基于Radon滤波反投影算法的CT图像重建matlab仿真

目录

一、理论基础

二、核心程序

三、仿真测试结果

---

一、理论基础

1.1理论概述

       CT（Computed Tomography）图像重建是一种利用X射线或其他粒子束扫描物体，并通过计算机处理生成物体内部结构的二维或三维图像的技术。Radon变换和反投影算法是CT图像重建中的两个重要步骤。Radon变换是一种将图像从空间域转换到Radon域的操作，它可以计算出图像在特定方向上的投影数据。这些投影数据可以用来重建原始图像。在CT图像重建中，Radon变换通常用于将X射线扫描得到的数据转换为投影数据。反投影算法则是一种将投影数据转换回空间域的操作，它可以用来重建原始图像。在CT图像重建中，反投影算法通常用于将Radon变换得到的投影数据转换回原始图像。

基于Radon滤波反投影算法的CT图像重建的基本步骤如下：

1. 对原始图像进行Radon变换，得到投影数据。
2. 对投影数据进行滤波处理，以去除噪声和其他干扰因素。
3. 对滤波后的投影数据进行反投影操作，得到重建后的图像。

       总之，基于Radon滤波反投影算法的CT图像重建是一种重要的图像处理技术，它可以利用X射线或其他粒子束扫描物体，并通过计算机处理生成物体内部结构的二维或三维图像。Radon变换和反投影算法是CT图像重建中的两个重要步骤，它们可以用来将原始图像转换为投影数据，并将投影数据转换回原始图像。在实际应用中，需要根据不同的需求选择不同的滤波器和反投影算法，以达到最优的图像重建效果。

1.2基于Radon滤波反投影算法的CT图像重建基本原理

       计算机层析成像技术(CT)是近十几年发展起来的一种新的非接触无损检测技术，它具有检测精度高、重建图像无影像重叠、空间分辨率和密度分辨率高、可以直接进行数字化处理等优点,现已被广泛应用于航空、航天、机械、公安、海关、医疗等诸多领域。滤波反投影算法是目前比较常用的CT图像重建算法，它速度快，图像质量好。但在二维平面上，Radon变换不具有局部性。于是，寻找一种既能减少辐射剂量，又能重建感兴趣区域的局部图像重建算法，引起了人们的极大兴趣，这就是所说的局部CT。最后利用MATLAB对滤波反投影算，多尺度全局重建和多尺度局部重建进行了仿真，从而验证算的正确性。

        其中O(x，y)代表原始图像，R(x，y)代表重建图像。当然孤立地去看相对误差并不是一个好的衡量标准，它必须同人们的视觉评估结合起来进行考虑。 

       用S-L头模型进行计算机仿真研究的主要好处之一是可以获得该模型投影数据的解析表达式。一个中心位置在原点且未经旋转的椭圆，其长轴与X轴重合，短轴与Y轴重合。假设椭圆内的密度为r、椭圆外密度为零，则该椭圆图像可用以下方程表示：

在研究从投影重建图像的算法时，为了比较客观的评价各种重建算法的有效性，人们常选用公认的Sheep-Logan 头模型作为研究对象。该模型由10个位置、大小、方向、密度各异的椭圆组成，象征一个脑断层图像。图3-2是S-L头模型的灰度显示图像。

二、核心程序

clc;
clear;
close all;

I=phantom(256);  %生产头部模型图
figure(1);
imshow(I);       %显示图像
IMG=double(I);   %双精度显示
%=====step1================================
THETA=0:179;
PR=touyin(IMG,THETA) %进行投影
figure(2);
imshow(PR,[]);
%=====step2================================
filtPR=lvbo(PR);%进行滤波
figure(3);
imshow(filtPR,[]);
%=====step3================================
BPI=fantouyin(filtPR,THETA);%反投影
figure(4)
imshow(BPI,[]);

imwrite(BPI,'BPI.bmp');

 
 

function filtPR=lvbo(PR);

n = size(PR,1);
sideSize = n;
a = 1;
[Length, Count] = size(PR);
w = [-pi:(2*pi)/Length:pi-(2*pi)/Length];
 
rn1 = abs(2/a*sin(a.*w./2));
rn2 = sin(a.*w./2);
rd = (a*w)./2;
r = rn1*(rn2/rd)^2;
 
f = fftshift(r);
for i = 1:Count
        IMG = fft(PR(:,i));
        fimg = IMG.*f';
        g(:,i) = ifft(fimg);
end
filtPR= real(g);

 

clc;
clear;
close all;

I=phantom(256);  %生产头部模型图
figure(1);
imshow(I);       %显示图像
IMG=double(I);   %双精度显示

[cod_a,cod_h,cod_v,cod_d,map]=wtest(IMG);%一层小波变换


figure(2);
subplot(221)
imshow(cod_a,map);

subplot(222)
imshow(cod_h,map);

subplot(223)
imshow(cod_v,map);

subplot(224)
imshow(cod_d,map);

Z1=idwt2(cod_a,cod_h,cod_v,cod_d,'db1');

figure(3);
imshow(Z1,map);

for i=1:256
    for j=1:256

        
        error(i,j)=(I(i,j)-Z1(i,j))^2/I(i,j)^2;

    end
end

for i=1:256
    for j=1:256
        if I(i,j)==0
        error(i,j)=255;    
        end
       
    end
end


for i=1:256
    for j=1:256
        if error(i,j)>255;
        error(i,j)=255;    
        end
       
    end
end

figure(4);
imshow(error,map);



 

三、仿真测试结果

基于shepp-Logan模型的多尺度局部重建的MATLAB仿真与分析

    其仿真图像为：

 

图1 原始仿真图（左）和局部数据仿真图（右）

其小波系数仿真如下所示：

 

 

图2 小波系数

最后由局部数据重建的图像如下所示：

图3 局部数据重建效果

基于shepp-Logan模型的多尺度全局重建的MATLAB仿真与分析

   我们首先用一层小波变换得到分解后的小波系数。仿真结果如下所示：

 

 

图4 小波系数

然后通过二维反小波变化，可以得到如下仿真结果：

图5 小波重建结果

A09-02