e reconstruction of an image from t

e reconstruction of an image from the acquired data is an inverse problem. Often, it is not possible to exactly solve the inverse problem directly. In this case, a direct algorithm has to approximate the solution, which might cause visible reconstruction artifacts in the image. Iterative algorithms approach the correct solution using multiple iteration steps, which allows to obtain a better reconstruction at the cost of a higher computation time.

In computed tomography, this approach was the one first used by Hounsfield. There are a large variety of algorithms, but each starts with an assumed image, computes projections from the image, compares the original projection data and updates the image based upon the difference between the calculated and the actual projections.

There are typically five components to iterative image reconstruction algorithms, e.g. .[2]

An object model that expresses the unknown continuous-space function f(r) that is to be reconstructed in terms of a finite series with unknown coefficients that must be estimated from the data.
A system model that relates the unknown object to the "ideal" measurements that would be recorded in the absence of measurement noise. Often this is a linear model of the form mathbf{A}x+epsilon, where epsilon represents the noise.
A statistical model that describes how the noisy measurements vary around their ideal values. Often Gaussian noise or Poisson statistics are assumed. Because Poisson statistics are closer to reality, it is more widely used.
A cost function that is to be minimized to estimate the image coefficient vector. Often this cost function includes some form of regularization. Sometimes the regularization is based on Markov random fields.
An algorithm, usually iterative, for minimizing the cost function, including some initial estimate of the image and some stopping criterion for terminating the iterations.

ผลลัพธ์ (ไทย) 1:

อีสร้างภาพจากข้อมูลได้มามีปัญหาการผกผัน มักจะ มันไม่ได้ตรงแก้ปัญหาผกผันโดยตรง ในกรณีนี้ อัลกอริทึมโดยตรงมีประมาณการแก้ไขปัญหา ซึ่งอาจทำให้เกิดมุมมองเห็นวัตถุในภาพ อัลกอริทึมซ้ำวิธีโซลูชันถูกต้องตามขั้นตอนซ้ำหลาย ซึ่งช่วยให้รับบูรณะดีกว่าค่าเวลาการคำนวณสูงในทรวงอก วิธีการนี้ถูกใช้ครั้งแรก โดย Hounsfield มีความหลากหลายของอัลกอริทึม แต่ละเริ่มต้น ด้วยภาพโหลด คำนวณประมาณการจากรูป เปรียบเทียบข้อมูลต้นฉบับที่ฉาย และปรับปรุงรูปภาพตามที่คำนวณและคาดการณ์จริงแตกต่างกันโดยทั่วไปมีห้าองค์ประกอบขั้นตอนวิธีการสร้างภาพซ้ำ เช่น [2]แบบวัตถุได้ f(r) ฟังก์ชันที่ไม่รู้จักพื้นที่อย่างต่อเนื่องที่จะสร้างขึ้นใหม่ในแง่ของชุดมีสัมประสิทธิ์ที่ไม่รู้จักที่ต้องประเมินจากข้อมูลมีจำกัดแบบจำลองระบบที่เกี่ยวข้องวัตถุไม่รู้จักวัด "เหมาะ" ที่จะถูกบันทึกในการตรวจวัดเสียงรบกวน มักจะได้แบบจำลองเชิงเส้นของ mathbf{A}x+epsilon แบบฟอร์ม ที่ epsilon แทนเสียงแบบจำลองทางสถิติที่อธิบายวิธีการวัดเสียงดังแตกต่างกันทั่วค่าเหมาะ นที่มักจะเสียงหรือ Poisson สถิติจะถือว่า เนื่องจากสถิติปัวอยู่ใกล้กับความเป็นจริง มันจะแพร่หลายมากขึ้นใช้ฟังก์ชันต้นทุนที่ลดได้ประมาณเวกเตอร์ค่าสัมประสิทธิ์ภาพ มักฟังก์ชันต้นทุนนี้มีบางรูปแบบของ regularization บางครั้ง regularization ที่อยู่บนเขตข้อมูลแบบสุ่มของมาร์คอฟอัลกอริทึม ซ้ำมักจะ เพื่อลดฟังก์ชันต้นทุน ประเมินบางส่วนของรูปภาพและบางเกณฑ์หยุดสำหรับการยุติการเกิดซ้ำ

ผลลัพธ์ (ไทย) 2:

ฟื้นฟู E ของภาพจากข้อมูลที่ได้มาเป็นปัญหาที่ผกผัน บ่อยครั้งที่มันเป็นไปไม่ได้ที่จะแก้ปัญหาตรงผกผันโดยตรง ในกรณีนี้ขั้นตอนวิธีการโดยตรงได้ใกล้เคียงกับการแก้ปัญหาซึ่งอาจก่อให้เกิดสิ่งประดิษฐ์ฟื้นฟูการมองเห็นในภาพ ขั้นตอนวิธีการทำซ้ำวิธีวิธีที่ถูกต้องโดยใช้ขั้นตอนการทำซ้ำหลาย ๆ ซึ่งจะช่วยให้ได้รับการฟื้นฟูที่ดีกว่าที่ค่าใช้จ่ายของเวลาในการคำนวณที่สูงขึ้น. ในการตรวจเอกซเรย์คอมพิวเตอร์วิธีนี้เป็นคนเดียวครั้งแรกโดยใช้ฮาวนสฟิลด์ มีความหลากหลายของขั้นตอนวิธีมี แต่แต่ละคนเริ่มด้วยภาพสันนิษฐานคำนวณประมาณการจากภาพเปรียบเทียบข้อมูลประมาณการเดิมและปรับปรุงภาพที่อยู่บนพื้นฐานของความแตกต่างระหว่างประมาณการคำนวณและที่เกิดขึ้นจริง. มักจะมีห้าองค์ประกอบที่จะซ้ำ ภาพขั้นตอนวิธีการฟื้นฟูเช่น. [2] รูปแบบวัตถุที่แสดงออกถึงความไม่รู้จักอย่างต่อเนื่องพื้นที่ฟังก์ชั่น F (R) ที่จะถูกสร้างขึ้นใหม่ในแง่ของซีรีส์ จำกัด มีค่าสัมประสิทธิ์ที่ไม่รู้จักที่จะต้องมีการประเมินจากข้อมูล. รูปแบบระบบที่ ที่เกี่ยวข้องกับวัตถุที่ไม่รู้จักกับการวัด "อุดมคติ" ที่จะถูกบันทึกไว้ในกรณีที่ไม่มีเสียงรบกวนการวัด นี้มักจะเป็นรูปแบบเชิงเส้นของรูปแบบ mathbf {A} x + epsilon ที่ epsilon หมายถึงเสียง. แบบจำลองทางสถิติที่อธิบายถึงวิธีการวัดที่แตกต่างกันที่มีเสียงดังรอบค่าอุดมคติของพวกเขา บ่อยครั้งที่เสียง Gaussian หรือ Poisson สถิติจะถือว่า เพราะสถิติ Poisson มีความใกล้ชิดกับความเป็นจริงมันถูกใช้กันอย่างแพร่หลายมากขึ้น. ฟังก์ชั่นค่าใช้จ่ายที่จะลดลงในการประมาณค่าสัมประสิทธิ์ภาพเวกเตอร์ บ่อยครั้งที่ฟังก์ชั่นค่าใช้จ่ายนี้รวมถึงรูปแบบของกูบาง บางครั้งกูจะขึ้นอยู่กับมาร์คอฟสาขาสุ่ม. อัลกอริทึมมักจะซ้ำเพื่อลดค่าใช้จ่ายในการทำงานรวมทั้งบางส่วนประมาณในเบื้องต้นของภาพและบางเกณฑ์หยุดบอกเลิกซ้ำ