下面是小编为大家推荐的矢/冠状图像重建的随机迭代函数系统算法，本文共8篇，欢迎阅读，希望大家能够喜欢。本文原稿由网友“贩卖机没雪碧”提供。
篇1：矢/冠状图像重建的随机迭代函数系统算法
矢/冠状图像重建的随机迭代函数系统算法
为重建高质量的矢／冠状图像,以满足医生在临床诊断与治疗时更加准确地掌握患者组织器官及病灶形态的分布情况，采用随机迭代函数系统（IFS）算法对序列CT／MRI断层图像进行分形插值计算，提出了基于插值曲线型值采样点序列波形局部网格分形维，实现对仿射中的'垂直尺度因子的估计方法。实验结果表明，采用该算法进行插值计算，可较好地保留图像的纹理特征，获得高分辨率图像。算法占用内存少、计算速度快、精度高，可推广应用于一般的灰度图像插值计算。
作 者：曲桂红 张大力 阎平凡 QU Guihong Zhang Dali YAN Pingfan 作者单位：清华大学 自动化系, 刊 名：清华大学学报(自然科学版) ISTIC EI PKU英文刊名：Tsinghua Science and Technology 年，卷(期)： 41(3) 分类号：Q334 关键词：图像重建 迭代函数系统 插值篇2：Monte-Carlo统计迭代图像重建算法
Monte-Carlo统计迭代图像重建算法
线性衰减系数图像重建是层析γ扫描(TGS)的一个核心问题.本文从粒子输运方程出发,应用Monte-Carlo方法,提出了一种基于Monte-Carlo方法的`统计迭代图像重建算法.模拟结果表明,与一般TGS图像重建算法相比,该重建算法的重建图像误差大为减小,能够满足TGS装置的要求.
作 者：张全虎 隋洪志 吕峰 李泽 作者单位：中国原子能科学研究院,放射化学研究所,北京,102413 刊 名：原子能科学技术 ISTIC EI PKU英文刊名：ATOMIC ENERGY SCIENCE AND TECHNOLOGY 年，卷(期)： 37(6) 分类号：O242.2 关键词：层析γ扫描 线性衰减系数 Monte-Carlo方法 图像重建 迭代法篇3：混沌分形之迭代函数系统（IFS）
IFS是分形的重要分支，它是分形图像处理中最富生命力而且最具有广阔应用前景的领域之一。这一工作最早可以追溯到Hutchinson于1981年对自相似集的研究。美国科学家M.F.Barnsley于1985年发展了这一分形构型系统，并命名为迭代函数系统（Iterated Function System，IFS），后来又由Stephen Demko等人将其公式化，并引入到图像合成领域中。IFS将待生成的图像看做是由许多与整体相似的（自相似）或经过一定变换与整体相似的（自仿射）小块拼贴而成。
算法：
1.设定一个起始点（x0，y0）及总的迭代步数。
2.以概率P选取仿射变换W，形式为
X1=a*x0 + b*y0 + e
Y1=c*x0 + d*y0 + f
或
X1=(a * x0*cosf(c/180)) - (b * y0*sinf(d/180)) + e
Y1=(a * x0*sinf(c/180)) + (b * y0*cosf(d/180)) + f
3.以W作用点（x0，y0），得到新坐标（x1，y1）。
4.令x0=x1，y0=y1。
5.在屏幕上打出（x0，y0）。
6.重返第2步，进行下一次迭代，直到迭代次数大于总步数为止。
（1）三角形
复制代码
class IFSTriangle : public FractalEquation
{
public:
IFSTriangle
{
m_StartX = 0.0f;
m_StartY = 0.0f;
m_StartZ = 0.0f;
m_ParamA = 0.0f;
m_ParamB = 0.5f;
//'IFS码赋值
m[0][0] = 0.5f; m[0][1] = 0; m[0][2] = 0; m[0][3] = 0.5f; m[0][4] = 0; m[0][5] = 0; m[0][6] = 0.333f;
m[1][0] = 0.5f; m[1][1] = 0; m[1][2] = 0; m[1][3] = 0.5f; m[1][4] = 0.5f; m[1][5] = 0; m[1][6] = 0.333f;
m[2][0] = 0.5f; m[2][1] = 0; m[2][2] = 0; m[2][3] = 0.5f; m[2][4] = 0.25f; m[2][5] = 0.5f; m[2][6] = 0.334f;
}
void IterateValue(float x, float y, float z, float& outX, float& outY, float& outZ) const
{
float a, b, c, d, e, f; //'仿射变幻中的系数
float R = (float)rand()/RAND_MAX;
if (R <= m[0][6])
{
a = m[0][0]; b = m[0][1]; c = m[0][2]; d = m[0][3]; e = m[0][4]; f = m[0][5];
}
else if (R <= m[0][6] + m[1][6])
{
a = m[1][0]; b = m[1][1]; c = m[1][2]; d = m[1][3]; e = m[1][4]; f = m[1][5];
}
else
{
a = m[2][0]; b = m[2][1]; c = m[2][2]; d = m[2][3]; e = m[2][4]; f = m[2][5];
}
utX = (a * x) + (b * y) + e*FRACTAL_RADIUS;
utY = (c * x) + (d * y) + f*FRACTAL_RADIUS;
utZ = z;
}
bool IsValidParamA() const {return true;}
bool IsValidParamB() const {return true;}
void SetParamA(float v)
{
m_ParamA = v;
m[2][1] = v;
}
void SetParamB(float v)
{
m_ParamB = v;
m[2][0] = v;
m[0][3] = v;
}
private:
float m[3][7]; // '存放IFS码
};
复制代码
这里生成的是谢尔宾斯基三角形，但可以通过参数设置对其变形
（2）皇冠
复制代码
class IFSCrown : public FractalEquation
{
public:
IFSCrown()
{
m_StartX = 0.0f;
m_StartY = 0.0f;
m_StartZ = 0.0f;
m_ParamA = 2.0f;
//'IFS码赋值
m[0][0] = 0.5f; m[0][1] = 0.5f; m[0][2] = 0; m[0][3] = 0; m[0][4] = 0; m[0][5] = 0; m[0][6] = 0.2f;
m[1][0] = 0.5f; m[1][1] = 0.5f; m[1][2] = 0; m[1][3] = 0; m[1][4] = 0.5f; m[1][5] = 0; m[1][6] = 0.2f;
m[2][0] = 0.25f; m[2][1] = 0.25f; m[2][2] = 0; m[2][3] = 0; m[2][4] = 2.0f; m[2][5] = 2.0f;m[2][6] = 0.3f;
m[3][0] = 0.25f; m[3][1] = 0.25f; m[3][2] = 0; m[3][3] = 0; m[3][4] = -1.0f;m[3][5] = 2.0f;m[3][6] = 0.3f;
}
void IterateValue(float x, float y, float z, float& outX, float& outY, float& outZ) const
{
float a, b, c, d, e, f; //'仿射变幻中的系数
float R = (float)rand()/RAND_MAX;
if (R <= m[0][6])
{
a = m[0][0]; b = m[0][1]; c = m[0][2]; d = m[0][3]; e = m[0][4]; f = m[0][5];
}
else if (R <= m[0][6] + m[1][6])
{
a = m[1][0]; b = m[1][1]; c = m[1][2]; d = m[1][3]; e = m[1][4]; f = m[1][5];
}
else if (R <= m[0][6] + m[1][6] + m[2][6])
{
a = m[2][0]; b = m[2][1]; c = m[2][2]; d = m[2][3]; e = m[2][4]; f = m[2][5];
}
else
{
a = m[3][0]; b = m[3][1]; c = m[3][2]; d = m[3][3]; e = m[3][4]; f = m[3][5];
}
utX = (a * x*cosf(c/180)) - (b * y*sinf(d/180)) + e*FRACTAL_RADIUS;
utY = (a * x*sinf(c/180)) + (b * y*cosf(d/180)) + f*FRACTAL_RADIUS;
utZ = z;
}
bool IsValidParamA() const {return true;}
void SetParamA(float v)
{
m_ParamA = v;
m[2][4] = v;
m[2][5] = v;
m[3][4] = 1 - v;
m[3][5] = v;
}
private:
float m[4][7]; // '存放IFS码
};
复制代码
（3）芦苇
复制代码
// 芦苇
class IFSBulrush : public FractalEquation
{
public:
IFSBulrush()
{
m_StartX = 0.0f;
m_StartY = 0.0f;
m_StartZ = 0.0f;
m_ParamA = 10.0f;
float k = m_ParamA*100.0f;
//'IFS码赋值
m[0][0] = 0.5f; m[0][1] = 0.5f; m[0][2] = 0; m[0][3] = 0; m[0][4] = 0; m[0][5] = 0; m[0][6] = 0.3f;
m[1][0] = 0.5f; m[1][1] = 0.5f; m[1][2] = k; m[1][3] = k; m[1][4] = 1; m[1][5] = k/1600; m[1][6] = 0.3f;
m[2][0] = 0.5f; m[2][1] = 0.5f; m[2][2] = 0; m[2][3] = 0; m[2][4] = 0.5f; m[2][5] = 0; m[2][6] = 0.4f;
}
void IterateValue(float x, float y, float z, float& outX, float& outY, float& outZ) const
{
float a, b, c, d, e, f; //'仿射变幻中的系数
float R = (float)rand()/RAND_MAX;
if (R <= m[0][6])
{
a = m[0][0]; b = m[0][1]; c = m[0][2]; d = m[0][3]; e = m[0][4]; f = m[0][5];
}
else if (R <= m[0][6] + m[1][6])
{
a = m[1][0]; b = m[1][1]; c = m[1][2]; d = m[1][3]; e = m[1][4]; f = m[1][5];
}
else
{
a = m[2][0]; b = m[2][1]; c = m[2][2]; d = m[2][3]; e = m[2][4]; f = m[2][5];
}
utX = (a * x*cosf(c/180)) - (b * y*sinf(d/180)) + e*FRACTAL_RADIUS;
utY = (a * x*sinf(c/180)) + (b * y*cosf(d/180)) + f*FRACTAL_RADIUS;
utZ = z;
}
bool IsValidParamA() const {return true;}
void SetParamA(float v)
{
m_ParamA = v;
float k = m_ParamA*100.0f;
m[1][2] = k;
m[1][3] = k;
m[1][5] = k/1600;
}
private:
float m[3][7]; // '存放IFS码
};
复制代码
（4）万花筒
复制代码
// 万花筒
class IFSPhantoscope : public FractalEquation
{
public:
IFSPhantoscope()
{
m_StartX = 0.0f;
m_StartY = 0.0f;
m_StartZ = 0.0f;
m_ParamA = 2.0f;
float k = m_ParamA*100.0f;
//'IFS码赋值
m[0][0] = 0.2f; m[0][1] = 0.2f; m[0][2] = 0; m[0][3] = 0; m[0][4] = 0.7f; m[0][5] = 0; m[0][6] = 0.2f;
m[1][0] = 0.2f; m[1][1] = 0.2f; m[1][2] = 0; m[1][3] = 0; m[1][4] =-0.7f; m[1][5] = 0; m[1][6] = 0.2f;
m[2][0] = 0.2f; m[2][1] = 0.2f; m[2][2] = 0; m[2][3] = 0; m[2][4] = 0; m[2][5] = 0.7f; m[2][6] = 0.2f;
m[3][0] = 0.2f; m[3][1] = 0.2f; m[3][2] = 0; m[3][3] = 0; m[3][4] = 0; m[3][5] = -0.7f; m[3][6] = 0.2f;
m[4][0] = 0.85f; m[4][1] = 0.85f; m[4][2] = k; m[4][3] = k; m[4][4] = 0; m[4][5] = 0; m[4][6] = 0.2f;
}
void IterateValue(float x, float y, float z, float& outX, float& outY, float& outZ) const
{
float a, b, c, d, e, f; //'仿射变幻中的系数
float R = (float)rand()/RAND_MAX;
if (R <= m[0][6])
{
a = m[0][0]; b = m[0][1]; c = m[0][2]; d = m[0][3]; e = m[0][4]; f = m[0][5];
}
else if (R <= m[0][6] + m[1][6])
{
a = m[1][0]; b = m[1][1]; c = m[1][2]; d = m[1][3]; e = m[1][4]; f = m[1][5];
}
else if (R <= m[0][6] + m[1][6] + m[2][6])
{
a = m[2][0]; b = m[2][1]; c = m[2][2]; d = m[2][3]; e = m[2][4]; f = m[2][5];
}
else if (R <= m[0][6] + m[1][6] + m[2][6] + m[3][6])
{
a = m[3][0]; b = m[3][1]; c = m[3][2]; d = m[3][3]; e = m[3][4]; f = m[3][5];
}
else
{
a = m[4][0]; b = m[4][1]; c = m[4][2]; d = m[4][3]; e = m[4][4]; f = m[4][5];
}
utX = (a * x*cosf(c/180)) - (b * y*sinf(d/180)) + e*FRACTAL_RADIUS;
utY = (a * x*sinf(c/180)) + (b * y*cosf(d/180)) + f*FRACTAL_RADIUS;
utZ = z;
}
bool IsValidParamA() const {return true;}
void SetParamA(float v)
{
m_ParamA = v;
float k = m_ParamA*100.0f;
m[4][2] = k;
m[4][3] = k;
}
private:
float m[5][7]; // '存放IFS码
};
篇4：基于2-D熵的机载SAR图像分割迭代算法研究
基于2-D熵的机载SAR图像分割迭代算法研究
机载合成孔径雷达(SAR)图像可用于检测识别机场跑道.由于SAR图像包含大量噪声,算法抗噪性能对于SAR图像处理很重要.2-D阈值方法的分割效果比传统的一维方法要好,特别是对受噪声影响的图像.然而,2-D阈值方法耗时长,难以实用.因此,本文在现有的2-D熵迭代分割算法的基础上提出了一种基于二维直方图统计特点的最大熵阈值分割算法.通过大量试验证明,本文提出的`方法不仅获得了理想的分割效果,而且进一步提高了二维阈值选取速度.
作 者：钱镜洁 曹力 QIAN Jing-jie CAO Li 作者单位：南京航空航天大学,民航学院,江苏,南京,210016 刊 名：飞机设计 英文刊名：AIRCRAFT DESIGN 年，卷(期)： 29(4) 分类号：V221 关键词：SAR图像 二维Renyi熵 阈值 直方图 图像处理篇5：双稳态随机共振系统参数选择快速算法及应用
双稳态随机共振系统参数选择快速算法及应用
摘要：针对双稳态随机共振(SR)系统参数选择困难的问题,提出了基于龙格库塔数值算法的随机共振参数选择快速算法,并将其应用于目标线谱检测.首先对双稳态SR系统进行参数归一化,在此基础上提出了由输入信噪比来选择系统步长,并根据归一化频率和谐波估计幅值和来计算SR系统参数的参数选择快速算法.该算法能够对不满足绝热条件下的高频或大尺度离散信号进行处理,快速选择SR系统的系统参数,并根据龙格库塔数值算法求得输出序列.数值仿真验证了此算法的正确性,同时海试数据处理结果表明,该算法能够快速地确定合适的'SR系统参数,使信噪比为1.013 5 dB的目标辐射线谱明显的凸显出来. 作者： 杨保国 田坦 张殿伦 Author： YANG Baoguo TIAN Tan ZHANG Dianlun 作者单位： 哈尔滨工程大学,水声技术实验室,黑龙江,哈尔滨,150001 期 刊： 哈尔滨工程大学学报 ISTICEIPKU Journal： JOURNAL OF HARBIN ENGINEERING UNIVERSITY 年，卷(期)： , 32(3) 分类号： N93 关键词： 随机共振 双稳态 线谱检测 龙格库塔算法 机标分类号： TN9 TM8 机标关键词： 双稳态 随机共振 系统参数选择 快速算法 application stochastic resonance 数值算法 龙格库塔 输入信噪比 归一化频率 选择系统 谐波估计 线谱检测 输出序列 目标辐射 离散信号 快速选择 绝热条件 海试数据 仿真验证 基金项目： 国家科技重大专项基金资助项目，哈尔滨工程大学校内基金资助项目 双稳态随机共振系统参数选择快速算法及应用[期刊论文] 哈尔滨工程大学学报 --2011, 32(3)杨保国 田坦 张殿伦针对双稳态随机共振(SR)系统参数选择困难的问题,提出了基于龙格库塔数值算法的随机共振参数选择快速算法,并将其应用于目标线谱检测.首先对双稳态SR系统进行参数归一化,在此基础上提出了由输入信噪比来选择系统步长,并...篇6：EMT系统边界磁场检测线圈的动态补偿及图像重建
EMT系统边界磁场检测线圈的动态补偿及图像重建
摘要：提出了一种应用于电磁层析成像（EMT）系统的磁检测线圈的动态补偿方法，实现了被测空间边界磁场检测的系统误差补偿。经过EMT系统的图像重建实验证明，这种补偿方法能够提高图像重建的精确性。关键词：电磁层析成像 工业CT 传感器 图像重建
电磁层析成像（Electromagnetic Tomography,EMT）技术是近十年来发展起来的一种新型过程层析成像技术[1]。它将电磁感应原理与“由投影重建图像”的理论相隔合，通过检测被测空间边界的磁场信息重建空间中导电、导磁物质的时空分布图像，而且其传感器具有非介入、非接触和无危害的检测优点，因此可应用于工业过程中多相流检测[2]、化工分离、异物监测、地质勘探及生物电磁学研究[3]等领域。EMT系统图像重建质量的影响因素之一是其检测系统的准确性和测量的一致性。在检测系统的传感器设计中，检测边界磁场的多个检测线圈在工艺上难以做到完全一致，由此将直接导致重建图像的失真。为消除这种不一致性对图像重建造成的影响，作者设计了一种动态补偿算法，通过在多个激励方向下对检测线圈做综合补偿，提高了图像重建的精神性。
(本网网收集整理)
1 EMT系统结构及检测特点
EMT系统的结构如图1所示。左边圆形结构为可安装于工业多相流管道的传感器截面。在被测管道的中心分布有多相流动物质，系统的检测目的是通过非接触、非介入的方式将管道内的不同物质的分布图像在计算机上得以重建，进而分析出多相流体的各种特征参数，并应用于测控系统中。这实现这一目的，由计算机控制图1所示的激励模式选择和激励信号分配系统，由激励系统在被测管道中激发出特定的激励场；然后与医学CT类似，使激励场在空间连续旋转，旋转的同时检测边界磁场的畸变情况，并由数据采集与处理系统实现磁场信号的解调；最后应用图像重建算法重建出被测空间的物质分布。
作者用柔性激励极板阵列实现的EMT传感器[4]的截面如图2所示。传感器由内到外依次是管道壁、检测线圈、激励层和屏蔽层。其中，检测线圈由8个沿管道外壁待距离分布的精密绕组构成，完成边界磁场的测量；激励层由柔性激励极板阵列构成；电磁屏蔽层由铁氧体和波莫合金构成。数据采集与信号处理电中实现各个激励角度条件下的边界磁场测量，激励和检测由图像重建计算机协调控制，同时该计算机完成图像重建和多相流特征参数的提取。激励极板阵列由32个均匀分布的柔性极板构成，通过改变极板的电流分布可实现不同的激励方式。其中，管道半径Rp=35mm，检测线圈半径Rd=38.42mm，激励线圈半径Re=55mm，磁屏蔽层内半径Rsin=60mm，被测管道直径为70mm。
对于这一传感器结构，需要补偿的就是检测层的8个检测线圈特性的一致性。但检测线圈的特性会受到线圈几何尺寸、安装角度、前端检测电路特性不一致的影响，而且线圈检测的信号是交变的磁场信号，其相位随激励方向的变化而改变，这些因素给检测线圈特性的补偿带来了困难。
2 检测线圈特性不对称的补偿
实现检测线圈特性不对称补偿的难点是检测信号是频率为187.5kHz的交流信号，而且各检测线圈输出的检测信号与激励基准信号之间有不同的相位差，这个相差会随检测角度的改变而变化。为此作者设计了一种补偿方法，其思路是使每个检测线圈在全部激励旋转方向下测量同一被测场，计算综合测量值并将其作为补偿系数，而补偿过程的实现则通过计算机控制激励场的旋转并对边界磁场进行连续检测来完成。在EMT系统进行图像重建时，首先选择空场作为检测线圈特性检测的参照场，来进行检测线圈特性测量；然后由公式计算出各检测线圈的补偿因子。采集进行图像重建的物场信号时，应用计算得到的补偿因子对测量数据进行修正。
对任意一个检测线圈检测补偿数据时，应分别测量其在所有激励场投影方向下的检测值。检测值包括通过解调电路得到的实部和虚部数据，所有激励方向下的检测值一起构成计算检测线圈特性补偿因子的参考矩阵。对于N个检测线圈，P个激励磁场旋转方向的EMT系统激励场需要旋转P次来获得全部N个检测线圈的补偿值，所以补偿参考矩阵由N行P列构成，其中每个元素都是检测线圈检测值的复数表示形式。本文介绍的EMT传感器系统中，N=8，P=16。
对于N个检测线圈，定义其特性补偿因子为K(i)，其中i=1,2,......N，表示检测线圈序号。K(i)可按照如下公式计算：
式中,j=1,2,......P，表示激励场投影方向序号；C R、C1分别为空场时在第j个激励方向下第i个检测线圈检测值的实部和虚部。
进行
实际测量时，将每个检测线圈在各个激励方向下的检测信号的实际M R(i,j)和虚部M1(i,j)都乘以补偿因子K(i)，从而得到各个检测线圈经过补偿后检测值的实部和虚部。
ER(i,j)=MR(i,j)xK(i) (2)
E1(i,j)=M1(i,j)xK(i) (3)
式中，ER(i,j)和E1(i,j)为经过补偿后的检测结果。
3 EMT检测线圈补偿前后的实验数据分析
为分析EMT传感器检测线圈进行特性补偿前后的测量数据，对传感器在同一种检测条件下各个投影方向、不同检测线圈的测量值进行分析，来比较补偿前后数据的分布特点。对于本实验的传感器系统，激励投影方向为16个，检测线圈为8个，所以共有128组测量值，其中每个测量值都包含实部和虚部。实验过程中为使每一个测量点的数据可靠，对数据进行多次检测产求取平均值，16个激励方向下8个检测线圈在128个测量点的测量数据如图3所示。图中所示的.数据为每个测量点检测信号的模值，测量时被测空间为空场条件。
图3中(a)为未经补偿的检测数据M的图示，(b)为经过补偿计算后的检测数据E的图示。图中底部平面为测量点的图示，上部为各个测量点检测信号模值的图示，其中，N轴为检测线圈序号轴，P轴为激励投影方向序号轴，M轴和E轴为检测信号的模值。由图3（b）可知，对于一个固定的激励投影方向，各个检测线圈的检测值符合正弦规律；对于某一检测线圈，当激励场沿圆周旋转时，其检测值的模值也呈正弦分布。图3(a)中各个检测线圈在16个激励方向下的分布幅度不同，这体现出各线圈检测特性的不一致，但在图3(b)中， 这一现象得以补偿。所以由补偿前后的数据图示可以看出，这种检测线圈特性补偿算法在不改变检测数据随投影方向的分布结构的前提下，使得在同一种激励场下各种线的检测特性趋于一致。
4 补偿方法在EMT系统中的实现
这种补偿方法在实验系统中的实现可通过软件控制自动完成。每次实验系统启动时，首先进行补偿因子的计算，获得补偿因子后在实际物场测量时将检测线圈的检测值按照补偿算法进行修正。由补偿因子的计算方法可知，为实现补偿因子的计算，需要在EMT系统启动时保持被测空间为空场，这样每次得到的补偿值就是符合当时检测环境条件的补偿值。如果在系统启动时不能满足空场条件，则需要屏蔽这一自动补偿功能，补偿时可使用预先测得并存储起来的补偿因子。
应用该补偿算法进行图像重建的实验结果如图4所示。图像重建的实验条件是：被测物体为直径15mm的铜棒，放置于传感器的中央，激励场激励频率为187.5kHz。图中的中间部分表示被测物质在传感器截面上分布的概率。
图4中左边的重建图像是检测线圈未经补偿获得的结果，右边的重建图像为每个检测线圈按照本文所述的方法进行补偿后获得的结果。为显示重建图像的全部信息，没有对概率阈值以下的点进行截断滤除。由两图像比较可知，补偿后的图像较准确地反映了被测铜棒的分布位置，同时也说明EMT图像重建对检测数据的变化非常敏感，检测线圈特性不一致产生的微小误差就可以造成重建图像的较大偏移。
篇7：EMT系统边界磁场检测线圈的动态补偿及图像重建
EMT系统边界磁场检测线圈的动态补偿及图像重建
摘要：提出了一种应用于电磁层析成像（EMT）系统的磁检测线圈的动态补偿方法，实现了被测空间边界磁场检测的系统误差补偿。经过EMT系统的图像重建实验证明，这种补偿方法能够提高图像重建的精确性。关键词：电磁层析成像 工业CT 传感器 图像重建
电磁层析成像（Electromagnetic Tomography,EMT）技术是近十年来发展起来的一种新型过程层析成像技术[1]。它将电磁感应原理与“由投影重建图像”的理论相隔合，通过检测被测空间边界的磁场信息重建空间中导电、导磁物质的时空分布图像，而且其传感器具有非介入、非接触和无危害的检测优点，因此可应用于工业过程中多相流检测[2]、化工分离、异物监测、地质勘探及生物电磁学研究[3]等领域。EMT系统图像重建质量的影响因素之一是其检测系统的准确性和测量的一致性。在检测系统的传感器设计中，检测边界磁场的多个检测线圈在工艺上难以做到完全一致，由此将直接导致重建图像的失真。为消除这种不一致性对图像重建造成的影响，作者设计了一种动态补偿算法，通过在多个激励方向下对检测线圈做综合补偿，提高了图像重建的精神性。
1 EMT系统结构及检测特点
EMT系统的结构如图1所示。左边圆形结构为可安装于工业多相流管道的传感器截面。在被测管道的中心分布有多相流动物质，系统的检测目的是通过非接触、非介入的方式将管道内的不同物质的分布图像在计算机上得以重建，进而分析出多相流体的各种特征参数，并应用于测控系统中。这实现这一目的，由计算机控制图1所示的激励模式选择和激励信号分配系统，由激励系统在被测管道中激发出特定的激励场；然后与医学CT类似，使激励场在空间连续旋转，旋转的同时检测边界磁场的.畸变情况，并由数据采集与处理系统实现磁场信号的解调；最后应用图像重建算法重建出被测空间的物质分布。
作者用柔性激励极板阵列实现的EMT传感器[4]的截面如图2所示。传感器由内到外依次是管道壁、检测线圈、激励层和屏蔽层。其中，检测线圈由8个沿管道外壁待距离分布的精密绕组构成，完成边界磁场的测量；激励层由柔性激励极板阵列构成；电磁屏蔽层由铁氧体和波莫合金构成。数据采集与信号处理电中实现各个激励角度条件下的边界磁场测量，激励和检测由图像重建计算机协调控制，同时该计算机完成图像重建和多相流特征参数的提取。激励极板阵列由32个均匀分布的柔性极板构成，通过改变极板的电流分布可实现不同的激励方式。其中，管道半径Rp=35mm，检测线圈半径Rd=38.42mm，激励线圈半径Re=55mm，磁屏蔽层内半径Rsin=60mm，被测管道直径为70mm。
对于这一传感器结构，需要补偿的就是检测层的8个检测线圈特
[1] [2] [3]
篇8：一类带限函数的外推算法及在有限角图像重建中的应用
一类带限函数的外推算法及在有限角图像重建中的应用
将带限函数的'外推Gerchberg-Papoulis算法在维数和已知区域方面进行了推广,证明了推广的算法在L2范数下的收敛性,并应用于限制角图像重建.在一维情形下进行了数值模拟,验证了推广后算法的有效性.
作 者：朱季云 渠刚荣 ZHU Ji-yun QU Gang-rong 作者单位：北京交通大学,理学院,北京,100044 刊 名：北京交通大学学报（自然科学版） ISTIC PKU英文刊名：JOURNAL OF BEIJING JIAOTONG UNIVERSITY 年，卷(期)：2007 31(6) 分类号：O174.2 O177.6 关键词：带限函数外推 Gerchberg-Papoulis算法 限制图像重建 Radon变换
