Radon-Transformation: Aufdecken verborgener Muster in visuellen Daten
Von Fouad Sabry
()
Über dieses E-Book
Was ist die Radon-Transformation
In der Mathematik ist die Radon-Transformation die Integraltransformation, die eine auf der Ebene definierte Funktion f in eine auf der (zwei- dimensionaler) Raum von Linien in der Ebene, dessen Wert an einer bestimmten Linie gleich dem Linienintegral der Funktion über dieser Linie ist. Die Transformation wurde 1917 von Johann Radon eingeführt, der auch eine Formel für die Umkehrtransformation bereitstellte. Radon enthielt außerdem Formeln für die Transformation in drei Dimensionen, bei denen das Integral über Ebenen übernommen wird. Später wurde es auf höherdimensionale euklidische Räume und allgemeiner im Kontext der Integralgeometrie verallgemeinert. Das komplexe Analogon der Radon-Transformation ist als Penrose-Transformation bekannt. Die Radon-Transformation ist weithin anwendbar auf die Tomographie, die Erstellung eines Bildes aus den Projektionsdaten, die mit Querschnittsscans eines Objekts verbunden sind.
Ihre Vorteile
(I) Erkenntnisse und Validierungen zu den folgenden Themen:
Kapitel 1: Radon-Transformation
Kapitel 2: Fourier-Transformation
Kapitel 3: Bessel Funktion
Kapitel 4: Faltungssatz
Kapitel 5: Diskrete Fourier-Transformation
Kapitel 6: Fourier-Reihe
Kapitel 7: Integration durch Teile
Kapitel 8: Fraktionale Fourier-Transformation
Kapitel 9: Mellin-Transformation
Kapitel 10: Poisson-Kernel
(II) Beantwortung der Öffentliche Top-Fragen zur Radontransformation.
(III) Beispiele aus der Praxis für die Verwendung der Radontransformation in vielen Bereichen.
Für wen dieses Buch gedacht ist
Profis, Studenten und Doktoranden, Enthusiasten, Hobbyisten und diejenigen, die über das Grundwissen oder die Informationen für jede Art von Radontransformation hinausgehen möchten.
Ähnlich wie Radon-Transformation
Titel in dieser Serie (100)
Homographie: Homographie: Transformationen in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenComputer Vision: Erkundung der Tiefen des Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenTonzuordnung: Tone Mapping: Erhellende Perspektiven in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenRadon-Transformation: Aufdecken verborgener Muster in visuellen Daten Bewertung: 0 von 5 Sternen0 BewertungenLärmminderung: Verbesserung der Klarheit, fortschrittliche Techniken zur Rauschunterdrückung in der Bildverarbeitung Bewertung: 0 von 5 Sternen0 BewertungenHistogrammausgleich: Verbesserung des Bildkontrasts für eine verbesserte visuelle Wahrnehmung Bewertung: 0 von 5 Sternen0 BewertungenKantenerkennung: Grenzen in der Computer Vision erkunden Bewertung: 0 von 5 Sternen0 BewertungenAnisotrope Diffusion: Verbesserung der Bildanalyse durch anisotrope Diffusion Bewertung: 0 von 5 Sternen0 BewertungenBildhistogramm: Visuelle Einblicke enthüllen und die Tiefen von Bildhistogrammen in der Computer Vision erkunden Bewertung: 0 von 5 Sternen0 BewertungenRetinex: Enthüllen Sie die Geheimnisse des computergestützten Sehens mit Retinex Bewertung: 0 von 5 Sternen0 BewertungenUnterwasser-Computervision: Erkundung der Tiefen der Computer Vision unter den Wellen Bewertung: 0 von 5 Sternen0 BewertungenAutomatisierte optische Inspektion: Fortschritte in der Computer-Vision-Technologie Bewertung: 0 von 5 Sternen0 BewertungenBlob-Erkennung: Aufdecken von Mustern in visuellen Daten Bewertung: 0 von 5 Sternen0 BewertungenBildkompression: Effiziente Techniken zur visuellen Datenoptimierung Bewertung: 0 von 5 Sternen0 BewertungenComputer-Stereo-Vision: Erforschung der Tiefenwahrnehmung in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenHough-Transformation: Enthüllung der Magie der Hough-Transformation in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenFarbmodell: Das Spektrum des Computer Vision verstehen: Farbmodelle erkunden Bewertung: 0 von 5 Sternen0 BewertungenAktive Kontur: Weiterentwicklung der Computer Vision mit aktiven Konturtechniken Bewertung: 0 von 5 Sternen0 BewertungenGamma-Korrektur: Verbesserung der visuellen Klarheit in der Computer Vision: Die Gammakorrekturtechnik Bewertung: 0 von 5 Sternen0 BewertungenBündelanpassung: Optimieren visueller Daten für eine präzise Rekonstruktion Bewertung: 0 von 5 Sternen0 BewertungenFarbanpassungsfunktion: Spektrale Empfindlichkeit in Computer Vision verstehen Bewertung: 0 von 5 Sternen0 BewertungenAdaptiver Filter: Verbesserung der Computer Vision durch adaptive Filterung Bewertung: 0 von 5 Sternen0 BewertungenAffine Transformation: Visuelle Perspektiven freischalten: Erforschung der affinen Transformation in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenInpainting: Überbrückung von Lücken in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenGemeinsame Fotoexpertengruppe: Erschließen Sie das Potenzial visueller Daten mit dem JPEG-Standard Bewertung: 0 von 5 Sternen0 BewertungenTrifokaler Tensor: Erforschung von Tiefe, Bewegung und Struktur in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenSchätzung der artikulierten Körperhaltung: Erschließung menschlicher Bewegung in Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenModell des menschlichen visuellen Systems: Wahrnehmung und Verarbeitung verstehen Bewertung: 0 von 5 Sternen0 BewertungenOptischer Fluss: Erforschung dynamischer visueller Muster in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenOrientiertes Gradienten-Histogramm: Enthüllung des visuellen Bereichs: Erkundung des Histogramms mit orientierten Farbverläufen in der Bildverarbeitung Bewertung: 0 von 5 Sternen0 Bewertungen
Ähnliche E-Books
Bewegungsfeld: Erkundung der Dynamik von Computer Vision: Bewegungsfeld enthüllt Bewertung: 0 von 5 Sternen0 BewertungenZweidimensionale Computergrafik: Erkundung des visuellen Bereichs: Zweidimensionale Computergrafiken in Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenLevel-Set-Methode: Weiterentwicklung der Computer Vision, Erforschung der Level-Set-Methode Bewertung: 0 von 5 Sternen0 BewertungenKreuzkorrelation: Muster in der Computer Vision entschlüsseln Bewertung: 0 von 5 Sternen0 BewertungenHough-Transformation: Enthüllung der Magie der Hough-Transformation in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenHomographie: Homographie: Transformationen in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenAffine Transformation: Visuelle Perspektiven freischalten: Erforschung der affinen Transformation in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenDirekte lineare Transformation: Praktische Anwendungen und Techniken in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenTrifokaler Tensor: Erforschung von Tiefe, Bewegung und Struktur in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenBündelanpassung: Optimieren visueller Daten für eine präzise Rekonstruktion Bewertung: 0 von 5 Sternen0 BewertungenEinführung in die numerische Strömungsmechanik Bewertung: 1 von 5 Sternen1/5Blob-Erkennung: Aufdecken von Mustern in visuellen Daten Bewertung: 0 von 5 Sternen0 BewertungenRaytracing-Grafiken: Erforschung des fotorealistischen Renderings in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenPhong-Reflexionsmodell: Lichtinteraktionen in der Bildverarbeitung verstehen Bewertung: 0 von 5 Sternen0 BewertungenDas Buch der Mathematik: Band 2 Bewertung: 0 von 5 Sternen0 BewertungenHadamard-Transformation: Enthüllung der Leistungsfähigkeit der Hadamard-Transformation in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenAnisotrope Diffusion: Verbesserung der Bildanalyse durch anisotrope Diffusion Bewertung: 0 von 5 Sternen0 BewertungenBewegungsschätzung: Fortschritte und Anwendungen in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenModell einer Lochkamera: Perspektive durch Computeroptik verstehen Bewertung: 0 von 5 Sternen0 BewertungenBildbasierte Modellierung und Rendering: Erforschung des visuellen Realismus: Techniken in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenVerallgemeinerte Funktionen: Grundlagen und Anwendungsbeispiele Bewertung: 0 von 5 Sternen0 BewertungenMinimaler Begrenzungsrahmen: Enthüllung der Leistungsfähigkeit der räumlichen Optimierung in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenGeschwindigkeitsmomente: Die Dynamik erfassen: Einblicke in Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenHilbert-Projektionssatz: Dimensionen in der Computer Vision erschließen Bewertung: 0 von 5 Sternen0 BewertungenBilineare Interpolation: Verbesserung der Bildauflösung und -klarheit durch bilineare Interpolation Bewertung: 0 von 5 Sternen0 BewertungenBresenham-Linien-Algorithmus: Effiziente pixelgenaue Linienwiedergabe für Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenÜbungen zu Transformationen Bewertung: 0 von 5 Sternen0 BewertungenMarkov-Zufallsfeld: Erforschung der Leistungsfähigkeit von Markov-Zufallsfeldern in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenKantenerkennung: Grenzen in der Computer Vision erkunden Bewertung: 0 von 5 Sternen0 BewertungenOptische Signale und Systeme Bewertung: 0 von 5 Sternen0 Bewertungen
Künstliche Intelligenz (KI) & Semantik für Sie
ChatGPT: Begegnung mit einer neuen Welt: Lernen Sie Künstliche Intelligenz mit der Gratisversion ChatGPT 3.5 Bewertung: 0 von 5 Sternen0 BewertungenAufstieg der Roboter: Wie unsere Arbeitswelt gerade auf den Kopf gestellt wird - und wie wir darauf reagieren müssen Bewertung: 0 von 5 Sternen0 BewertungenDie Zukunft der Arbeit: Digitalisierung, Automatisierung, KI Bewertung: 0 von 5 Sternen0 BewertungenDigitalotopia: Sind wir bereit für die (R)Evolution der Wirklichkeit? Bewertung: 0 von 5 Sternen0 BewertungenEinstieg ins Machine Learning: Grundlagen, Prinzipien, erste Schritte Bewertung: 0 von 5 Sternen0 BewertungenChatGPT – Für Einsteiger: Schreibprofi mit KI, Zeit und Geld sparen ohne peinliche Fehler Bewertung: 0 von 5 Sternen0 BewertungenKI-Innovationen: Wie die Technologie die Grenzen verschiebt Künstliche Intelligenz verstehen und nutzen: Ein AI-Buch Bewertung: 0 von 5 Sternen0 BewertungenChatbotische Medien-Gestaltung leicht gemacht: Von der Idee zum viralen Hit Bewertung: 0 von 5 Sternen0 BewertungenKünstliche Intelligenz: Die vierte industrielle Revolution Bewertung: 0 von 5 Sternen0 BewertungenChatbotische Landingpages: Wie du deine Konkurrenz in den digitalen Staub schicken Bewertung: 0 von 5 Sternen0 BewertungenMenschlicher Geist und Künstliche Intelligenz: Die Entwicklung des Humanen inmitten einer digitalen Welt Bewertung: 0 von 5 Sternen0 BewertungenRoboter im Alltag: Maschinen (beinahe) wie Menschen Bewertung: 0 von 5 Sternen0 BewertungenChatGPT: Epische Reise des Erfolgs - 'Steigern Sie Ihren Reichtum': Mit Screenshots aus dem echten Leben - Erreichen Sie finanzielle Höhen Bewertung: 0 von 5 Sternen0 BewertungenWissen statt Glauben!: Das Weltbild des neuen Humanismus Bewertung: 0 von 5 Sternen0 BewertungenDie KI Bibel, mit künstlicher Intelligenz Geld verdienen: Echte Fallbeispiele und Anleitungen zum Umsetzen Bewertung: 1 von 5 Sternen1/5Künstliche Intelligenz in Sozialen Medien Bewertung: 0 von 5 Sternen0 BewertungenMeistern von ChatGPT: Entriegeln Sie die Kraft der KI für verbesserte Kommunikation und Beziehungen: German Bewertung: 0 von 5 Sternen0 BewertungenPsychologie des Sozialismus Bewertung: 0 von 5 Sternen0 Bewertungen
Rezensionen für Radon-Transformation
0 Bewertungen0 Rezensionen
Buchvorschau
Radon-Transformation - Fouad Sabry
Kapitel 1: Radon-Umwandlung
Für jede Funktion f, die auf der Ebene definiert ist, bildet die Radontransformation sie auf eine Funktion Rf ab, die auf dem (zweidimensionalen) Raum der Linien in der Ebene definiert ist, wobei der Wert von Rf an einer gegebenen Linie das Linienintegral von f entlang dieser Linie ist. Johann Radon beschrieb die Transformation erstmals 1917 und gab auch eine Formel für ihre Umkehrung. Das Integral wird über Ebenen ausgewertet, wie in den dreidimensionalen Transformationsformeln von Radon zu sehen ist (die Integration über Linien wird als Röntgentransformation bezeichnet). Sie wurde schließlich über den Bereich der integralen Geometrie hinaus auf höherdimensionale euklidische Räume ausgedehnt. Die Penrose-Transformation ist die ausgeklügelte Version der Radon-Transformation. In der Tomographie, bei der ein Bild aus Projektionsdaten rekonstruiert wird, die mit Querschnittsscans eines Objekts verbunden sind, wird häufig die Radontransformation verwendet.
Wenn eine Funktion f eine unbekannte Dichte darstellt, werden die Projektionsdaten nach Abschluss eines tomographischen Scans durch die Radontransformation dargestellt.
Da die Radontransformation invertiert werden kann, kann die ursprüngliche Dichte aus den Projektionsdaten rekonstruiert werden, was die mathematische Grundlage für die tomografische Rekonstruktion liefert, ähnlich wie bei der iterativen Rekonstruktionstechnik.
Da es sich bei der Radontransformation einer nicht-zentroidalen Punktquelle um eine Sinuskurve handelt, werden die resultierenden Daten oft als Sinogramm bezeichnet. Infolgedessen sieht die Radontransformation einer Ansammlung kleiner Objekte wie ein Haufen verschmierter Sinuswellen mit unterschiedlichen Amplituden und Phasen in einem Diagramm aus.
Die Radontransformation findet Anwendung in der Reflexionsseismologie, der Computertomographie (CAT), der Elektronenmikroskopie makromolekularer Anordnungen einschließlich Viren und Proteinkomplexen und der Lösung hyperbolischer partieller Differentialgleichungen.
Sei {\displaystyle f({\textbf {x}})=f(x,y)} eine Funktion, die die drei Regularitätsbedingungen erfüllt:
{\displaystyle f({\textbf {x}})} Das Doppelintegral {\displaystyle \iint {\dfrac {\vert f({\textbf {x}})\vert }{\sqrt {x^{2}+y^{2}}}}\,dx\,dy} , das den ganzen Boden bedeckt, konvergiert; für jeden beliebigen Punkt (x,y) auf der Ebene gilt es, dass
{\displaystyle \lim _{r\to \infty }\int _{0}^{2\pi }f(x+r\cos \varphi ,y+r\sin \varphi )\,d\varphi =0.}Beim Wechsel zu einer Radonmatrix Rf ist , eine Funktion, die auf dem Raum der Geraden {\displaystyle L\subset \mathbb {R} ^{2}} durch das Linienintegral entlang jeder dieser Linien definiert ist, wie z.B.:
{\displaystyle Rf(L)=\int _{L}f(\mathbf {x} )\vert d\mathbf {x} \vert .}Konkret kann die Parametrisierung einer beliebigen Geraden L in Bezug auf die Bogenlänge z immer geschrieben werden:
{\displaystyle (x(z),y(z))={\Big (}(z\sin \alpha +s\cos \alpha ),(-z\cos \alpha +s\sin \alpha ){\Big )}\,}wobei s der Abstand von L vom Ursprung und \alpha der Winkel ist, den der Normalenvektor L mit der X -Achse bildet.
Daraus folgt, dass die Größen {\displaystyle (\alpha ,s)} als Koordinaten auf dem Raum aller Geraden in betrachtet werden können \mathbb {R} ^{2} . In diesen Achsen ist die Radontransformation wie folgt definiert:
{\displaystyle {\begin{aligned}Rf(\alpha ,s)&=\int _{-\infty }^{\infty }f(x(z),y(z))\,dz\\&=\int _{-\infty }^{\infty }f{\big (}(z\sin \alpha +s\cos \alpha ),(-z\cos \alpha +s\sin \alpha ){\big )}\,dz.\end{aligned}}}Allgemeiner ausgedrückt ist im n -dimensionalen euklidischen Raum \mathbb {R} ^{n} die Radontransformation einer Funktion, f die die Regularitätsbedingungen erfüllt, eine Funktion Rf auf dem Raum \Sigma _{n} aller Hyperebenen in \mathbb {R} ^{n} .
Um es einfach auszudrücken:
{\displaystyle Rf(\xi )=\int _{\xi }f(\mathbf {x} )\,d\sigma (\mathbf {x} ),\quad \forall \xi \in \Sigma _{n}}wenn das Integral in Bezug auf das Maß der natürlichen Hyperflächen durchgeführt wird d\sigma (Verallgemeinerung des {\displaystyle \vert d\mathbf {x} \vert } Terms aus dem 2 -dimensionalen Fall).
Beachten Sie, dass jedes Element von \Sigma _{n} als Lösungsort einer Gleichung charakterisiert ist \mathbf {x} \cdot \alpha =s , wobei {\displaystyle \alpha \in S^{n-1}} ein Einheitsvektor und {\displaystyle s\in \mathbb {R} } ist.
Daher kann die n -dimensionale Radon-Transformation als Funktion auf {\displaystyle S^{n-1}\times \mathbb {R} } via:
{\displaystyle Rf(\alpha ,s)=\int _{\mathbf {x} \cdot \alpha =s}f(\mathbf {x} )\,d\sigma (\mathbf {x} ).}Es ist auch möglich, die Radontransformation noch weiter zu verallgemeinern, indem man stattdessen k überdimensionale affine Unterräume von \mathbb {R} ^{n} integriert.
Eine häufige Anwendung dieses Rahmens ist die Röntgentransformation und die Integration entlang gekrümmter Linien.
Es besteht ein enger Zusammenhang zwischen der Radon-Transformation und der Fourier-Transformation. Die Fourier-Transformation einer einzelnen Variablen ist wie folgt definiert:
{\displaystyle {\hat {f}}(\omega )=\int _{-\infty }^{\infty }f(x)e^{-2\pi ix\omega }\,dx.}Für eine Funktion eines 2 -Vektors \mathbf {x} =(x,y) gilt die Fourier-Transformation in einer Dimension:
{\displaystyle {\hat {f}}(\mathbf {w} )=\iint _{\mathbb {R} ^{2}}f(\mathbf {x} )e^{-2\pi i\mathbf {x} \cdot \mathbf {w} }\,dx\,dy.}Der Einfachheit halber bezeichnen Sie {\displaystyle {\mathcal {R}}_{\alpha }[f](s)={\mathcal {R}}[f](\alpha ,s)} .
Als logische Konsequenz besagt das Fourier-Scheiben-Theorem:
{\displaystyle {\widehat {{\mathcal {R}}_{\alpha }[f]}}(\sigma )={\hat {f}}(\sigma \mathbf {n} (\alpha ))}wo \mathbf {n} (\alpha )=(\cos \alpha ,\sin \alpha ).
Somit ist die zweidimensionale Fourier-Transformation der Anfangsfunktion entlang einer Linie im Neigungswinkel \alpha die einzige variable Fourier-Transformation der Radon-Transformation (gemessen am Winkel \alpha ) dieser Funktion.
Die Radon-Transformation und ihre Umkehrung können mit diesen Informationen berechnet werden.
Dieser Befund ist n-dimensional verallgemeinerbar:
{\displaystyle {\hat {f}}(r\alpha )=\int _{\mathbb {R} }{\mathcal {R}}f(\alpha ,s)e^{-2\pi isr}\,ds.}Eine Ergänzung zur Radon-Transformation ist die duale Radon-Transformation.
Beginnend mit einer Funktion g auf dem Raum \Sigma _{n} ist die duale Radontransformation die Funktion {\displaystyle {\mathcal {R}}^{*}g} auf Rn , die definiert ist durch:
{\displaystyle {\mathcal {R}}^{*}g(\mathbf {x} )=\int _{\mathbf {x} \in \xi }g(\xi )\,d\mu (\xi ).}Das Integral wird hier über die Menge aller Hyperebenen übernommen, die mit dem Punkt einfallen {\displaystyle {\textbf {x}}\in \mathbb {R} ^{n}} , und das Maß d\mu ist das eindeutige Wahrscheinlichkeitsmaß für die Menge {\displaystyle \{\xi |\mathbf {x} \in \xi \}} invariant unter Drehungen um den Punkt \mathbf {x} .
Insbesondere ist die duale Transformation der Radontransformation in der zweiten Dimension gegeben durch:
{\displaystyle {\mathcal {R}}^{*}g(\mathbf {x} )={\frac {1}{2\pi }}\int _{\alpha =0}^{2\pi }g(\alpha ,\mathbf {n} (\alpha )\cdot \mathbf {x} )\,d\alpha .}Da die duale Transformation eine Funktion, die auf jeder Linie in der Ebene angegeben ist, verschmiert
oder projiziert
, um ein Bild zu erzeugen, wird sie im Bereich der Bildverarbeitung oft als Rückprojektion
bezeichnet.
Bezeichnen wir \Delta den Laplaceian, definiert \mathbb {R} ^{n} durch:
{\displaystyle \Delta ={\frac {\partial ^{2}}{\partial x_{1}^{2}}}+\cdots +{\frac {\partial ^{2}}{\partial x_{n}^{2}}}}Hierbei handelt es sich um einen Differentialoperator zweiter Ordnung, der per Definition rotationsinvariant ist.
Auf \Sigma _{n} ist die radiale
zweite Ableitung Lf(\alpha ,s)\equiv {\frac {\partial ^{2}}{\partial s^{2}}}f(\alpha ,s) ebenfalls rotationsinvariant.
Für diese beiden differentiellen Operatoren sind die Radontransformation und ihr Dual gekoppelte Operatoren in dem Sinne, dass:
{\displaystyle {\mathcal {R}}(\Delta f)=L({\mathcal {R}}f),\quad {\mathcal {R}}^{*}(Lg)=\Delta ({\mathcal {R}}^{*}g).}Die translationale Darstellung von Lax und Philips basiert auf der Verflechtungseigenschaft, die für die Analyse von Lösungen der Wellengleichung im höherdimensionalen Raum nützlich ist. Dies wird als dimensionale Aufspaltungstechnik verwendet, um mehrdimensionale Sachverhalte in eindimensionale zu vereinfachen.
Der Prozess der Rekonstruktion erzeugt das Bild (oder die Funktion f im vorherigen Abschnitt) aus seinen Projektionsdaten.
Inverse Probleme wie die Rekonstruktion.
Für die einfache Situation von zwei Dimensionen ist die am häufigsten verwendete analytische Formel zur Wiederherstellung f der Radontransformation die Formel für die gefilterte Rückprojektion oder die Radon-Inversionsformel:
{\displaystyle f(\mathbf {x} )=\int _{0}^{\pi }({\mathcal {R}}f(\cdot ,\theta )*h)(\left\langle \mathbf {x} ,\mathbf {n} _{\theta }\right\rangle )\,d\theta }wobei so h ist, dass {\displaystyle {\hat {h}}(k)=|k|} .
Der Convolution-Kernel h wird in der Literatur als Rampenfilter bezeichnet.
Intuitiv ist die Formel für die gefilterte Rückprojektion, ähnlich wie die Differenzierung, für die {\textstyle \left({\widehat {{\frac {d}{dx}}f}}\right)\!(k)=ik{\widehat {f}}(k)} , Der Filter scheint eine Funktion analog zu einer Ableitung auszuführen.
Grob gesagt gibt der Filter also allem eine klarere Identität.
Die Radoninversion wird quantitativ wie folgt als schlecht dargestellt:
{\displaystyle {\widehat {{\mathcal {R}}^{*}{\mathcal {R}}g}}(k)={\frac {1}{\|\mathbf {k} \|}}{\hat {g}}(\mathbf {k} )}wobei {\displaystyle {\mathcal {R}}^{*}} das zuvor definierte Adjungierte zur Radon-Transformation ist.
Somit {\displaystyle g(\mathbf {x} )=e^{i\left\langle \mathbf {k} _{0},\mathbf {x} \right\rangle }} haben wir für :
{\displaystyle {\mathcal {R}}^{*}{\mathcal {R}}g={\frac {1}{\|\mathbf {k_{0}} \|}}e^{i\left\langle \mathbf {k} _{0},\mathbf {x} \right\rangle }}Die komplexe Exponentialfunktion {\displaystyle e^{i\left\langle \mathbf {k} _{0},\mathbf {x} \right\rangle }} ist also eine Eigenfunktion von {\displaystyle {\mathcal {R}}^{*}{\mathcal {R}}} mit Eigenwert {\textstyle {\frac {1}{\|\mathbf {k} _{0}\|}}} .
Die singulären Werte von {\mathcal {R}} sind {\textstyle {\frac {1}{\sqrt {\|\mathbf {k} \|}}}} also .
Da diese singulären Werte dazu neigen, {\displaystyle 0} {\displaystyle {\mathcal {R}}^{-1}} ist , ist unbegrenzt.
Die iterative Rekonstruktion ist rechenintensiver als der Ansatz der gefilterten Rückprojektion, der ihre Verwendung einschränkt. Bei Diskontinuität oder Rauschen kann der Ansatz der gefilterten Rückprojektion jedoch aufgrund der schlechten Stellung der Radoninversion nicht durchführbar sein. Viele Forscher interessieren sich für iterative Rekonstruktionsmethoden (z. B. iterative Sparse Asymptotic Minimum Variance), da sie das Potenzial haben, Metallartefakte, Rauschen und Dosierung in der rekonstruierten Ausgabe zu reduzieren.
Die Radontransformation und die entsprechenden Inversionsformeln sind verfügbar und sowohl explizit als auch recheneffizient.
Die Radonumwandlung in n Dimensionen kann durch die folgende Formel invertiert werden:
{\displaystyle c_{n}f=(-\Delta )^{(n-1)/2}R^{*}Rf\,}wobei {\displaystyle c_{n}=(4\pi )^{(n-1)/2}{\frac {\Gamma (n/2)}{\Gamma (1/2)}}} , und die Potenz der Laplace-Funktion {\displaystyle (-\Delta )^{(n-1)/2}} als Pseudo-Differentialoperator definiert wird, falls erforderlich durch die Fourier-Transformation:
{\displaystyle \left[{\mathcal {F}}(-\Delta )^{(n-1)/2}\varphi \right](\xi )=|2\pi \xi |^{n-1}({\mathcal {F}}\varphi )(\xi ).}Bei der logikbasierten Berechnung wird die Potenz der Laplace-Funktion mit der dualen Transformation umgewandelt R^{*} , um Folgendes zu erhalten:
{\displaystyle c_{n}f={\begin{cases}R^{*}{\frac {d^{n-1}}{ds^{n-1}}}Rf&n{\text{ odd}}\\R^{*}{\mathcal {H}}_{s}{\frac {d^{n-1}}{ds^{n-1}}}Rf&n{\text{ even}}\end{cases}}}wobei {\displaystyle {\mathcal {H}}_{s}} die Hilbert-Transformation in Bezug auf die s-Variable ist .
Mit nur zwei Achsen erscheint der Bediener in der {\displaystyle {\mathcal {H}}_{s}{\frac {d}{ds}}} Bildverarbeitung als Rampenfilter.
Man kann direkt aus dem Fourier-Scheibensatz und der Änderung der Variablen für die Integration beweisen, dass für eine kompakt gestützte stetige Funktion {\displaystyle f} zweier Variablen:
{\displaystyle f={\frac {1}{2}}R^{*}H_{s}{\frac {d}{ds}}Rf.}So kann in einem Bildverarbeitungskontext das Originalbild {\displaystyle f} aus den Sinogramm
-Daten wiederhergestellt werden {\displaystyle Rf} , indem ein Rampenfilter (in der s Variablen) angewendet und dann zurückprojiziert wird.
Sowohl die Filter- als auch die Rückprojektionsprozesse sind rechnerisch einfach;