热门标签 | HotTags
当前位置:  开发笔记 > 人工智能 > 正文

全国大学生数学建模竞赛广东省分赛A题CT系统参数标定及成像方法总结

问题一:由Beer-Lambert定律,可以得到X光穿过物体前后光子数与物体厚度的关系(正相关),以及观察两份附件中的信息,可知接收信息大致与X射线穿过的像素点个数(遮挡物厚度)成正相关关

问题一:由Beer-Lambert 定律,可以得到 X 光穿过物体前后光子数与物体厚度的关系 (正相关),以及观察两份附件中的信息,可知接收信息大致与 射线穿过的像素点个数(遮挡物厚度)成正相关关系 ;
又由特殊点的位置(光线射过椭圆长轴物体所接受的信息最多,射过椭圆短轴时接收的信息最少),可知长轴和短轴的交点即为椭圆中心。

问题二:使用 MATLAB iradon 函数,采用直接反投影法对吸收信息数据进行转换,得到 CT 重建图像,但存在伪影问题。 因此本文改进算法,选取R-L 滤波函数,使用滤波反投影法得到降低噪声的 CT 重建图像以及吸收率矩阵。通过对附件 的点进行坐标变换,寻找十点在吸收率分布矩阵中的位置,继而找到 10 个位置的吸收率。

问题三:首先, 使用直接反投影法进行 CT 图像的初步重建,伪影问题仍存在。 进一步, 选取 R-L 滤波函数, 先对附件 的吸收信息数据进行卷积滤波计算,降低数据可能存在的噪声。进一步,将经滤波处理后的数据通过傅里叶变换和 Radon 变换,求得反投影数据,最终得到 CT 重建图像。 利用问题二中经变换后的十点的坐标信息,求得各位置对应的吸收率。

问题四: 由问题一标定的参数该模板所确定的 CT 系统相关量存在一定精度误差,经分析误差可能来源于以下几个方面:
1) 探测器与旋转轴之间存在一定夹角,经考虑此误差对全局的影响较大且不容易通过优化算法消除;
2) 观察图 2 模板的理论尺寸图和附件一吸收率信息,两者存在相当误差,即用于标定的均匀介质模板与实际吸收率出入较大,经 MATLAB 将附件一数据与椭圆及小圆方程拟合,误差为 5.82%
(3) 附件一提供的吸收率不够精确,即像素点分得不够细,在做投影还原时总会模糊;
(4) 第 EUBI 列数据不是刚好对应位置①和位置②,理论与实际总存在一些偏差。 

5.4.2 误差改进方法
根据上述分析,通过改变模板形状、大小等可以一定程度上减轻误差。
首先,从模型一运用的求解方法来看, 探测单元间距我们是通过小圆直径和椭圆长轴确定,但由于 射线若被探测到数值一定是与标定模板相交,则 射线组实际被遮挡的宽度总大于显示在附件二中非零单元格的数量;在标定模板上增加小正圆的数量,增大寻找到被遮挡 射线条数最多的点的机会,可以一定程度上使探测单元间距更加准确;

我们计算旋转中心时,用了两种方法:方法一仅用了附件二少数数据,对结果的精确度影响较大;方法二通过函数拟合出小圆圆心的轨迹,然而小圆圆心对应在附件二上的数值并不容易被确定,可考虑在增加小正圆数量的基础上,使每个小圆直径的大小不尽相同,但服从一定数量规律以克服上述误差。

经过以上思考,我们作出了改进后的模板图如图 20 改进模板图。
其中, 图中标定模板皆为正圆,正方形托盘仍为 100mm*100m;各圆尺寸及
信息如下:
圆 O 半径为 32mm,吸收率为 1;
圆 P 半径为 8mm, 经过 O 点;
圆 Q 半径为 2mm,与圆 O 相切,圆 P 和圆 Q 皆为圆 O 上被挖去的部分;
圆 R 半径为 4mm 距边缘均为 4mm, 吸收率为 1.

 


推荐阅读
  • 深入解析Android自定义View面试题
    本文探讨了Android Launcher开发中自定义View的重要性,并通过一道经典的面试题,帮助开发者更好地理解自定义View的实现细节。文章不仅涵盖了基础知识,还提供了实际操作建议。 ... [详细]
  • 优化ListView性能
    本文深入探讨了如何通过多种技术手段优化ListView的性能,包括视图复用、ViewHolder模式、分批加载数据、图片优化及内存管理等。这些方法能够显著提升应用的响应速度和用户体验。 ... [详细]
  • 本文介绍如何利用动态规划算法解决经典的0-1背包问题。通过具体实例和代码实现,详细解释了在给定容量的背包中选择若干物品以最大化总价值的过程。 ... [详细]
  • 本文详细探讨了Java中的24种设计模式及其应用,并介绍了七大面向对象设计原则。通过创建型、结构型和行为型模式的分类,帮助开发者更好地理解和应用这些模式,提升代码质量和可维护性。 ... [详细]
  • 本文介绍了Java并发库中的阻塞队列(BlockingQueue)及其典型应用场景。通过具体实例,展示了如何利用LinkedBlockingQueue实现线程间高效、安全的数据传递,并结合线程池和原子类优化性能。 ... [详细]
  • 题目描述:给定n个半开区间[a, b),要求使用两个互不重叠的记录器,求最多可以记录多少个区间。解决方案采用贪心算法,通过排序和遍历实现最优解。 ... [详细]
  • 深入理解C++中的KMP算法:高效字符串匹配的利器
    本文详细介绍C++中实现KMP算法的方法,探讨其在字符串匹配问题上的优势。通过对比暴力匹配(BF)算法,展示KMP算法如何利用前缀表优化匹配过程,显著提升效率。 ... [详细]
  • 探讨一个显示数字的故障计算器,它支持两种操作:将当前数字乘以2或减去1。本文将详细介绍如何用最少的操作次数将初始值X转换为目标值Y。 ... [详细]
  • 本文详细介绍了Java编程语言中的核心概念和常见面试问题,包括集合类、数据结构、线程处理、Java虚拟机(JVM)、HTTP协议以及Git操作等方面的内容。通过深入分析每个主题,帮助读者更好地理解Java的关键特性和最佳实践。 ... [详细]
  • 本文探讨如何设计一个安全的加密和验证算法,确保生成的密码具有高随机性和低重复率,并提供相应的验证机制。 ... [详细]
  • 深入解析:手把手教你构建决策树算法
    本文详细介绍了机器学习中广泛应用的决策树算法,通过天气数据集的实例演示了ID3和CART算法的手动推导过程。文章长度约2000字,建议阅读时间5分钟。 ... [详细]
  • 在金融和会计领域,准确无误地填写票据和结算凭证至关重要。这些文件不仅是支付结算和现金收付的重要依据,还直接关系到交易的安全性和准确性。本文介绍了一种使用C语言实现小写金额转换为大写金额的方法,确保数据的标准化和规范化。 ... [详细]
  • 在给定的数组中,除了一个数字外,其他所有数字都是相同的。任务是找到这个唯一的不同数字。例如,findUniq([1, 1, 1, 2, 1, 1]) 返回 2,findUniq([0, 0, 0.55, 0, 0]) 返回 0.55。 ... [详细]
  • 本文探讨了卷积神经网络(CNN)中感受野的概念及其与锚框(anchor box)的关系。感受野定义了特征图上每个像素点对应的输入图像区域大小,而锚框则是在每个像素中心生成的多个不同尺寸和宽高比的边界框。两者在目标检测任务中起到关键作用。 ... [详细]
  • 网络攻防实战:从HTTP到HTTPS的演变
    本文通过一系列日记记录了从发现漏洞到逐步加强安全措施的过程,探讨了如何应对网络攻击并最终实现全面的安全防护。 ... [详细]
author-avatar
dazhi20
这个家伙很懒,什么也没留下!
PHP1.CN | 中国最专业的PHP中文社区 | DevBox开发工具箱 | json解析格式化 |PHP资讯 | PHP教程 | 数据库技术 | 服务器技术 | 前端开发技术 | PHP框架 | 开发工具 | 在线工具
Copyright © 1998 - 2020 PHP1.CN. All Rights Reserved | 京公网安备 11010802041100号 | 京ICP备19059560号-4 | PHP1.CN 第一PHP社区 版权所有