PART_2 (Электронные лекции)
Описание файла
Файл "PART_2" внутри архива находится в папке "Электронные лекции". Документ из архива "Электронные лекции", который расположен в категории "". Всё это находится в предмете "компьютерная томография" из 10 семестр (2 семестр магистратуры), которые можно найти в файловом архиве МГТУ им. Н.Э.Баумана. Не смотря на прямую связь этого архива с МГТУ им. Н.Э.Баумана, его также можно найти и в других разделах. Архив можно найти в разделе "лекции и семинары", в предмете "компьютерная томография" в общих файлах.
Онлайн просмотр документа "PART_2"
Текст из документа "PART_2"
§5. Борьба с помехами при реконструкции изображения
1. Эвристический метод
Поняли, что при реконструкции изображения идет увеличения шума. Следовательно, появляются ложные пространственные частоты. Их нужно подавить.
В первую очередь были разработаны эвристические методы решения задачи реконструкции изображения. Для рассмотрения процесса реконструкции изображения в присутствии шумов представим процесс формирования изображения и его последующей реконструкции в виде последнего воздействия двух линейных систем на входной сигнал. Пусть имеется входной сигнал f(x), он входит в систему формирования изображения с импульсным откликом h, следовательно, на выходе q(x), который будет сверткой линейных систем
h(x)
hВОССТ(x)
h (x) – реконструирующая система
После реконструкции получаем:
Чтобы реконструкция была идеальной, необходимо, чтобы h (х)=(х), тогда
Точная реконструкция изображения, когда (x) (x) будет, если L (х)=(х). Или если мы применим преобразование Фурье: Н () получаем идеальную передаточную функцию (идеальное изображение).
В
частотной области или получаем идеальную передаточную функцию (идеальное изображение).
Следовательно, возможно бесконечное увеличение шума. Для его ограничения вводится граничная частота и некоторая частота среза с (- ; ) эквивалентно ограничению пределов интегрирования при обратном преобразовании Фурье. Поэтому вводят индикаторную
Ограничение полосы частот промежутком (- ; ) эквивалентно ограничению пределов интегрирования при обратном преобразовании Фурье.
Увеличение ведет к увеличение шума, а уменьшение ведет к невозможности восстановления высоких частот, т.е. изменяя значения можно изменять соотношение между качеством восстановления и величиной шума. ( шум качество), поэтому изменим функцию
На отрезке (- ; ) , а на углах она закругляется и на , как показано на рисунке. Введение функции К() является компромиссом между уменьшением шума и увеличением качества на высоких частотах.
функция К() – сглаживает любые точки выброса и имеет разные виды.
Таким образом можно бороться и с неоднозначностью и с единственностью решения. Функция К() получила название “окна” (окна Чебышева, окна Хейминга, окна Гаусса).
Эвристика: каждый ученый подбирал фильтр для своей задачи. Это определялось видом передаточной функции, спектральными характеристиками сигнала, шумами.
У К() всегда есть параметр, например, у фильтра Гаусса ; изменяя уравнение и параметр, можно найти свой фильтр. Умножение передаточной функции инверсного фильтра на К() соответствует отысканию сглаженного решения f(x). При выборе формы весовых функций (окон) часто требуется не только хорошая аппроксимация функции , но и такое сгибание этой функции (наклон), при котором передаточная функция стремится к нулю при с. Это необходимо, чтобы не получить большого усиления помехи.
У эвристического метода 2 недостатка:
-
Чтобы найти оптимальный фильтр нужно перебрать много фильтров и параметров
-
Неизвестно, когда остановиться, т.е. нет критерия качественности изображения.
Для того, чтобы исключить недостатки эвристического метода, и формализовать метод решения таких задач, Тихонов предложил метод регуляризации (метод регуляризации Тихонова).
2. Метод регуляризации Тихонова
Стремление избавиться от произвольных факторов и определить общие методы решения некорректно поставленных задач привело к разработке метода регуляризации решения и понятия регулирующего оператора. Регуляризация решения состоит в построении семейства обратных операторов, зависящих от некоторого числового параметра (параметр регуляризации).Каждый оператор семейства дает решение корректной задачи, причем при ошибка в измерениях данных одновременно, реконструируемое изображение стремится к истинному решению (к объекту).
-
Регуляризация решения уравнения типа свертки
Запишем уравнение типа свертки
Решение:
Тихонов ввел функцию:
‑ некий оператор, воздействующий на q(x),эквивалентно введению К().
Чтобы найти точное решение, нужно найти условия, которым должна удовлетворять функция R(,).
Свойства, которым должна отвечать функция R(,):
Оператор является регуляризирующим, если функция R удовлетворяет следующим условиям:
-
R(,) должна быть определена на всей частотной оси для в области , (на всей вещественной оси)
-
При : R(,)1 не убывая (не может быть колебаний и осцилляций и функция должна возрастать)
-
Для любых : (иначе не посчитаем обратное преобразование Фурье)
-
Для любых 0: R(,)0 при .
Все свойства интуитивно понятны. Если “окно” не будет удовлетворять этим условиям, то не будет решения, т.е. ограничен класс выбора функций. Функция R(,), удовлетворяющая этим условиям, называется стабилизирующим множителем.
R(,) можно представить в виде:
Удобно изменять , как отдельную функцию. ‑ просто число, которое изменяется от 0 до .
Такому R(,) соответствует передаточная функция восстанавливающего фильтра:
Q()- неотрицательная четная функция, которая отвечает свойствам:
-
Q()0, при 0
Q(0)0
-
Q(0)с0 при :
Если мы используем такую функцию Q(), то можем получить некий стабилизатор R(,). Простейший вид Q():
Тихонов доказал теорему, что решение
то перебирая от 0 до , обязательно найдется решение, минимизирующее разницу между ƒ и q:
А- стабилизирующий функционал, который зависит от и Q.
Нужно, чтобы изображение от объекта отличалось на конечную величину. Тихонов доказал, что при выборе перебором, можно добиться наличия устойчивого решения.
Реально процедура реконструкции объекта с использованием регуляризации Тихонова строится следующим образом:
-
Выбирается некий стабилизатор Q; как правило 0, строится по этому алгоритму решение.
-
После выбора Q, значение параметра регуляризации находится по невязке, если мы оцениваем отклонение правой части уравнения в метрике , то невязка определяется следующей формулой:
А – оператор формирования изображения, − реконструированное изображение, q – зарегистрированное изображение.
Сейчас при помощи невязки рассчитывается среднеквадратичное отклонение между изображением, измеренным в процессе наблюдения, и изображением, полученном в системе в предположении, что объектом является функция .
Нужно, чтобы невязка была min.
Тихонов доказал, что если следовать его процедуре, то всегда существует , при которой невязка min. Как правило: =0,52.
Если все подобрано правильно, то невязка равна среднеквадратичному отклонению функции G().
‑ среднеквадратичная погрешность измерения изображения.
Есть один частный случай метода регуляризации Тихонова: винеровская оптимальная фильтрация.
-
Винеровская оптимальная фильтрация
Определим вид стабилизирующего множителя R в случае, когда при решении задачи реконструкции изображения используется дополнительная априорная информация о статистических характеристиках изображения и шума.
Точные решения и изображения: .
И есть априорная информация о спектральных плоскостях изображения и шума: .
Оказалось, что из этих априорных информаций можно найти:
Если сравнить эту формулу с предыдущей (решение Тихонова), увидим, что здесь:
К сожалению, спектр плотности объекта изображения в медицине почти не известен (Винер выводил свое уравнение для радиосигнала).
Достоинства винеровской фильтрации:
-
нет зависимости от ,
-
Четко задано Q()
Оптимальный фильтр Винера позволяет получить изображение, близкое к истинному, в смысле минимального среднеквадратичного отклонения при условии, что спектр плотности мощности изображения и шума априорно известны.
-
Выводы к I-ой части
Методы реконструкции изображений, представляющие собой некорректную задачу, решаются только при привлечении априорной информации о классе исследуемых объектов и характере искажения. Поэтому и называется реконструкцией при присутствии априорной информации.
Наименование метода | Передаточная функция | Стабилизирующий множитель | Вид частотной характеристики |
Инверсная фильтрация без ограничения | 1 | ||
Инверсная фильтрация с ограничением полосы | |||
Регуляризация решения методом Тихонова | |||
Фильтрация “окном” | К(,) | ||
Оптимальная фильтрация (Винера) |