CN108573474A - 一种采用逆卷积运算的光声图像优化方法 - Google Patents
一种采用逆卷积运算的光声图像优化方法 Download PDFInfo
- Publication number
- CN108573474A CN108573474A CN201710151705.7A CN201710151705A CN108573474A CN 108573474 A CN108573474 A CN 108573474A CN 201710151705 A CN201710151705 A CN 201710151705A CN 108573474 A CN108573474 A CN 108573474A
- Authority
- CN
- China
- Prior art keywords
- signal
- deconvolution
- photoacoustic
- inverse convolution
- photoacoustic image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000005457 optimization Methods 0.000 title claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 title abstract description 6
- 238000012545 processing Methods 0.000 claims abstract description 15
- 230000009466 transformation Effects 0.000 claims abstract description 10
- 230000004044 response Effects 0.000 claims abstract description 5
- 238000005070 sampling Methods 0.000 claims description 14
- 230000000694 effects Effects 0.000 claims description 6
- 230000001678 irradiating effect Effects 0.000 claims description 2
- 230000003287 optical effect Effects 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims 2
- 238000003384 imaging method Methods 0.000 abstract description 16
- 230000008569 process Effects 0.000 abstract description 5
- 230000008859 change Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 238000004088 simulation Methods 0.000 description 3
- 238000005311 autocorrelation function Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000001934 delay Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/1702—Systems in which incident light is modified in accordance with the properties of the material investigated with opto-acoustic detection, e.g. for gases or analysing solids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1765—Method using an image detector and processing of image signal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明公开了一种采用逆卷积运算的光声图像优化方法,包括以下步骤:先通过采集点源的光声信号来得到逆卷积核;采集待处理信号;估算出待处理信号的信噪比;使用维纳逆卷积的方法对待处理信号做逆卷积处理;以逆卷积之后的信号为输入进行图像重建,在灰度非线性变换处理后得到最终的优化图像。本发明针对光声成像分辨率低,伪影严重的问题,进行了优化,通过逆卷积运算消除了由于生物组织热膨胀的平衡特性以及采集***的影响所导致的信号变形,在优化成像质量的同时也可以保证重建速度与效率。
Description
技术领域
本发明属于光声信号处理及成像领域,特别是一种针对光声成像的优化方法。
背景技术
近些年,光声成像作为一种具有广泛应用前景的新兴成像技术,相关的研究日趋广泛与深入。这是由于光声成像结合了纯光学成像和超声成像的优点,能够在保证一定的成像深度的情况下,达到较高的对比度和空间分辨率。同时,相比于目前主流的超声成像,光声成像的仪器成本更低,有着相当高的应用价值。然而,由于光声信号的信噪比很低,导致重建出的光声图像易出现伪影,所以该项技术没有目前无法被广泛应用。同时,提高图像的分辨率可以使得图像上的细节部分显现出来,提升诊断成功率,所以在目前的成像领域,提高图像分辨率是一种基本需求。鉴于此,提高光声图像的质量,减轻伪影,提高图像分辨率是加速光声成像发展的根本途径与迫切需要。
发明内容
发明目的:本发明所要解决的技术问题是针对光声信号由于生物组织的热膨胀特性以及采集设备的影响,使得采集到的信号为无数个N形波的叠加,然而N形波中的负值部分会令信号产生混叠,导致重建图像信噪比低,分辨率低。为了从根源出发克服该不足,本发明提出基于逆卷积的方法来消除下陷波,将信号还原成脉冲波的形式。
本发明在不损失信息的前提下,提供了一种可以提高图像质量,并保证重建速度与效率的图像优化方法,包括如下步骤:
步骤一,利用光声数据采集设备,将极细的物体近似视作理想点源,用脉冲激光照射该点源,同时用阵列传感器接收声压信号pd(r0,t),其中r0为传感器坐标向量参数,t为时间参数;
步骤二,该组信号包括N个通道数据,正常情况下,忽略时延差异,每个通道数据的波形可视为一致的,遂截取其中任一通道的有用信号段,该信号段可视作生物组织热膨胀特性以及这套光声采集设备两者的总***响应,也即逆卷积运算中的逆卷积核h(t),并对h(t)的幅值做标准化处理;
步骤三,采集待处理信号:使用同一套采集设备,在不改变采样率的前提下,原则上可以以任意物体为目标采集原始声压数据作为待处理信号g(t);
步骤四,估算出待处理信号的信噪比作为后续逆卷积的输入变量;
步骤五,采用维纳逆卷积的方法,将由步骤二中得到的h(t)作为逆卷积核,结合已知的信噪比信息,对原始数据g(t)做逆卷积处理,得到优化信号f(t);
步骤六,为了减轻维纳逆卷积的振铃效应,用一个频域带通滤波器将振铃的固定频率滤除;
步骤七,开始进行图像重建:通过基于延时求和原理的光声重建函数,以逆卷积处理后的信号f(t)作为输入变量,辅以采样率以及延时两个参数,得到的输出量即为优化后的光声图像;
步骤八,对步骤七中得到的光声图像做灰度非线性变换处理,压缩其中灰度值低的部分,所得结果即为最终的优化图像。
本发明中,优选地,步骤一中用点源作为信号源来发射超声波,用阵列传感器采集声压信号pd(r0,t),其中阵列传感器是由N个单传感器组成,每个传感器为一个通道,可接收信号的一个时间序列,所以共接收到时延不同的N个时间序列。其中,时延值是根据传感器与信号源的距离决定。
本发明中,优选地,步骤一和二中通过测量极细的物体来近似理想点源,这是由于理想情况下,实验所测得的理想点源光声信号是单个的N形波,而单个的N形波即为本发明中逆卷积核的正确波形。
本发明中,优选地,步骤二中对测得的h(t)的幅值做标准化处理,即为在使用同一台采集设备以及不改变采样率的前提下,对任意信号做逆卷积的运算总使用同一个h(t),且幅值保持不变。
本发明中,优选地,步骤二中所提到的逆卷积的基础如下式所示:
g(t)=f(t)*h(t)+n(t),
其中,运算符*代表卷积,计算规则为g(t)为传感器实测的声压信号,即待处理信号,f(t)为逆卷积处理之后得到的复原信号,也即优化信号,n(t)为噪声信号,h(t)为逆卷积核。g(t)和f(t)为二维矩阵,一个维度表示单通道的时间序列,另一个维度表示通道数;h(t)为一维矩阵;n(t)的值由信噪比来换算。
本发明中,优选地,步骤三中的成像目标理论上可以是任意信号,不论成像物体大小。因为虽然不同的成像目标可能产生宽窄不同幅值不同的信号,但一方面宽信号可视为多个窄信号的叠加,另一方面幅值在逆卷积中是线性变化的,所以原始信号的宽窄不同和幅值不同均不影响逆卷积的效果。
本发明中,优选地,步骤三中对任意成像目标采集待处理信号g(t)时要求不改变采集装置和采样率,其原因在于,若改变了采集装置则逆卷积核h(t)应相应地变化,若改变了采样率,则逆卷积的结果可能会失真。
本发明中,优选地,步骤四中对g(t)估算其信噪比采用迭代的方法,可转化为解决如下表达式表述的最优化问题:
即在迭代开始前,先设定一个主观上的近似初始值,然后在不断改变信号信噪比值SNRg(t)的迭代中,通过比较相对应的重建图像的信噪比SNRi(x,y)大小,直到图像达到最优的信噪比,此时相对应的信号信噪比可视为最优。
本发明中,优选地,步骤五中使用维纳逆卷积方法来对信号做逆卷积处理。其中,维纳逆卷积的原理可表示为:
其中,是复原信号的傅里叶变换,也即频域形式,G(k)是采集信号的频域形式,M(k)是维纳逆卷积的***函数,可表示为:
其中H(k)为逆卷积核h(t)的频域形式,Sf(k)为f(t)的自相关函数Rf(k)的傅里叶变换,也即为f(t)的功率谱密度,Sn(k)为噪声信号n(t)的自相关函数Rn(k)的傅里叶变换,也即为n(t)的功率谱密度,表示噪声与信号的功率比,即噪信比。
本发明中,优选地,步骤六中为了消除伴随维纳逆卷积而出现的振铃效应,采用频域带通滤波器的方法,振铃的特定频率段由多次数值仿真实验统计得出。
本发明中,优选地,步骤七中的图像重建采用延时求和算法,该算法的核心思想是取每个传感器记录的时间序列中不同时间的点进行叠加,具体取哪一个时间点由该传感器与信号源的距离和声速决定,叠加的结果可以看作一个还原过程,还原出信号源产生的初始声压。算法思想遵循下式:
其中,pd(r0,t)表示传感器接收到的声压信号,其中r0表示传感器坐标向量参数,t为时间参数;p0(r)表示信号源产生的初始声压信号。由于我们要重建的图像是逆卷积处理之后的图像,所以此时的pd(r0,t)用逆卷积之后得到的复原信号,即pd(r0,t)=f(t)。
本发明中,优选地,步骤七中使用的重建函数的输入变量除了传感器采集到的数据以外,还包括信号的采样率和时延值。
本发明中,优选地,步骤七中的时延值是线性变化的。若使用单一不变的时延,则图像中只能聚焦某一横向上的点,由于准确的时延是非线性变化较难确定,所以本发明中使用线性的时延来近似非线性。具体地说,就是在图像中选取至少两个较清楚的横截线,对这两个横向分别取不同的时延使其聚焦到最优状态,然后根据两点确定一条直线的原则,确定整个重建过程中时延变化的斜率和固定点。
本发明中,优选地,步骤七中重建函数的输出量为表征光声图像的二维矩阵,通常的延 时求和由于结果有正有负,所以在最后一步会通过取绝对值或者取包络将二维矩阵变为非负的,其中取包络的操作即取希尔伯特变换。但是,在本发明中,由于逆卷积后的信号正值远大于负值,所以延时求和的结果为正值,无需取包络。
本发明中,优选地,步骤八中对重建出的图像进行灰度的非线性变换,本发明中使用的非线性变换是指数式变换,形式如下式所示:
g(x,y)=bc[f(x,y)-a]-1,
其中,a,b,c三个参数用于调节指数变换变化曲线的位置和形状;f(x,y)表示步骤六中得到的原始二维矩阵,g(x,y)表示灰度变换后的二维矩阵,也即最终的优化结果。
附图说明
下面结合附图和具体实施方式对本发明做更进一步的具体说明,本发明的有关叙述和其他方面的优点将会变得更加清楚。
图1为本发明流程图。
图2为本发明采集示意图。
具体实施方式
如图1所示,本发明在不损失信息的前提下,提供了一种可以提高图像质量,并保证重建速度与效率的图像优化方法,包括如下步骤:
步骤一,利用如图下2所示的光声数据采集设备,将极细的物体近似视作理想点源,用脉冲激光照射该点源,同时用阵列传感器接收声压信号pd(r0,t),其中r0为传感器坐标向量参数,t为时间参数;
步骤二,该组信号包括N个通道数据,正常情况下,忽略时延差异,每个通道数据的波形可视为一致的,遂截取其中任一通道的有用信号段,该信号段可视作生物组织热膨胀特性以及这套光声采集设备两者的总***响应,也即逆卷积运算中的逆卷积核h(t),并对h(t)的幅值做标准化处理;
步骤三,采集待处理信号:使用同一套采集设备,在不改变采样率的前提下,原则上可以以任意物体为目标采集原始声压数据作为待处理信号g(t);
步骤四,估算出待处理信号的信噪比作为后续逆卷积运算的输入变量;
步骤五,采用维纳逆卷积的方法,将步骤二中得到的h(t)作为逆卷积核,结合已知的信噪比信息,对原始数据g(t)做逆卷积处理,得到优化信号f(t);
步骤六,为了减轻维纳逆卷积的振铃效应,用一个频域带通滤波器将振铃的固定频率滤除;
步骤七,开始进行图像重建:通过基于延时求和原理的光声重建函数,以逆卷积处理后的信号f(t)作为输入变量,辅以采样率以及延时两个参数,得到的输出量即为优化后的光声图像;
步骤八,对步骤七中得到的光声图像做灰度非线性变换处理,压缩其中灰度值低的部分,所得结果即为最终的优化图像。
本实例中,步骤一中选用一根头发来近似理想点源,头发的直径通常为80μm左右,将其置于仿体内,用脉冲激光照射该头发,并接收光声信号。
本实例中,步骤一和二中选用128个通道的线性阵列传感器来接收信号,选取其中一个通道的时间序列,截取该时间序列中包含头发的光声信号N形波的一段。
本实例中,步骤二中将h(t)的幅值缩放至的最大正幅值为0.2,在后续逆卷积操作中不改变。
本实例中,使用采样率为40MHz的探头采集信号,由于奈奎斯特定律限制,光声信号pd(r0,t)的频率不能超过采样频率的一半,
本实例中,始终使用同一套采集设备并保持采样率不变来对待测目标采集光声信号。
本实例中,步骤四中估算信噪比的问题可以转化为求解如下式所描述的最优化问题:
先设置初始信噪比值为2,然后在改变信号信噪比值SNRg(t)的迭代中,通过比较相对应的重建图像的信噪比SNRi(x,y)大小,找出最佳的信号信噪比这个最终值会由于采集目标和采集方法的不同而改变。
本实例中,步骤五中使用维纳逆卷积方法来对信号做逆卷积处理,其中维纳逆卷积的***函数可表示为:
其中表示噪声与信号的功率比,即噪信比,等于信号信噪比的倒数。
本实例中,步骤六为了消除伴随维纳逆卷积而出现的振铃效应,采用频域带通滤波器的方法,将频率在6MHz以上的信号滤除,该频率段由多次数值仿真实验统计得出。
本实例中,步骤七中的图像重建采用延时求和算法,且参数时延是线性变化的,通常变化范围在-10~10之间,具体变化程度由信号决定,需要手动调整。
本实例中,步骤八中的灰度指数式变换的参数a,b,c可根据图像灰度分布而变化,在本发明中使用的参数值通常为a=1,b=1.35,c=0.4。
本实例流程图参照图1。
本发明提出了一种采用逆卷积运算的光声图像优化方法,应当指出,步骤一种涉及的实验设备型号形式不对本专利构成限制;传感器位置可以是线性阵列也可以是其他形式,具体使用何种分布形式不对本专利构成限制;模拟过程中的计算区域设定的大小等非关键参数,不对本专利构成限制。应当指出,对于本技术领域的普通人员来说,在不脱离发明原理的前提下还可以做出若干改进和润饰,这些也应视为本发明的保护范围。另外,本实例中未明确的各组成部分均可用现有技术加以实现。
Claims (6)
1.一种采用逆卷积运算的光声图像优化方法,包括如下步骤:
步骤一,利用光声数据采集设备,将极细的物体近似视作理想点源,用脉冲激光照射该点源,同时用阵列传感器接收声压信号;
步骤二,接收到的声压信号包括N个通道数据,遂截取其中任一通道的有用信号段,该信号段可视作总***响应,也即逆卷积运算中的逆卷积核h(t),并对h(t)的幅值做标准化处理;
步骤三,使用同一套采集设备,在不改变采样率的前提下,以任意物体为目标采集原始声压数据作为待处理信号g(t);
步骤四,估算出待处理信号的信噪比,即信号与噪声的功率比,作为后续逆卷积的输入变量;
步骤五,采用维纳逆卷积的方法,将由步骤二中得到的h(t)作为逆卷积核,结合已知的信噪比信息,对原始数据g(t)做逆卷积处理,得到优化信号f(t);
步骤六,减轻维纳逆卷积的振铃效应;
步骤七,通过基于延时求和原理的光声重建函数,以逆卷积处理后的信号f(t)作为输入变量,辅以采样率以及延时两个参数,得到的输出量即为优化后的光声图像;
步骤八,对步骤七中得到的光声图像做灰度非线性变换处理,压缩其中灰度值低的部分,所得结果即为最终的优化图像。
2.一种采用逆卷积运算的光声图像优化方法,其特征在于,是先对原始的传感器采集数据进行逆卷积运算,再由逆卷积处理后的信号重建出光声图像。
3.根据权利要求1所述的一种采用逆卷积运算的光声图像优化方法,其特征在于,步骤二中h(t)由实测得到,实测的目标为可以近似于理想点源的极细的物体。
4.根据权利要求1所述的一种采用逆卷积运算的光声图像优化方法,其特征在于,步骤二中h(t)表征的是生物组织热膨胀特性以及使用的光声采集设备两者的总***响应,在使用同一采集设备并保持采样率不变的情况下,h(t)不改变。
5.根据权利要求1所述的一种采用逆卷积运算的光声图像优化方法,其特征在于,步骤五中采用使用维纳逆卷积方法来对信号做逆卷积处理,需要的参数有原始信号g(t)的噪信比,噪信比的值由信噪比求得。
6.根据权利要求1所述的一种采用逆卷积运算的光声图像优化方法,其特征在于,步骤七中使用的时延值是线性变化的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710151705.7A CN108573474B (zh) | 2017-03-10 | 2017-03-10 | 一种采用逆卷积运算的光声图像优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710151705.7A CN108573474B (zh) | 2017-03-10 | 2017-03-10 | 一种采用逆卷积运算的光声图像优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108573474A true CN108573474A (zh) | 2018-09-25 |
CN108573474B CN108573474B (zh) | 2021-11-16 |
Family
ID=63575726
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710151705.7A Active CN108573474B (zh) | 2017-03-10 | 2017-03-10 | 一种采用逆卷积运算的光声图像优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108573474B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020082934A1 (zh) * | 2018-10-25 | 2020-04-30 | 南京大学 | 一种抑制伪影的光声图像重建方法 |
CN111985535A (zh) * | 2020-07-17 | 2020-11-24 | 南京大学 | 一种通过神经网络优化人体深度图的方法及其装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080175508A1 (en) * | 2007-01-22 | 2008-07-24 | Kabushiki Kaisha Toshiba | Image Processing Device |
CN103279934A (zh) * | 2013-06-07 | 2013-09-04 | 南京大学 | 一种基于小支持域正则化逆卷积的遥感影像恢复方法 |
CN104490365A (zh) * | 2015-01-12 | 2015-04-08 | 南京大学 | 一种使用窄带传感器重建宽带光声图像的方法 |
CN105657402A (zh) * | 2016-01-18 | 2016-06-08 | 深圳市未来媒体技术研究院 | 一种深度图恢复方法 |
-
2017
- 2017-03-10 CN CN201710151705.7A patent/CN108573474B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080175508A1 (en) * | 2007-01-22 | 2008-07-24 | Kabushiki Kaisha Toshiba | Image Processing Device |
CN103279934A (zh) * | 2013-06-07 | 2013-09-04 | 南京大学 | 一种基于小支持域正则化逆卷积的遥感影像恢复方法 |
CN104490365A (zh) * | 2015-01-12 | 2015-04-08 | 南京大学 | 一种使用窄带传感器重建宽带光声图像的方法 |
CN105657402A (zh) * | 2016-01-18 | 2016-06-08 | 深圳市未来媒体技术研究院 | 一种深度图恢复方法 |
Non-Patent Citations (2)
Title |
---|
FOUAD AOUINTI等: "Image Restoration by Applying the Genetic Approach to the Iterative Wiener Filter", 《INSTITUTE OF ELECTRICAL AND ELECTRONICS ENGINEERS》 * |
唐秀文等: "利用维纳滤波改善声透镜光声成像***的分辨率", 《光子学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020082934A1 (zh) * | 2018-10-25 | 2020-04-30 | 南京大学 | 一种抑制伪影的光声图像重建方法 |
US11763500B2 (en) | 2018-10-25 | 2023-09-19 | Nanjing University | Photoacoustic image reconstruction method for suppressing artifacts |
CN111985535A (zh) * | 2020-07-17 | 2020-11-24 | 南京大学 | 一种通过神经网络优化人体深度图的方法及其装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108573474B (zh) | 2021-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lorintiu et al. | Compressed sensing reconstruction of 3D ultrasound data using dictionary learning and line-wise subsampling | |
EP2501295B1 (en) | Image forming method | |
WO2016155239A1 (zh) | 合成聚焦超声成像方法和装置 | |
Besson et al. | Ultrafast ultrasound imaging as an inverse problem: Matrix-free sparse image reconstruction | |
US20110231160A1 (en) | Subject information processing apparatus, subject information processing method, and subject information processing program | |
CN103310472B (zh) | 基于正则化迭代的有限角度光声成像重建方法及装置 | |
DE102016100367A1 (de) | Spärliche Verfolgung in Schallstrahlintensitätsimpuls-Bildgebung | |
CN104914440B (zh) | 一种融合动态孔径的压缩感知超声波束合成方法 | |
CN111248858B (zh) | 一种基于频域波数域的光声断层成像重建方法 | |
CN112754529B (zh) | 基于频域迁移的超声平面波成像方法、***及存储介质 | |
CN108573474B (zh) | 一种采用逆卷积运算的光声图像优化方法 | |
KR20150112057A (ko) | 공간 일관성 기초 초음파 신호 처리 모듈 및 그에 의한 초음파 신호 처리 방법 | |
Mittal et al. | Novelty in image reconstruction using DWT and CLAHE | |
CN117237473A (zh) | 一种基于扩散模型的光声断层成像稀疏重建方法 | |
US6699189B1 (en) | Ultrasound distortion compensation using blind system identification | |
Almansouri et al. | Deep neural networks for non-linear model-based ultrasound reconstruction | |
Waag et al. | An eigenfunction method for reconstruction of large-scale and high-contrast objects | |
CN104586363A (zh) | 基于图像块稀疏系数的快速光声成像图像重建方法 | |
CN104899902B (zh) | 一种血管内光声二维图像的重建方法 | |
US20180284249A1 (en) | Ultrasound imaging system and method for representing rf signals therein | |
Lorintiu et al. | Compressed sensing reconstruction of 3D ultrasound data using dictionary learning | |
van der Meulen et al. | Blind calibration for arrays with an aberration layer in ultrasound imaging | |
CN113974560A (zh) | 环形光声层析***稀疏阵元优化选择及压缩感知成像方法 | |
JP6274495B2 (ja) | 画像処理装置および超音波診断装置 | |
Ellis et al. | Super-resolution image reconstruction with reduced computational complexity |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 |