基于双字典自适应学习算法的低采样率CT重建

在医疗诊断中,稀疏采样能减少CT扫描过程中辐射对患者的伤害.但直接对稀疏采样后的投影数据进行重建,会使CT重建后的图像出现失真、伪影等问题.为保证低采样率下重建图像的质量,提出了双字典自适应学习算法,参照Sparse-Land模型的双字典学习框架,将K-SVD算法与双字典学习算法框架相结合得到补全投影数据,利用FBP算法进行重建得到高质量的重建图像.实验结果表明,在低采样率下使用所提方法进行CT重建的图像质量优于COMP双字典学习算法和MOD双字典学习算法,并且此方法有效提高了CT图像重建在低采样率时的性能.     

Motion-Compensated Reconstruction Method Based on Rigid Motion Model with Multi-Object

This paper gives an efficient approach to reconstruct moving multiple objects(multi-object).Each object has independently rigid motion which includes translation and rotation.The traditional FBP algorithm can resolve the one-object motion problem rather well.However,it suffers from perceptible motion artifacts in multi-object cases.This paper proposes a new motion-compensated reconstruction approach with a priori knowledge of the rigid motion model.Both an FBP-type and an ART-type algorithm were derived.In ...     

磁场CT成像的高速数据采集方法

介绍磁场ＣＴ成像的高速数据采集方法。通过对一对ＮｄＦｅＢ小圆柱磁体任一断面上磁场的测量与成像，说明此方法采集速度快，质量好。     

基于Hilbert变换的CT圆轨道超短扫描重建算法

为了加快工业CT系统的扫描速度,减小数据量,针对扇形束超短扫描问题,提出了一种带参数的基于Hilbert变换的感兴趣区域重建算法,并且在分析扇形束扫描的数据冗余基础上设计了一种适用于超短扫描的窗函数。利用Shepp-Logan头模型通过计算机模拟实验,给出了该算法和标准卷积反投影算法、F.Noo和H.Kudo算法的对比结果。实验结果表明,该方法能够准确地实现物体感兴趣区重建,并在噪声抑制能力上优于其他3种算法,因此在工业CT中具有重要的工程意义。     

改进的模糊神经网络算法在车型识别中的应用

FBP和FCNN网络是模式识别中应用最为广泛的两种神经网络,本文将这两种网络应用于车型识别,分别建立了车型识别模型。利用混沌对初值的极端敏感依赖提出了FCNN网络算法,通过对车型图像数据库进行仿真实验,对比分析它们各自的识别率和泛化能力等性能指标,证明了FCNN网络算法的有效性。