論文の概要: On Scale Space Radon Transform, Properties and Image Reconstruction
- arxiv url: http://arxiv.org/abs/2205.05188v1
- Date: Tue, 10 May 2022 21:55:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-12 19:36:58.373632
- Title: On Scale Space Radon Transform, Properties and Image Reconstruction
- Title(参考訳): 空間ラドン変換, 特性と画像再構成について
- Authors: Nafaa Nacereddine, Djemel Ziou, Aicha Baya Goumeidane
- Abstract要約: スケール空間ラドン変換(SSRT)の基本特性と逆変換について述べる。
SSRTシングラムから画像を再構成するために、フィルタバックプロジェクション(FBP)技術は2つの異なる方法で使用される。
- 参考スコア(独自算出の注目度): 4.640835690336652
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Aware of the importance of the good behavior in the scale space that a
mathematical transform must have, we depict, in this paper, the basic
properties and the inverse transform of the Scale Space Radon Transform (SSRT).
To reconstruct the image from SSRT sinogram, the Filtered backprojection (FBP)
technique is used in two different ways: (1) Deconvolve SSRT to obtain the
estimated Radon transform (RT) and then, reconstruct image using classical FBP
or (2) Adapt FBP technique to SSRT so that the Radon projections spectrum used
in classical FBP is replaced by SSRT and Wiener filtering, expressed in the
frequency domain. Comparison of image reconstruction techniques using SSRT and
RT are performed on Shepp-Logan head phantom image. Using the Mean Absolute
Error (MAE) as image reconstruction quality measure, the preliminary results
present an outstanding performance for SSRT-based image reconstruction
techniques compared to the RT-based one. Furthermore, the method (2)
outperforms the method (1) in terms of computation time and adaptability for
high level of noise when fairly large Gaussian kernel is used.
- Abstract(参考訳): 数学的な変換が持つべきスケール空間における良い振る舞いの重要性に留意して,本論文では,スケール空間ラドン変換(SSRT)の基本特性と逆変換について述べる。
ssrtシンノグラムから画像を再構成するために、フィルタ付きバックプロジェクション(fbp)技術は、(1)推定ラドン変換(rt)を得るためにssrtを縮退させ、(2)古典ラドン変換(rt)を得るか、または(2)古典ラドン投影スペクトルを周波数領域で表現されたssrtとウィナーフィルタリングに置き換えるようにfbp技術をssrtに適合させる。
Shepp-Loganヘッドファントム画像上で,SSRTとRTを用いた画像再構成技術の比較を行った。
画像再構成品質尺度として平均絶対誤差(mae)を用い,rtベースに比べてssrtベースの画像再構成技術に優れた性能を示す。
さらに、この方法(2)は、かなり大きなガウス核を使用する場合の高レベルのノイズに対する計算時間および適応性の観点から、(1)よりも優れる。
関連論文リスト
- Learning Surface Scattering Parameters From SAR Images Using
Differentiable Ray Tracing [8.19502673278742]
本稿では,スペキュラとディフューズの両方を包括的に考慮した表面マイクロ波レンダリングモデルを提案する。
CSVBSDF表面散乱パラメータ学習のためのSAR画像に基づく微分可能レイトレーシング(DRT)エンジンを構築した。
提案手法の有効性はシミュレーションと実SAR画像との比較により検証されている。
論文 参考訳(メタデータ) (2024-01-02T12:09:06Z) - Guided Scale Space Radon Transform for linear structures detection [1.7205106391379021]
SSRTを用いて,グレースケールおよびバイナリ画像中の厚みのある線形構造を自動的に検出する手法を提案する。
本手法では,SSRTを計算中における画像のヘッセン方向を計算した。
その結果、SSRT空間におけるその後の最大検出は不要な部分から解放された変換空間上で行われる。
論文 参考訳(メタデータ) (2023-11-15T16:50:01Z) - Computerized Tomography and Reproducing Kernels [0.0]
再生カーネル空間(RKHS)を利用した革新的なアプローチを提案する。
RKHSフレームワークはプロジェクション画像をかなり単純化し、トモグラフィー再構成の問題に対する有名な代表者定理の類似に繋がる。
また、データは離散的でノイズの多い現実的な環境では、真に機能的なレベルでシャープな安定性を達成できます。
論文 参考訳(メタデータ) (2023-11-13T16:53:38Z) - Sub-token ViT Embedding via Stochastic Resonance Transformers [54.84390340877745]
本稿では、事前学習したViTが空間量子化をどのように扱うかを改善する方法を提案する。
SRT(Stochastic Resonance Transformer)と呼ぶ。
SRTはどんな層でも、どんなタスクでも適用でき、微調整は不要である。
論文 参考訳(メタデータ) (2023-10-06T01:53:27Z) - REGAS: REspiratory-GAted Synthesis of Views for Multi-Phase CBCT
Reconstruction from a single 3D CBCT Acquisition [75.64791080418162]
REGASは、アンダーサンプドトモグラフィビューを合成し、再構成画像中のアーティファクトのエイリアスを緩和する自己教師手法を提案する。
高解像度4Dデータ上でのディープニューラルネットワークの大規模なメモリコストに対処するため、REGASは分散して微分可能なフォワードプロジェクションを可能にする新しいレイパス変換(RPT)を導入した。
論文 参考訳(メタデータ) (2022-08-17T03:42:19Z) - Degradation-Aware Unfolding Half-Shuffle Transformer for Spectral
Compressive Imaging [142.11622043078867]
圧縮画像と物理マスクからパラメータを推定し,これらのパラメータを用いて各イテレーションを制御する,DAUF(Degradation-Aware Unfolding Framework)を提案する。
HST を DAUF に接続することにより,HSI 再構成のための変換器の深部展開法であるデグレーション・アウェア・アンフォールディング・ハーフシャッフル変換器 (DAUHST) を確立した。
論文 参考訳(メタデータ) (2022-05-20T11:37:44Z) - Fast MRI Reconstruction: How Powerful Transformers Are? [1.523157765626545]
k空間アンサンプと深層学習に基づく再構成による手法が、スキャンプロセスの高速化のために一般化されている。
特に、高速MRI再構成のために、GAN(Generative Adversarial Network)ベースのSwin Transformer(ST-GAN)を導入した。
異なるアンダーサンプリング条件からのMRI再建には,トランスフォーマーが有効であることを示す。
論文 参考訳(メタデータ) (2022-01-23T23:41:48Z) - Spectral Compressive Imaging Reconstruction Using Convolution and
Contextual Transformer [6.929652454131988]
本稿では,CCoT(Contextual Transformer)ブロックというハイブリッドネットワークモジュールを提案する。
提案したCCoTブロックを,一般化された交互投影アルゴリズムに基づく深層展開フレームワークに統合し,さらにGAP-CTネットワークを提案する。
論文 参考訳(メタデータ) (2022-01-15T06:30:03Z) - Reference-based Magnetic Resonance Image Reconstruction Using Texture
Transforme [86.6394254676369]
高速MRI再構成のための新しいテクスチャトランスフォーマーモジュール(TTM)を提案する。
変換器のクエリやキーとしてアンダーサンプルのデータと参照データを定式化する。
提案したTTMは、MRIの再構成手法に積み重ねることで、その性能をさらに向上させることができる。
論文 参考訳(メタデータ) (2021-11-18T03:06:25Z) - Adaptive Gradient Balancing for UndersampledMRI Reconstruction and
Image-to-Image Translation [60.663499381212425]
本研究では,新しい適応勾配バランス手法を併用したwasserstein生成逆ネットワークを用いて,画質の向上を図る。
MRIでは、他の技術よりも鮮明な画像を生成する高品質の再構築を維持しながら、アーティファクトを最小限に抑えます。
論文 参考訳(メタデータ) (2021-04-05T13:05:22Z) - Cross-Scale Internal Graph Neural Network for Image Super-Resolution [147.77050877373674]
自然画像における非局所的な自己相似性は、画像修復に有効な先行研究として、よく研究されている。
単一の画像超解像(SISR)の場合、既存のディープ非局所法のほとんどは、低解像度(LR)入力画像と同じ規模のパッチしか利用していない。
これは、新しいクロススケールな内部グラフニューラルネットワーク(IGNN)を用いて実現される。
論文 参考訳(メタデータ) (2020-06-30T10:48:40Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。