图像重建算法

Ⅰ 对于核磁共振和CT ，图像重建算法（Multi-Planar Reconstruction）是一样的么

那得画图解释了：只能打个比方
CT算法：每次采集其实是一组数据，代表无数个平行线数字代表接收的X线强度
第一次扫描结果
1111
0000
1111
0000
第二次扫描结果
0101
0101
0101
0101
第三次扫描结果
1000
0100
0010
1001
第四次扫描结果
0010
0101
1010
0100
加起来的结果是
2222
0302
1232
1202
说白了就是无组个亮度不等的平行线加起来成图像。
核磁成像原理，其实我也不是很懂，虽然核磁的成像原理是受CT的启发，但也有所不同，
姑且这么着吧，因为核磁是共振收集图像，而且患者被检查部位有无数个线圈，可以理解成超声的探头，无数个探头收集信号叠加起来成为一个完整的图像。 如果CT是各组平行线叠加，那核磁应该是各组圆环叠加吧。

Ⅱ matlab图象重建是什么意思！

图像压缩是当今信息时代迫切需求的一门图像处理技术，它极大的减少了图像的数据量，为图像的存储，传输提供了方便。小波变换，是一种广泛用于图像压缩的方法。它能让图像按不同的分辨率分析。根据Mallat算法的思想，图像能分解成一个轮廓信号（低频子图）和水平，垂直，对角线三个方向上的细节信号（高频子图）。而轮廓信号又可以进一步分解。而图像的主要能量部分是低频部分，而且人眼视觉系统对低频部分更为敏感，所以可以对低频部分采用较低压缩比；对高频部分采用较大压缩比来进行压缩。
本文提出的是一种结合小波变换，DCT变换和矢量量化的压缩方法。根据人眼的视觉特性，首先对图像进行小波分解，然后，对低频分量进行压缩比不大的DCT变换；对不同方向不同分辨率的高频分量进行不同码字大小的矢量量化编码，然后对反变换和解码后的系数进行小波重构。矢量量化过程中的码书设计采用的是LBG算法。这样，根据对图像质量的不同要求，我们可以改变小波分解的层数，来得到不同压缩比的图像。本篇论文只对小波分解一层和两层后压缩进行了仿真和分析，表明该方案结合了各种压缩方法的优点，在满足图像质量的同时能得到较大的压缩比。目前，在包装装潢设计中常用的图形处理软件有Pho-toshop，CorelDraw，AutoCAD等。但是这些软件中很少涉及到对图像进行压缩处理，以满足图像进行传输和储存的需要。基于这一点考虑，在此尝试着用MATLAB编程来处理包装装潢图像的压缩，实现包装与计算机的紧密结合。
1 MATLAB
MATLAB是MathWorks公司推出的一套高性能的数值计算和可视化软件，它集数值分析、矩阵运算、信号处理和图像显示于一体，它附带的小波分析工具箱功能强大，可以完成小波分析的绝大部分工作。MATLAB工具箱的出现避免了程序设计中的重复性劳动，缩短了开发周期，降低了成本，因而受到工科院校师生和研究人员的青睐。
在介绍利用MATLAB小波工具压缩图像的文献中，总是将真彩色RGB图像转换为灰度级索引图像进行处理．经过这种处理以后，图像的存储数据能得到一定的压缩，但由压缩后的数据难以恢复成理想的彩色图像。文中用MATLAB中有关函数处理图像压缩，而且由压缩后的数据可以还原出图像．实验结果表明，还原出的图像效果是理想的。文中主要以lena图像的处理为例，对它进行二进小波多层分解后，将低频和高频近似的系数矩阵作相应的处理，来研究用MATLAB中的小波工具箱压缩图像的方法。
2 图像压缩方法
在实际应用中，首先需要从图像文件中读取图像数据．MATLAB使用imreed（）函数完这一任务．例如，在电脑D盘中有一彩色图像文件picl．jps，则可由下述语句读取：
X＝imread（′D:\picl．jpg′）；
MATLAB图像处理工具箱支持4种基本图像类型：索引图像、灰度图像、二进制图像和RGB图像．MATLAB直接从图像文件中读取的图像为RGB图像．它存储在三维数组中。这个三维数组有3个面，依次对应子红（Red）、绿（Green）、蓝（Blue）3种颜色，而面中的数据则分别是这3种颜色的强度值，面中的元素对应于图像中的像素点。
索引图像数据包括图像矩阵X与颜色图数组map，其中颜色图map是按图像中颜色值进行排序后的数组。对于每个像素，图像矩阵X包含一个值，这个值就是颜色图数组map中的索引。颜色图map为m×3双精度矩阵，各行分别指定红、绿、蓝（R、G、B）单色值，map=〔RGB〕，R、C、B为值域为〔0，1〕的实数值，m为索引图像包含的像素个数．然后可根据情况采用不同的小波函数，进行索引图像的分解压缩。这里对上面产生的索引图像X用dbl小波进行2层分解。
〔c，l〕＝wavedec2（X，2，′dbl′）。
在这里，一个索引图像作小波分解后，可得到一系列不同分辨率的子图像，不同分辨率的子图像对应的频率是不相同的．高分辨率（即高频细节）子图像上大部分点的数值接近于0，越是高频这种现象越明显．对一个图像来说，表现一个图像最主要的部分是低频（即近似）部分。
多层小波分解的所有成分系数均保存在向量c中，低频近似与高频细节的系数需从向量C中提取。MATLAB分别使用appcoet2（）和detcoef2（）函数来完成这一工作。这种方法是对低频和高频部分进行处理，因而提取低频和高频近似系数。
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实现离散余弦变换压缩（JPEG压缩原理）

JPEG图像压缩算法：
输入图像被分成8*8或16*16的小块，然后对每一小块进行二维DCT（离散余弦变换）变换，变换后的系数量化、编码并传输；
JPEG文件解码量化了的DCT系数，对每一块计算二维逆DCT变换，最后把结果块拼接成一个完整的图像。在DCT变换后舍弃那些不严重影响图像重构的接近0的系数。
DCT变换的特点是变换后图像大部分能量集中在左上角，因为左上放映原图像低频部分数据，右下反映原图像高频部分数据。而图像的能量通常集中在低频部分。

实例程序：
function Jpeg
I=imread('D:\MATLAB7\toolbox\images\imdemos\cameraman.tif');
%该图片在安装matlab的目录中找，原图为灰度图象
I=im2double(I);%图像存储类型转换
T=dctmtx(8);%离散余弦变换矩阵
B=blkproc(I,[8 8],'P1*x*P2',T,T');
%对原图像进行DCT变换
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);
%数据压缩，丢弃右下角高频数据
I2=blkproc(B2,[8 8],'P1*x*P2',T',T);
%进行DCT反变换，得到压缩后的图像
imshow(I)
title('原始图像')
figure;
imshow(I2)
title('压缩后的图像')

参考资料：http://..com/question/42730132.html

Ⅲ 超分辨率图像复原的基本思想是什么有哪些只要的算法

做过很多种图像超分辨率的重建和仿真算法，基于map，基于正则化，基于POCS，基于卡尔曼滤波等等，可以加wo

Ⅳ 哪里可以搜集到图像重建的数据

在数字图像处理过程中，经常会遇到求梯度后，重新构建图像的问题。一般情况下，都是通过解泊松方程(还有其他方式重构图像，具体算法如下图所示,)，利用拉普拉斯算子求解；但有一点请注意泊松方程求出的只是近似值，无法求出精确的原始值。

Ⅳ 图像重建算法是指什么

就是根据给定的数据重建出图像，算法重要的方面就是要提高重建的速度和精度！

Ⅵ 有偿求图像重建算法matlab仿真程序--- SART-TV组合算法代码

%用phantom函数可以获得仿体图像；
%用randon可获得不同角度的一维投影；

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

%直接反投影法
l=pow2(nextpow2(size(R,1))-1);%重构图像的大小
P_1=zeros(l,l);%用于存放重构后的图像

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');


%滤波反投影法
N=180;
%滤波
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('滤波反投影法');

Ⅶ 医学图像重建方向的前景如何

如果是以工科教育背景进入这个行当，那么如楼上几位回答所言，加入GE、SIMENS等等专业公司是一个不错的就业选择；如果您有更高的抱负，那么选择以MIT、UCLA等国外知名学府为代表的相关专业继续深造也是相当好的去向（MRI发明人不是获得了诺贝尔奖了吗）。 就我个人获得的信息而言，医学影像重建，尤其是CT影像重建在国内各大附属医院的应用是在逐渐深化的，国际上对某些重建技术在临床上的使用效果及价值也有较高的认同度。总的来说这个行业应该是前景看好的吧。

医学图像处理一般都是跟设备息息相关的，尤其是在医疗设备公司，从工程上对各种应用场景下的图像质量进行优化还有非常漫长的路要走，这远非发表一些paper，提交一些专利可比的，图像重建中存在非常多的tricks，tips，这往往是在公开资料上找不到，非仔细专研不能体会其中精妙的。总之，要想在这一行业发展，就好好静下心来认真投入，不管是ct,mri,pet还是其他新兴的成像技术，都有很大的发展空间。医学图像重建是个老话题了，作为研究方向可以继续做。但市场上正如ls所说GPS之外，还有些国外比如法国的、国内的西安某公司具有独立的研发能力外，这是技术含量高，应用较少的专业领域。市场空间和国内的应用阶段决定了不能作为一个独立的方向开展工作。诸如手术导航等的应用反而成就了不少创新企业。

Ⅷ CT原理图像重建算法中滤波反投影法的有什么样的缺点

会造成图像边缘失锐和星形伪影

Ⅸ 核医学图像重建算法通常有哪两类

PET图像统计迭代重建算法的研究与优化 摘要 正电子发射断层成像( Positron Emission Tomography,PET)这一检测技术可谓是如今 核医学中最先进的,成像方面