Я нещодавно грав з алгоритмами томографічної реконструкції. У мене вже є приємні робочі реалізації FBP, ART, SIRT / SART-подібної ітеративної схеми і навіть з використанням прямолінійної алгебри (повільно!). Це питання не стосується жодної з цих методик ; відповіді форми "чому хто-небудь зробив би це так, ось тут якийсь код FBP" - це не те, що я шукаю.
Наступне, що я хотів зробити з цією програмою - це " завершити набір " та реалізувати так званий " метод реконструкції Фур'є ". Моє розуміння цього в основному полягає в тому, що ви застосовуєте 1D FFT до синограмних "експозицій", розташовуйте їх як радіальні "спиці колеса" в просторі 2D Фур'є (що це корисна річ слід безпосередньо з теореми центрального зрізу) , інтерполіруйте з цих точок у звичайну сітку у цьому двовимірному просторі, і тоді слід отримати можливість зворотного перетворення Фур'є для відновлення вихідної цілі сканування.
Звучить просто, але мені не пощастило отримати будь-які реконструкції, схожі на оригінальну ціль.
Код Python (numpy / SciPy / Matplotlib) нижче - це найкоротший вираз, який я міг би придумати, що я намагаюся зробити. Під час запуску він відображає наступне:
Фіг.1: ціль
Малюнок 2: синограма цілі
Малюнок 3: рядки синограми з FFT-ed
Фіг.4: верхній ряд - 2D простір FFT, інтерпольований з рядків синограми домену Фур'є; нижній ряд - це (для порівняння) прямий 2D FFT цілі. Це момент, коли я починаю ставати підозрілим; Діаграми, інтерпольовані із синограмних БПП, схожі на графіки, зроблені безпосередньо за допомогою 2D-FFTing цілі ... та все ж різними.
Малюнок 5: Зворотне перетворення Фур'є на рисунку 4. Я сподівався, що це буде трохи більше впізнаваним як ціль, ніж насправді.
Будь-які ідеї, що я роблю неправильно? Не впевнений, чи моє розуміння реконструкції методу Фур'є принципово хибно, чи в моєму коді є лише якась помилка.
import math
import matplotlib
import matplotlib.pyplot as plt
import numpy as np
import scipy.interpolate
import scipy.fftpack
import scipy.ndimage.interpolation
S=256 # Size of target, and resolution of Fourier space
A=359 # Number of sinogram exposures
# Construct a simple test target
target=np.zeros((S,S))
target[S/3:2*S/3,S/3:2*S/3]=0.5
target[120:136,100:116]=1.0
plt.figure()
plt.title("Target")
plt.imshow(target)
# Project the sinogram
sinogram=np.array([
np.sum(
scipy.ndimage.interpolation.rotate(
target,a,order=1,reshape=False,mode='constant',cval=0.0
)
,axis=1
) for a in xrange(A)
])
plt.figure()
plt.title("Sinogram")
plt.imshow(sinogram)
# Fourier transform the rows of the sinogram
sinogram_fft_rows=scipy.fftpack.fftshift(
scipy.fftpack.fft(sinogram),
axes=1
)
plt.figure()
plt.subplot(121)
plt.title("Sinogram rows FFT (real)")
plt.imshow(np.real(np.real(sinogram_fft_rows)),vmin=-50,vmax=50)
plt.subplot(122)
plt.title("Sinogram rows FFT (imag)")
plt.imshow(np.real(np.imag(sinogram_fft_rows)),vmin=-50,vmax=50)
# Coordinates of sinogram FFT-ed rows' samples in 2D FFT space
a=(2.0*math.pi/A)*np.arange(A)
r=np.arange(S)-S/2
r,a=np.meshgrid(r,a)
r=r.flatten()
a=a.flatten()
srcx=(S/2)+r*np.cos(a)
srcy=(S/2)+r*np.sin(a)
# Coordinates of regular grid in 2D FFT space
dstx,dsty=np.meshgrid(np.arange(S),np.arange(S))
dstx=dstx.flatten()
dsty=dsty.flatten()
# Let the central slice theorem work its magic!
# Interpolate the 2D Fourier space grid from the transformed sinogram rows
fft2_real=scipy.interpolate.griddata(
(srcy,srcx),
np.real(sinogram_fft_rows).flatten(),
(dsty,dstx),
method='cubic',
fill_value=0.0
).reshape((S,S))
fft2_imag=scipy.interpolate.griddata(
(srcy,srcx),
np.imag(sinogram_fft_rows).flatten(),
(dsty,dstx),
method='cubic',
fill_value=0.0
).reshape((S,S))
plt.figure()
plt.suptitle("FFT2 space")
plt.subplot(221)
plt.title("Recon (real)")
plt.imshow(fft2_real,vmin=-10,vmax=10)
plt.subplot(222)
plt.title("Recon (imag)")
plt.imshow(fft2_imag,vmin=-10,vmax=10)
# Show 2D FFT of target, just for comparison
expected_fft2=scipy.fftpack.fftshift(scipy.fftpack.fft2(target))
plt.subplot(223)
plt.title("Expected (real)")
plt.imshow(np.real(expected_fft2),vmin=-10,vmax=10)
plt.subplot(224)
plt.title("Expected (imag)")
plt.imshow(np.imag(expected_fft2),vmin=-10,vmax=10)
# Transform from 2D Fourier space back to a reconstruction of the target
fft2=scipy.fftpack.ifftshift(fft2_real+1.0j*fft2_imag)
recon=np.real(scipy.fftpack.ifft2(fft2))
plt.figure()
plt.title("Reconstruction")
plt.imshow(recon,vmin=0.0,vmax=1.0)
plt.show()