
2222
0302
1232
1202
說白了就是無組個亮度不等的平行線加起來成圖像。
核磁成像原理，其實我也不是很懂，雖然核磁的成像原理是受CT的啟發，但也有所不同，
姑且這么著吧，因為核磁是共振收集圖像，而且患者被檢查部位有無數個線圈，可以理解成超聲的探頭，無數個探頭收集信號疊加起來成為一個完整的圖像。 如果CT是各組平行線疊加，那核磁應該是各組圓環疊加吧。

Ⅱ matlab圖象重建是什麼意思！

圖像壓縮是當今信息時代迫切需求的一門圖像處理技術，它極大的減少了圖像的數據量，為圖像的存儲，傳輸提供了方便。小波變換，是一種廣泛用於圖像壓縮的方法。它能讓圖像按不同的解析度分析。根據Mallat演算法的思想，圖像能分解成一個輪廓信號（低頻子圖）和水平，垂直，對角線三個方向上的細節信號（高頻子圖）。而輪廓信號又可以進一步分解。而圖像的主要能量部分是低頻部分，而且人眼視覺系統對低頻部分更為敏感，所以可以對低頻部分採用較低壓縮比；對高頻部分採用較大壓縮比來進行壓縮。
本文提出的是一種結合小波變換，DCT變換和矢量量化的壓縮方法。根據人眼的視覺特性，首先對圖像進行小波分解，然後，對低頻分量進行壓縮比不大的DCT變換；對不同方向不同解析度的高頻分量進行不同碼字大小的矢量量化編碼，然後對反變換和解碼後的系數進行小波重構。矢量量化過程中的碼書設計採用的是LBG演算法。這樣，根據對圖像質量的不同要求，我們可以改變小波分解的層數，來得到不同壓縮比的圖像。本篇論文只對小波分解一層和兩層後壓縮進行了模擬和分析，表明該方案結合了各種壓縮方法的優點，在滿足圖像質量的同時能得到較大的壓縮比。目前，在包裝裝潢設計中常用的圖形處理軟體有Pho-toshop，CorelDraw，AutoCAD等。但是這些軟體中很少涉及到對圖像進行壓縮處理，以滿足圖像進行傳輸和儲存的需要。基於這一點考慮，在此嘗試著用MATLAB編程來處理包裝裝潢圖像的壓縮，實現包裝與計算機的緊密結合。
1 MATLAB
MATLAB是MathWorks公司推出的一套高性能的數值計算和可視化軟體，它集數值分析、矩陣運算、信號處理和圖像顯示於一體，它附帶的小波分析工具箱功能強大，可以完成小波分析的絕大部分工作。MATLAB工具箱的出現避免了程序設計中的重復性勞動，縮短了開發周期，降低了成本，因而受到工科院校師生和研究人員的青睞。
在介紹利用MATLAB小波工具壓縮圖像的文獻中，總是將真彩色RGB圖像轉換為灰度級索引圖像進行處理．經過這種處理以後，圖像的存儲數據能得到一定的壓縮，但由壓縮後的數據難以恢復成理想的彩色圖像。文中用MATLAB中有關函數處理圖像壓縮，而且由壓縮後的數據可以還原出圖像．實驗結果表明，還原出的圖像效果是理想的。文中主要以lena圖像的處理為例，對它進行二進小波多層分解後，將低頻和高頻近似的系數矩陣作相應的處理，來研究用MATLAB中的小波工具箱壓縮圖像的方法。
2 圖像壓縮方法
在實際應用中，首先需要從圖像文件中讀取圖像數據．MATLAB使用imreed（）函數完這一任務．例如，在電腦D盤中有一彩色圖像文件picl．jps，則可由下述語句讀取：
X＝imread（′D:\picl．jpg′）；
MATLAB圖像處理工具箱支持4種基本圖像類型：索引圖像、灰度圖像、二進制圖像和RGB圖像．MATLAB直接從圖像文件中讀取的圖像為RGB圖像．它存儲在三維數組中。這個三維數組有3個面，依次對應子紅（Red）、綠（Green）、藍（Blue）3種顏色，而面中的數據則分別是這3種顏色的強度值，面中的元素對應於圖像中的像素點。
索引圖像數據包括圖像矩陣X與顏色圖數組map，其中顏色圖map是按圖像中顏色值進行排序後的數組。對於每個像素，圖像矩陣X包含一個值，這個值就是顏色圖數組map中的索引。顏色圖map為m×3雙精度矩陣，各行分別指定紅、綠、藍（R、G、B）單色值，map=〔RGB〕，R、C、B為值域為〔0，1〕的實數值，m為索引圖像包含的像素個數．然後可根據情況採用不同的小波函數，進行索引圖像的分解壓縮。這里對上面產生的索引圖像X用dbl小波進行2層分解。
〔c，l〕＝wavedec2（X，2，′dbl′）。
在這里，一個索引圖像作小波分解後，可得到一系列不同解析度的子圖像，不同解析度的子圖像對應的頻率是不相同的．高解析度（即高頻細節）子圖像上大部分點的數值接近於0，越是高頻這種現象越明顯．對一個圖像來說，表現一個圖像最主要的部分是低頻（即近似）部分。
多層小波分解的所有成分系數均保存在向量c中，低頻近似與高頻細節的系數需從向量C中提取。MATLAB分別使用appcoet2（）和detcoef2（）函數來完成這一工作。這種方法是對低頻和高頻部分進行處理，因而提取低頻和高頻近似系數。
cAl=appcoef2（c，1，′dbl，′1）；cH1=detcoef2（′h′，c,1，1）；
cDl=detcoef2（′d′，c，l，1）；cVl=detcoef2（′v′，c，l，1）。
matlab實現離散餘弦變換壓縮（JPEG壓縮原理）

JPEG圖像壓縮演算法：
輸入圖像被分成8*8或16*16的小塊，然後對每一小塊進行二維DCT（離散餘弦變換）變換，變換後的系數量化、編碼並傳輸；
JPEG文件解碼量化了的DCT系數，對每一塊計算二維逆DCT變換，最後把結果塊拼接成一個完整的圖像。在DCT變換後舍棄那些不嚴重影響圖像重構的接近0的系數。
DCT變換的特點是變換後圖像大部分能量集中在左上角，因為左上放映原圖像低頻部分數據，右下反映原圖像高頻部分數據。而圖像的能量通常集中在低頻部分。

實常式序：
function Jpeg
I=imread('D:\MATLAB7\toolbox\images\imdemos\cameraman.tif');
%該圖片在安裝matlab的目錄中找，原圖為灰度圖象
I=im2double(I);%圖像存儲類型轉換
T=dctmtx(8);%離散餘弦變換矩陣
B=blkproc(I,[8 8],'P1*x*P2',T,T');
%對原圖像進行DCT變換
mask=[1 1 1 1 0 0 0 0
1 1 1 0 0 0 0 0
1 1 0 0 0 0 0 0
1 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0];
B2=blkproc(B,[8 8],'P1.*x',mask);
%數據壓縮，丟棄右下角高頻數據
I2=blkproc(B2,[8 8],'P1*x*P2',T',T);
%進行DCT反變換，得到壓縮後的圖像
imshow(I)
title('原始圖像')
figure;
imshow(I2)
title('壓縮後的圖像')

參考資料：http://..com/question/42730132.html

Ⅲ 超解析度圖像復原的基本思想是什麼有哪些只要的演算法

做過很多種圖像超解析度的重建和模擬演算法，基於map，基於正則化，基於POCS，基於卡爾曼濾波等等，可以加wo

Ⅳ 哪裡可以搜集到圖像重建的數據

在數字圖像處理過程中，經常會遇到求梯度後，重新構建圖像的問題。一般情況下，都是通過解泊松方程(還有其他方式重構圖像，具體演算法如下圖所示,)，利用拉普拉斯運算元求解；但有一點請注意泊松方程求出的只是近似值，無法求出精確的原始值。

Ⅳ 圖像重建演算法是指什麼

就是根據給定的數據重建出圖像，演算法重要的方面就是要提高重建的速度和精度！

Ⅵ 有償求圖像重建演算法matlab模擬程序--- SART-TV組合演算法代碼

%用phantom函數可以獲得仿體圖像；
%用randon可獲得不同角度的一維投影；

clearall;
P=phantom('ModifiedShepp-Logan',256);
R=radon(P);
figure;imshow(R,[]);
figure;
imshow(P,[]);title('仿體圖');

%直接反投影法
l=pow2(nextpow2(size(R,1))-1);%重構圖像的大小
P_1=zeros(l,l);%用於存放重構後的圖像

fori=1:size(R,2)
tmp=imrotate(repmat(R(:,i),1,size(R,1)),i-1,'bilinear');
tmp=tmp(floor(size(tmp,1)/2-l/2)+1:floor(size(tmp,1)/2+l/2),floor(size(tmp,2)/2-l/2)+1:floor(size(tmp,2)/2+l/2));
P_1=P_1+tmp;
end
P_1=P_1/size(R,2);
P_1=rot90(P_1);
figure;imshow(P_1,[]);title('直接反投影法');


%濾波反投影法
N=180;
%濾波
H=size(R,1);
h=zeros((H*2-1),1);
fori=0:H-1
ifi==0
h(H-i)=1/4;
elseifrem(i,2)==0
h(H-i)=0;
h(H+i)=0;
else
h(H-i)=-1/(i*pi)^2;
h(H+i)=-1/(i*pi)^2;
end
end
x=zeros(H,N);
fori=1:N
s=R(:,i);
xx=conv(s',h');
x(:,i)=xx(H:2*H-1);
end

%反投影
P_3=zeros(l,l);
fori=1:l
forj=1:l
fork=1:180
theta=k/180*pi;
t=(j-l/2-0.5)*cos(theta)+(l/2+0.5-i)*sin(theta)+(H+1)/2;
t1=floor(t);
t2=floor(t+1);
P_3(i,j)=P_3(i,j)+(t2-t)*x(t1,k)+(t-t1)*x(t2,k);
end
end
end
P_3=pi/N*P_3;
figure;imshow(P_3,[]);title('濾波反投影法');

Ⅶ 醫學圖像重建方向的前景如何

如果是以工科教育背景進入這個行當，那麼如樓上幾位回答所言，加入GE、SIMENS等等專業公司是一個不錯的就業選擇；如果您有更高的抱負，那麼選擇以MIT、UCLA等國外知名學府為代表的相關專業繼續深造也是相當好的去向（MRI發明人不是獲得了諾貝爾獎了嗎）。 就我個人獲得的信息而言，醫學影像重建，尤其是CT影像重建在國內各大附屬醫院的應用是在逐漸深化的，國際上對某些重建技術在臨床上的使用效果及價值也有較高的認同度。總的來說這個行業應該是前景看好的吧。

醫學圖像處理一般都是跟設備息息相關的，尤其是在醫療設備公司，從工程上對各種應用場景下的圖像質量進行優化還有非常漫長的路要走，這遠非發表一些paper，提交一些專利可比的，圖像重建中存在非常多的tricks，tips，這往往是在公開資料上找不到，非仔細專研不能體會其中精妙的。總之，要想在這一行業發展，就好好靜下心來認真投入，不管是ct,mri,pet還是其他新興的成像技術，都有很大的發展空間。醫學圖像重建是個老話題了，作為研究方向可以繼續做。但市場上正如ls所說GPS之外，還有些國外比如法國的、國內的西安某公司具有獨立的研發能力外，這是技術含量高，應用較少的專業領域。市場空間和國內的應用階段決定了不能作為一個獨立的方向開展工作。諸如手術導航等的應用反而成就了不少創新企業。

Ⅷ CT原理圖像重建演算法中濾波反投影法的有什麼樣的缺點

會造成圖像邊緣失銳和星形偽影

Ⅸ 核醫學圖像重建演算法通常有哪兩類

PET圖像統計迭代重建演算法的研究與優化 摘要 正電子發射斷層成像( Positron Emission Tomography,PET)這一檢測技術可謂是如今 核醫學中最先進的,成像方面