CN106228601A - 基于小波变换的多尺度锥束ct图像快速三维重建方法 - Google Patents
基于小波变换的多尺度锥束ct图像快速三维重建方法 Download PDFInfo
- Publication number
- CN106228601A CN106228601A CN201610574896.3A CN201610574896A CN106228601A CN 106228601 A CN106228601 A CN 106228601A CN 201610574896 A CN201610574896 A CN 201610574896A CN 106228601 A CN106228601 A CN 106228601A
- Authority
- CN
- China
- Prior art keywords
- wavelet
- reconstruction
- image
- resolution
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
一种基于小波变换的多尺度锥束CT图像三维重建快速算法,包括以下步骤:(1)对试件进行圆周锥束CT扫描,采集一组用于重建的投影图像;(2)根据对重建数据分辨率要求的不同,对采集到的投影图像进行相应尺度的小波变换,得到各尺度小波分解系数;(3)选择相应尺度的小波系数进行FDK重建;如果需要对小波一次分解后的所有分量分别进行FDK重建,则继续;(4)将得到的重建数据分别沿着y轴方向取断层图像,进行相应的小波逆变换;(5)将小波逆变换后得到的三维数据沿着z轴方向取断层图像,进而进行线性插值,得到最终重建图像。本发明能够在一定的精度内快速实现基于FDK算法的三维重建,在此过程中能够针对不同的要求来呈现不同分辨率的三维数据。
Description
技术领域
本发明涉及一种用于计算机图像处理的基于小波变换的多尺度锥束CT图像的三维重建方法,属于计算机图像处理技术领域。
背景技术
X光计算机断层成像技术(X-ray Computer Tomography,XCT),是利用X射线对物体进行不同角度的扫描而获得物体断层信息的成像技术,该技术涵盖了物理学、数学、计算机视觉、计算机图形学、数字信号处理等多方面的学科知识,并且它被广泛应用在很多科学领域,这使得人们观察物体内部结构的能力极大地增强。尤其是在医学临床诊断中,它被用来当做一种获取人体内部结构信息的最佳手段。
目前主流的商用CT机是扇束CT扫描机,也就是说这种CT机的X射线源每扫描一周只能获取被检测对象某一个断层的数据,这样导致X射线的使用效率低、扫描速度慢及重建速度慢。与扇束CT机相比,锥束CT由于采用了锥束X射线源和面阵探测器来采集被检测对象不同角度的投影数据,大大提高了X射线利用率、扫描速度和CT重建图像的分辨率,在医学临床检测和工业无损检测上的应用越来越广泛。一般地,锥束XCT重建算法分为两类,一类是迭代法,另一类是解析法(如FDK算法)。迭代法的计算量很大、效率低,难以适应现代商业实时性的要求。与迭代法相比,解析算法的重建效率高,需要的数据存储空间小。一般地解析法分为近似重建法和精确重建法,其中FDK算法是从扇束滤波反投影算法推导出来的锥束XCT近似重建算法,在X射线源锥角较小的情况下重建出来的断层图像质量非常好。由于其简单而且易实现的特点,使FDK算法的研究具有实际应用价值。
锥束CT完成一次三维扫描的数据量达几百GB甚至TB,重建算法复杂,运算量大,耗时较多,难以满足实际应用中实时性的要求,特别是在医学应用领域。其次,针对不同的应用和显示载体的限制,对投影数据重建后的三维数据的分辨率的要求是不同的,对一些重建后分辨率要求不高的情况,不需要耗时太多来重建高分辨率图像。
发明内容
针对锥束CT三维重建算法存在的耗时多以及不同的应用对重建后的三维数据的分辨率要求不同等问题,本发明提出在保证精度前提下快速实现三维重建的基于小波变换的多尺度锥束CT图像三维重建快速算法。
本发明的基于小波变换的多尺度锥束CT图像三维重建快速算法,包括以下步骤:
(1)对试件进行圆周锥束CT扫描,采集一组用于重建的投影图像;
(2)根据对重建数据分辨率的要求,对采集到的投影图像进行相应尺度的小波变换,得到各尺度小波分解系数;
(3)选择相应尺度的小波系数进行FDK重建;
已知得到分辨率为2N×2N的投影图像,对投影图像进行小波一次分解,进而对分解后的低频分量进行FDK重建,最终得到分辨率为(N/2)×(N/2)×(N/2)的重建数据;或者对小波一次分解后的所有分量分别进行FDK重建,得到四组重建数据,继续执行步骤(4)和(5);
以一次小波分解为例,由步骤(1)得到一组分辨率为2N×2N的二维投影图像,对投影图像进行小波一次分解,得到四组分辨率为N×N的小波分解系数,若对重建数据分辨率要求较低,可仅对低频分量进行FDK重建,得到分辨率为(N/2)×(N/2)×(N/2)的三维重建数据;若对重建数据分辨率要求较高,可对小波分解后的所有分量分别进行FDK重建,得到四组重建数据,继续执行步骤(4)和(5)。
(4)将得到的重建数据分别沿着y轴方向取断层图像,进行对应的小波逆变换;
(5)将小波逆变换后得到的三维数据沿着z轴方向取断层图像,进行线性插值,得到最终重建图像。
本发明的方法能够在一定的精度内快速实现基于FDK算法的三维重建,在此过程中能够针对不同的要求来呈现不同分辨率的三维数据。
附图说明
图1是一幅图像在二维频域被分解为四个子带的框图。
具体实施方式
以下详细说明本发明基于小波变换的多尺度锥束CT图像三维重建快速算法的具体过程。
(1)对试件进行圆周锥束CT扫描,采集一组用于重建的投影图像;
锥束扫描及投影数据的参数如下表所示:
参数名称 | 参数 |
射线源到试件中心距离(mm) | DSO |
射线源到探测器距离(mm) | DSD |
探测器长度(mm) | 2L |
探测器分辨率 | 2N×2N |
重建物体分辨率 | N×N×N |
重建物体边长长度(mm) | L |
采集投影间隔(°) | M |
采集投影个数 | 360/m |
按照上述参数进行锥束扫描,会得到360/m张,分辨率为2N×2N的二维投影图像Pn(u,v),n=1,2,…,360/m,u,v分别标记投影图像像素的行标和列标,它们的零点都以平面探测器的中心像素为基准。
(2)根据对重建数据分辨率的要求,对采集到的投影图像进行相应尺度的二维离散小波变换,得到各尺度小波分解系数;
二维离散小波变换:
二维小波变换由一维小波变换扩展而来,由一维尺度函数和相应的小波函数ψ,可得到一个二维尺度函数和三个二维小波ψH(x,y),ψV(x,y),ψD(x,y):
ψD(x,y)=ψ(x)ψ(y),
例如,Haar尺度函数定义为:
小波函数定义为:
那么,尺寸为M×N的函数f(x,y)的离散小波变换是:
其中,j0是任意的开始尺度,系数定义了在尺度j0的f(x,y)的近似,系数对于j≥j0附加了水平、垂直和对角方向的细节,通常令j0=0并且选择N=M=2J,j=0,1,2,…,J-1,m,n=0,1,2,…,2j-1,。
二维离散小波逆变换:
通过上式给出的和f(x,y)可通过离散反小波变换得到,即
假设初始尺度为j0的一幅图像f(x,y),在二维频域可被分解为四个子带 分别对应于图像f(x,y)的低频成分、垂直方向上的高频成分、水平方向上的高频成分和对角方向上的高频成分。从图1可以看出,分解后的子图像形成一个塔形结构,每层有3个子图,随着阶数的增加,图像的空间分辨率依次在行和列上减半。对低频子带还可以进一步分解,进行一次变换可得到4个子图像,进行k次变换就可得到3k+1个子图像,这就是基于小波变换的多尺度分解。
以一次小波分解为例,对第n幅投影图像Pn(u,v)进行一次小波分解,可分解为四个小波系数,由于投影图像分辨率为2N×2N,经过一次小波变换会分解为四个分辨率为N×N的图像,分别记为Pn1(u,v),Pn2(u,v),Pn3(u,v),Pn4(u,v)对应于低频成分、垂直方向上的高频成分、水平方向上的高频成分和对角方向上的高频成分。所有投影图像同理,因此,得到了四组小波系数。
(3)选择相应尺度的小波系数进行FDK重建;
由于投影数据是离散的,为了便于计算,必须把FDK算法离散化,在这里引入几个标记:Pβ(u,v)和分别表示在旋转角β下的投影数据和滤波处理后的投影数据,β是中心射线与Y轴的夹角,β和投影张数n及投影间隔m的关系是:β=n×m;h(u)表示对第u行投影图像数据进行卷积操作的滤波函数,理论上要求滤波器为斜坡滤波器。具体FDK重建算法的离散化形式,分为以下三个步骤:
第一步:对投影数据Pβ(u,v)使用加权因子进行修正,即:其中加权因子是锥束射线入射角的余弦函数,DSO是射线源到试件中心的距离,u,v分别标记投影图像像素的行标和列标,它们的零点都以平面探测器的中心像素为基准。
第二步:对修正后的投影数据逐行地进行一维滤波,即其中*是表示卷积,常用的滤波函数有R-L滤波函数和S-L滤波函数。例如,S-L滤波函数的采样序列为:n=0,±1,±2,...。
第三步:对滤波后的投影数据做锥形束加权反投影,即:
式中,
其中,I(x,y,z)表示体素点(x,y,z)处的重建图像数据,(p,q)表示重建体素点在滤波反投影平面上的反投影点的位置。
应当注意的是:当对小波分解后的小波系数进行FDK算法重建时,由于小波分解后的小波系数的分辨率较原投影图像的分辨率减半,所以射线源到试件中心的距离以及射线源到探测器中心的距离也要减半,即DSO=DSO/2(mm),然后对小波低频系数进行上述三步的计算,继而得到三维重建数据,记为I1(x,y,z),(x=0,1,2,...,N/2-1,y=0,1,2,...,N/2-1,z=0,1,2,...,N/2-1),其分辨率均为N/2×N/2×N/2。此时I1(x,y,z)便是低分辨率的三维数据。
如果需要更高分辨率的三维重建数据,例如分辨率为N×N×N,则对小波一次分解后的所有分量分别进行FDK重建,得到四组重建数据,分别记为I1(x,y,z)、I2(x,y,z)、I3(x,y,z)和I4(x,y,z),继续步骤(4)和步骤(5)。
(4)将四组重建数据沿着Y轴方向取断层图像,例如分别取四组数据的第k张断层图像,标记为(x=0,1,2,...,N/2-1,z=0,1,2,...,N/2-1),则四幅图像分别对应低频分量、垂直方向上的高频成分、水平方向上的高频成分和对角方向上的高频成分。根据步骤(2)进行小波逆变换,得到一幅分辨率为N×N的重建图像I′k(x,z),(x=0,1,2,...,N-1,z=0,1,2,...,N-1)。
(5)经过上述步骤,会得到一组分辨率为N×(N/2)×N的三维重建数据I′(x,y,z),(x=0,1,2,...,N-1,y=0,1,2,...,N/2-1,z=0,1,2,...,N-1),沿着Z轴方向取断层图像,得到N张分辨率为N×(N/2)的横截面断层图像。下面利用线性插值法对横截面断层图像进行放大,变成分辨率为N×N的图像。
沿着Z轴方向取第n层断层图像I′n(x,y),(x=0,1,2,...,N-1,y=0,1,2,...,N/2-1),在y方向进行线性插值,这样就得到所要的结果In(x,y),输出图像坐标为:
上述步骤是利用双线性插值法将分辨率为N×(N/2)的横截面断层图像I′n(x,y)处理成为N×N的图像In(x,y),(x=0,1,2,...,N-1,y=0,1,2,...,N-1),进而最终生成分辨率为N×N×N的三维数据I(x,y,z),(x=0,1,2,...,N-1,y=0,1,2,...,N-1,z=0,1,2,...,N-1)。
Claims (1)
1.一种基于小波变换的多尺度锥束CT图像三维重建快速算法,其特征是:包括以下步骤:
(1)对试件进行圆周锥束CT扫描,采集一组用于重建的投影图像;
(2)根据对重建数据分辨率要求的不同,对采集到的投影图像进行相应尺度的小波变换,得到各尺度小波分解系数;
(3)选择相应尺度的小波系数进行FDK重建;
已知得到分辨率为2N×2N的投影图像,对投影图像进行小波一次分解,进而对分解后的低频分量进行FDK重建,最终得到分辨率为(N/2)×(N/2)×(N/2)的重建数据;或者对小波一次分解后的所有分量分别进行FDK重建,得到四组重建数据,继续执行步骤(4)和(5);
(4)将得到的重建数据分别沿着y轴方向取断层图像,进行相应的小波逆变换;
(5)将小波逆变换后得到的三维数据沿着z轴方向取断层图像,进而进行线性插值,得到最终重建图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610574896.3A CN106228601B (zh) | 2016-07-21 | 2016-07-21 | 基于小波变换的多尺度锥束ct图像快速三维重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610574896.3A CN106228601B (zh) | 2016-07-21 | 2016-07-21 | 基于小波变换的多尺度锥束ct图像快速三维重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106228601A true CN106228601A (zh) | 2016-12-14 |
CN106228601B CN106228601B (zh) | 2019-08-06 |
Family
ID=57531192
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610574896.3A Expired - Fee Related CN106228601B (zh) | 2016-07-21 | 2016-07-21 | 基于小波变换的多尺度锥束ct图像快速三维重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106228601B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109300166A (zh) * | 2017-07-25 | 2019-02-01 | 同方威视技术股份有限公司 | 重建ct图像的方法和设备以及存储介质 |
CN110490851A (zh) * | 2019-02-15 | 2019-11-22 | 腾讯科技(深圳)有限公司 | 基于人工智能的乳腺图像分割方法、装置及*** |
CN112489196A (zh) * | 2020-11-30 | 2021-03-12 | 太原理工大学 | 一种多尺度三维频域变换的颗粒物三维形貌重建方法 |
CN112669361A (zh) * | 2020-12-11 | 2021-04-16 | 山东省科学院海洋仪器仪表研究所 | 一种海水水下图像快速分解方法 |
CN112907748A (zh) * | 2021-03-31 | 2021-06-04 | 山西大学 | 一种基于非降采样剪切波变换与深度图像纹理特征聚类的三维形貌重建方法 |
CN113039581A (zh) * | 2018-09-14 | 2021-06-25 | 恩维医疗公司有限公司 | 三维对象的多尺度图像重建 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101520899A (zh) * | 2009-04-08 | 2009-09-02 | 西北工业大学 | 一种锥束ct三维图像的并行重建方法 |
WO2013171657A1 (en) * | 2012-05-14 | 2013-11-21 | Koninklijke Philips N.V. | Dark field computed tomography imaging |
CN104881841A (zh) * | 2015-05-20 | 2015-09-02 | 南方电网科学研究院有限责任公司 | 基于边缘特征与点特征的航拍高压电力塔架图像拼接方法 |
CN104992426A (zh) * | 2015-07-15 | 2015-10-21 | 中国科学院广州生物医药与健康研究院 | 一种用于明场显微成像的多层图像融合算法 |
CN105628670A (zh) * | 2014-10-28 | 2016-06-01 | 河北伊诺光学科技有限公司 | 一种适于橄榄油掺杂识别的二维相关光谱多尺度建模方法 |
-
2016
- 2016-07-21 CN CN201610574896.3A patent/CN106228601B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101520899A (zh) * | 2009-04-08 | 2009-09-02 | 西北工业大学 | 一种锥束ct三维图像的并行重建方法 |
WO2013171657A1 (en) * | 2012-05-14 | 2013-11-21 | Koninklijke Philips N.V. | Dark field computed tomography imaging |
CN105628670A (zh) * | 2014-10-28 | 2016-06-01 | 河北伊诺光学科技有限公司 | 一种适于橄榄油掺杂识别的二维相关光谱多尺度建模方法 |
CN104881841A (zh) * | 2015-05-20 | 2015-09-02 | 南方电网科学研究院有限责任公司 | 基于边缘特征与点特征的航拍高压电力塔架图像拼接方法 |
CN104992426A (zh) * | 2015-07-15 | 2015-10-21 | 中国科学院广州生物医药与健康研究院 | 一种用于明场显微成像的多层图像融合算法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109300166A (zh) * | 2017-07-25 | 2019-02-01 | 同方威视技术股份有限公司 | 重建ct图像的方法和设备以及存储介质 |
CN109300166B (zh) * | 2017-07-25 | 2023-04-25 | 同方威视技术股份有限公司 | 重建ct图像的方法和设备以及存储介质 |
CN113039581A (zh) * | 2018-09-14 | 2021-06-25 | 恩维医疗公司有限公司 | 三维对象的多尺度图像重建 |
CN110490851A (zh) * | 2019-02-15 | 2019-11-22 | 腾讯科技(深圳)有限公司 | 基于人工智能的乳腺图像分割方法、装置及*** |
CN112489196A (zh) * | 2020-11-30 | 2021-03-12 | 太原理工大学 | 一种多尺度三维频域变换的颗粒物三维形貌重建方法 |
CN112489196B (zh) * | 2020-11-30 | 2022-08-02 | 太原理工大学 | 一种多尺度三维频域变换的颗粒物三维形貌重建方法 |
CN112669361A (zh) * | 2020-12-11 | 2021-04-16 | 山东省科学院海洋仪器仪表研究所 | 一种海水水下图像快速分解方法 |
CN112907748A (zh) * | 2021-03-31 | 2021-06-04 | 山西大学 | 一种基于非降采样剪切波变换与深度图像纹理特征聚类的三维形貌重建方法 |
CN112907748B (zh) * | 2021-03-31 | 2022-07-19 | 山西大学 | 一种基于非降采样剪切波变换与深度图像纹理特征聚类的三维形貌重建方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106228601B (zh) | 2019-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106228601B (zh) | 基于小波变换的多尺度锥束ct图像快速三维重建方法 | |
Marone et al. | Regridding reconstruction algorithm for real-time tomographic imaging | |
EP1478274B1 (en) | Methods and apparatus for fast divergent beam tomography | |
Jia et al. | GPU-based fast low-dose cone beam CT reconstruction via total variation | |
US7215731B1 (en) | Fast backprojection/reprojection with hexagonal segmentation of image | |
CN102456227B (zh) | Ct图像重建方法及装置 | |
CN100464707C (zh) | 三维锥束ct图像重建的处理*** | |
CN1879562B (zh) | X射线ct图象重建方法和x射线ct*** | |
US10628973B2 (en) | Hierarchical tomographic reconstruction | |
CN103608825A (zh) | 确定迭代影像重建中的像元映射的方法 | |
US6332035B1 (en) | Fast hierarchical reprojection algorithms for 3D radon transforms | |
Oliveira et al. | Comparison among tomographic reconstruction with limited data | |
US6351548B1 (en) | Fast hierarchical reprojection algorithm for tomography | |
JP2003502766A (ja) | イメージの高速な再投影のためのマルチレベル領域分解方法 | |
Li et al. | Sparse CT reconstruction based on multi-direction anisotropic total variation (MDATV) | |
Lu et al. | A geometry-guided deep learning technique for CBCT reconstruction | |
Wang et al. | Sparse-view cone-beam CT reconstruction by bar-by-bar neural FDK algorithm | |
Hou et al. | Analysis of compressed sensing based CT reconstruction with low radiation | |
CN116843779A (zh) | 直线扫描探测器微分bpf重建图像稀疏伪影校正方法 | |
Costin et al. | A 2D multiresolution image reconstruction method in X-ray computed tomography | |
Lu et al. | A geometry-guided multi-beamlet deep learning technique for CT reconstruction | |
Okamoto et al. | Patch-based artifact reduction for three-dimensional volume projection data of sparse-view micro-computed tomography | |
US6307911B1 (en) | Fast hierarchical backprojection for 3D Radon transform | |
Li et al. | Robust frame based X-ray CT reconstruction | |
Rajgopal et al. | Image reconstruction from incomplete projection data: A linear prediction approach |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190806 Termination date: 20200721 |
|
CF01 | Termination of patent right due to non-payment of annual fee |