= ∑∑
Transcription
= ∑∑
Algebraische Lö Lösungsverfahren Diskrete RadonRadon-Transformation (Vorwä (Vorwärtsprojektion) N −1 N −1 aklmn µkl pmn = k =0 l =0 Objektverteilung p (mn) »1 Diskrete RadonRadon-Transformation (Vorwä (Vorwärtsprojektion) Gleichungsnotation: N −1 N −1 aklmn µkl pmn = k =0 l =0 Matrix-Notation: p = Aµ p = A µ Ein einfaches Beispiel: 4 Pixel, 8 Strahlen p0 p1 p2 p3 = p4 p5 1 0 0 1 1 0 0 1 0 0, 7 µ0 0,5 0,5 0, 7 µ1 µ2 0, 7 0,5 0 1 0 1 0 0 1 p6 0,5 0,7 0,5 p7 0,5 0 0 1 µ3 0 0, 7 0,5 »2 Ein einfaches Beispiel: 4 Pixel, 8 Strahlen Gewichte aller Pixel eines Strahls p0 p1 p2 p3 = p4 p5 1 0 0 1 1 0 0 1 0 0, 7 µ0 0,5 0,5 0, 7 µ1 µ2 0, 7 0,5 0 1 0 1 0 0 1 p6 0,5 0,7 0,5 p7 0,5 0 0 1 µ3 0 0, 7 0,5 Gewichte aller Strahlen durch ein Pixel Diskrete RadonRadon-Transformation (Vorwä (Vorwärtsprojektion) p = p = A ist im Allgemeinen groß (dim(A)>10000) und schwach besetzt A µ A µ Objektwerte Messwerte = Strahlsummen Eigenschaften der Abbildungsmatrix A »3 Diskrete RadonRadon-Transformation (Vorwä (Vorwärtsprojektion) p = A µ p = A µ p= A Gleichungssystem überbestimmt Gleichungssystem bestimmt, A quadratisch Gleichungssystem unterbestimmt damit i.A. inkonsistent keine (exakte) Lösung falls A nicht rangdefizient (Rang(A)<Dim(A)) ist, existiert genau eine Lösung es existieren unendlich viele Lösung µ Tomographieprobleme sollten überbestimmt sein (Datenredundanz) ! Wichtige diskrete Operatoren in Matrixnotation Vorwärtsprojektion: p = Aµ (Ungefilterte) Rückprojektion: b = A Tp Gefilterte Rückprojektion: µˆ = Hb = HA Tp »4 Die LeastLeast-SquaresSquares-Lösung Diskrete RadonRadon-Transformation (Vorwä (Vorwärtsprojektion) - Residuum - Gleichungsnotation: N −1 N −1 aklmn µkl + rmn pmn = k =0 l =0 Matrix-Notation: p = Aµ + r Der Residuenvektor r steht für Abweichungen realer Messwerte vom erwarteten Messwert (Modellungenauigkeiten, Messungenauigkeiten, Rauschen) »5 Ziel der Rekonstruktion: Minimierung des Datenraumresiduums 2 r = p - Aµ 2 Min ! gemessene ModellProjektion projektion Ziel der Rekonstruktion: Minimierung des Datenraumresiduums 2 N −1 N −1 2 aklmn µkl r = pmn − Min ! k =0 l =0 gemessene Projektion Modellprojektion »6 Minimierung des Datenraumresiduums 2 r = p - Aµ ∂ p - Aµ ∂µ 2 = (p - Aµ )(p - Aµ )T Min ! 2 = 0! ∂(p - Aµ )T (p - Aµ ) = 0! ∂µ 2 AT (p - Aµ ) = 0 AT p - AT Aµ = 0 µ = ( AT A) −1 AT p Minimierung des Datenraumresiduums T −1 T µ = ( A A) A p Punktantwortfunktionen der Projektion und Rückprojektion für jedes Pixel Rückprojektion »7 Minimierung des Datenraumresiduums p r Aµ Lösungsraum des Gleichungssystems Der minimale Residuenvektor steht senkrecht auf dem Least-Squares-Lösungsvektor Aµ. Minimale Norm Ein über- oder genau bestimmtes Gleichungssystem kann „versteckt“ unterbestimmt sein. Man spricht von einer Rangdefizienz der Matrix A, d.h. Rang(A)<Dim(A). Praktisch äußert sich Rangdefizienz in multiplen Lösungen, d.h. es gibt unendlich viele µ (einen Lösungsraum), die die LS-Norm erfüllen. Die LSMN-Lösung (least squares minimum norm) ist diejenige Lösung, für die ||µ||->min gilt. »8 Die Singulä Singulärwertzerlegung als direktdirekt-algebraischer Ansatz Die Singulä Singulärwertzerlegung als Lö Lösungsverfahren Ausgangspunkt: Die Abbildungsmatrix ist sehr groß und ist schlecht konditioniert, deshalb lässt sie sich nicht mit direkten Verfahren invertieren (zum Beispiel Cholesky-Zerlegung) Eine Alternative ist die Singulärwertezerlegung. Sie ist für Matrizen bis zu einer Dimension von ca. 2000x2000 per Computeralgorithmus realisierbar. A = USV T p = USV Tµ ObjektraumEigenvektoren (quadratisch) DatenraumEigenvektoren (quadratisch) A = U S V »9 Die Singulä Singulärwertzerlegung als Lö Lösungsverfahren s0 0 s1 Singulärwert (si) s2 sn 0 Singulärwertnummer i Die Singulärwertzerlegung ist eine Erweiterung der Eigenwertzerlegung für nichtquadratische Matrizen. Der Singulärwert bezeichnet die Stärke (das Gewicht), mit dem ein Objektraumeigenvektor in einen Datenraumeigenvektor überführt wird. Die Singulärwertematrix S ist eine Diagonalmatrix, deren Diagonalelemente (Singulärwerte) absteigend angeordnet sind. Die Singulä Singulärwertzerlegung als Lö Lösungsverfahren Folgende Eigenschaften der Matrizen machen die Singulärwertzerlegung attraktiv: U und V sind quadratisch und orthonormal, d.h. U -1 = U T V -1 = V T damit vereinfacht sich die Inversion zu -1 A = USV T −1 = (V T ) −1 S −1U −1 = VS -1U T effektiv muss nur die Diagonalmatrix S invertiert werden. »10 Die Singulä Singulärwertzerlegung als Lö Lösungsverfahren ... und das ist prinzipiell einfach s0 0 s1 1/s0 s2 1/s1 0 1/s2 sn 0 0 1/sn Die Singulä Singulärwertzerlegung als Lö Lösungsverfahren Singulärwert (si) inverser Singulärwert (si) Praktisch wird das Singulärwertespektrum mit Regularisierung invertiert. Es werden große inverse Singulärwerte gedämpft oder abgeschnitten. Der Effekt ist identisch zur Modifikation des Rampenfilters in den Rückprojektionsalgorithmen. Singulärwertnummer i Singulärwertnummer i »11 Iterative Lö Lösungsverfahren Herleitung der algebraische Rekonstruktionstechnik ART Schritt 1: Startvektor µ = µ0 Iteration: Sukzessive Korrektur des Objektvektors anhand des für einen Projektionswert berechneten Residuums: i=0,1,2,3,...,Np-1,0,1,... n=0,1,2,3,... - Projektionswert Iterationsschritt Ai pi ri(τ ) = pi( mess ) − Aiµ (τ ) µ (τ +1) = µ (τ ) + c(τ ) p = A µ »12 Herleitung der algebraische Rekonstruktionstechnik ART Wie muss der Korrekturvektor c gewählt werden ? pi(τ ) = Aiµ (τ ) (τ +1) i p ( = Ai µ (τ ) +c (τ ) ) ! p ( mess ) = p ( mess ) = pi(τ ) + A i c(τ ) p ( mess ) − pi(τ ) = Ai c(τ ) c(τ ) = Ai−1 p ( mess ) − pi(τ ) = A i−1ri (τ ) Herleitung der algebraische Rekonstruktionstechnik ART Problem: Lösung: Inverse einer einzeiligen Matrix gibt es nicht. Moore-Penrose-Inverse −1 i −1 i Ai A = 1 A = ATi Ai 2 c(τ ) = A i−1 p ( mess ) − pi(τ ) = ATi Ai 2 p ( mess ) − pi(τ ) »13 Herleitung der algebraische Rekonstruktionstechnik ART Daraus folgt die Korrekturvorschrift: µ (τ +1) = µ (τ ) + c(τ ) =µ (τ ) + ATi Ai 2 p ( mess ) − pi(τ ) Die algebraische Rekonstruktionstechnik ART Die Korrekturvorschrift in Gleichungsnotation: N −1 N −1 aklmn pmn − µkl(τ +1) = µkl(τ ) + λ aklmn µkl(τ ) k =0 l =0 N −1 N −1 2 aklmn k =0 l =0 µkl(τ ) µkl(0) Objektpixel Startwert λ ∈ [ 0, 2] τ∈ Relaxationsfaktor Iterationsschritt R. Gordon, R. Bender, G.T. Herman, “Algebraic reconstruction techniques (ART) for three-dimensional electron microscopy and X-ray photography”, J. Theor. Biol., 29, 471, 1970. »14 Die algebraische Rekonstruktionstechnik ART Residuum Messwert Modellprojektion N −1 N −1 aklmn pmn − µkl(τ +1) = µkl(τ ) + λ aklmn µkl(τ ) k =0 l =0 N −1 N −1 2 aklmn k =0 l =0 µkl(τ ) µkl(0) λ ∈ [ 0, 2] τ∈ Objektpixel Startwert Relaxationsfaktor Iterationsschritt R. Gordon, R. Bender, G.T. Herman, “Algebraic reconstruction techniques (ART) for three-dimensional electron microscopy and X-ray photography”, J. Theor. Biol., 29, 471, 1970. Beispiel: Berechnung Geradenschnittpunkt(e) Geradenschnittpunkt(e) mit ART 10 (3) Gerade 1: 5x+5y=4 8 Gerade 2 : 1x+2y=8 6 4 Gerade 3 : 1x-2y=-18 (2) 2 0 -2 (1) -4 5 5 1 2 -6 1 −2 -8 -10 -10 -8 -6 -4 -2 0 2 4 6 8 x y 4 = 8 -18 10 »15 ART Aus ART abgeleitete Verfahren: (1) BlockBlock-ART Prinzip: Mehr als ein Messwert für Korrektur verwenden, zum Beispiel eine komplette Projektion! µ (τ +1) =µ (τ ) +λ ATi Ai 2 p ( mess ) − pi(τ ) pi Ai Ai umfasst nunmehr mehr als eine Zeile! p = A µ »16 Aus ART abgeleitete Verfahren: (2) SIRT (Simultane iterative Rekonstruktionstechnik) Prinzip: Alle Messwerte für Korrektur verwenden! µ (τ +1) =µ (τ ) +λ AT A 2 p ( mess ) − p(τ ) p = A µ Aus ART abgeleitete Verfahren: (3) MART (Multiplikative algebraische Rekonstruktionstechnik) Prinzip: Wie ART, nur mit multiplikativer Korrektur! µ (τ +1) =µ (τ ) AiT pi ⋅ 1− λ 1− Ai ⋅ µ (τ ) max( Ai ) »17 Zusammenfassung Bildrekonstruktionsalgorithmender der CT CT Bildrekonstruktionsalgorithmen Analytische Verfahren Gefilterte Rü Rückprojektion Faltung im Ortsraum Filterung im Ortsfrequenzraum Algebraisch iterative Verfahren Algebraisch direkte Verfahren LSMN, additive Korrektur ART, BlockBlock-ART, ART, SIRT Singulä Singulärwertzerlegung LSMN, multiplikative Korrektur MART, BlockBlock-MART, MART, MSIRT Rückprojektion gefilterter Projektionen Faltung im Ortsraum andere ILS, ISS, ISR, EMT, CG, POCS Filterung im Ortsfrequenzraum »18