圖像復原與重建第一頁，共八十一頁，2022年，8月28日第五章圖像復原與重建5.1圖像退化/復原處理的模型5.2噪聲模型5.3空間濾波去噪5.4頻域濾波去噪5.5退化函數建模5.6圖像復原的方法

直接逆濾波維納濾波5.7圖像投影重建第二頁，共八十一頁，2022年，8月28日周期噪聲的模型是二維正弦波，通過帶阻、帶通和陷波濾波器可以被有效去除。理想帶阻濾波器的表達式:5.4頻域濾波降低周期噪聲帶阻濾波器第三頁，共八十一頁，2022年，8月28日n階的巴特沃思帶阻濾波器高斯帶阻濾波器5.4頻域濾波降低周期噪聲第四頁，共八十一頁，2022年，8月28日帶阻濾波器理想帶阻濾波器巴特沃思帶阻濾波器高斯帶阻濾波器5.4頻域濾波降低周期噪聲第五頁，共八十一頁，2022年，8月28日帶阻濾波器(a)被正弦噪聲污染的圖像(b)圖(a)的頻譜(c)巴特沃思帶阻濾波器(d)濾波效果圖5.4頻域濾波降低周期噪聲第六頁，共八十一頁，2022年，8月28日帶通濾波器帶通濾波器執行與帶阻濾波器相反的操作。不直接使用，損失大量圖像細節。可利用帶通濾波器提取噪聲模式。5.4頻域濾波降低周期噪聲第七頁，共八十一頁，2022年，8月28日陷波濾波器阻止(或通過)事先定義的中心頻率鄰域內的頻率。理想陷波濾波器巴特沃思陷波濾波器高斯陷波濾波器由于傅立葉變換是對稱的,因此陷波濾波器必須以關于原點對稱的形式出現。5.4頻域濾波降低周期噪聲第八頁，共八十一頁，2022年，8月28日陷波濾波器5.4頻域濾波降低周期噪聲第九頁，共八十一頁，2022年，8月28日陷波濾波器

還可以得到另一種陷波濾波器,它能通過(而不是阻止)包含在陷波區的頻率.陷波區域的形狀可以是任意的(如矩形)。5.4頻域濾波降低周期噪聲第十頁，共八十一頁，2022年，8月28日圖像退化模型：5.5退化函數建模退化系統一般情況下是：線性，位置不變的退化系統（1）線性：（2）位置不變性：對任意有對于線性位置不變退化，圖像復原其實就是一個圖像反卷積的過程第十一頁，共八十一頁，2022年，8月28日圖像觀察估計法給定一幅退化圖像，但沒有退化函數H的知識，那么估計該函數的方法之一就是收集圖像自身的信息：尋找簡單結構的子圖像尋找受噪聲影響小的子圖像5.5退化函數建模估計退化系統模型的三種方法構造一個估計圖像，它與觀察的子圖像有相同大小和特性表示觀察子圖像， 表示構造的子圖像和為對應的傅立葉變換。假設空間不變的，由推導出完全函數第十二頁，共八十一頁，2022年，8月28日5.5退化函數建模圖像試驗估計法使用與被退化圖像設備相似的裝置，并得到一個脈沖的沖激響應，可以進行較準確的退化估計：一個脈沖點成像系統H此處A是一個沖激的傅立葉變換，表示沖擊強度，為一常數。右圖為一個放大的亮脈沖以及退化的沖激。退化圖像第十三頁，共八十一頁，2022年，8月28日模型估計法建立退化模型，考慮引起退化的環境因素。

例如：Hufnagel等Stanley的退化模型就是基于大氣湍流的物理特性而提出來的，其中k為常數，與湍流特性相關。(除了指數5/6，該公式與高斯低通濾波形式相同.)5.5退化函數建模第十四頁，共八十一頁，2022年，8月28日模型估計法5.5退化函數建模大氣湍流模型模擬退化模糊一幅圖像：劇烈湍流(k=0.0025)中等湍流(k=0.001)輕微湍流(k=0.00025)可忽略的湍流第十五頁，共八十一頁，2022年，8月28日如果已知系統的傳遞函數，則根據可得復原圖像的譜，經傅氏逆變換即可得到復原圖像在忽略噪聲的影響，退化模型的傅氏變換為實際應用時存在病態的問題，即在H(u,v)等于零或非常小的數值點上，

將變成無窮大或非常大的數。----這就是逆濾波復原法5.6圖像復原的方法---逆濾波第十六頁，共八十一頁，2022年，8月28日系統中存在噪聲時退化模型的傅立葉變換為：寫成逆濾波復原的方式：1）即使知道退化函數，也不能準確復原圖像，因為噪聲函數N(u,v)是一個隨機函數，其傅里葉變換未知。2）如果退化是零或非常小的值，噪聲即使數值很小，但N(u,v)/H(u,v)之比(上式第二項)可能非常大，很容易錯估的值。5.6圖像復原的方法---逆濾波第十七頁，共八十一頁，2022年，8月28日解決退化是零或非常小的值的途徑：限制濾波的頻率，使其接近原點值。

在頻率平面離原點較遠的地方，H(u,v)數值較小或為零，因此圖像復原在原點周圍的有限區域內進行，即將退化圖像的傅立葉譜限制在沒出現零點而且數值又不是太小的有限范圍內，即通過將頻率限制為接近原點分析，減少了遇到零值的幾率。5.6圖像復原的方法---逆濾波第十八頁，共八十一頁，2022年，8月28日劇烈湍流(k=0.0025)大氣湍流模型模擬退化模糊一幅圖像可忽略的湍流對退化函數H(u,v)進行精確取反并進行逆濾波，結果如下圖。5.6圖像復原的方法---逆濾波第十九頁，共八十一頁，2022年，8月28日全頻直接逆濾波復原半徑為40時截止H半徑為70時截止H半徑為85時截止H結果表明：噪聲明顯影響了圖像復原結果，一般直接逆濾波效果較差。劇烈湍流圖(k=0.0025)5.6圖像復原的方法---逆濾波第二十頁，共八十一頁，2022年，8月28日最小均方誤差復原法----Wiener濾波復原目標：尋找一個濾波器，使得復原后圖像與原始圖像的均方誤差最小。逆濾波沒有清楚說明如何處理噪聲！誤差度量：現討論一種濾波復原法-Wiener濾波復原：

綜合考慮退化函數和噪聲統計特征。期望值。因此維納濾波復原又稱為最小均方誤差復原。5.6圖像復原的方法---Wiener濾波復原第二十一頁，共八十一頁，2022年，8月28日

誤差函數的最小值在頻域里可以通過近似圖像的傅里葉變換來計算：維納濾波器5.6圖像復原的方法---Wiener濾波復原第二十二頁，共八十一頁，2022年，8月28日(2)未退化圖像的功率譜難以知道，可用下式近似表示：(1)如果噪聲為0，其功率譜消失，維納濾波就退化為逆濾波。討論：式中K是根據信噪比的某種先驗知識確定的常數。維納濾波復原：維納濾波需要假定下述條件成立(或近似成立)：系統為線性、空間不變；退化圖像、原始圖像和噪聲都是均勻隨機場，噪聲的均值為零，且與圖像不相關。5.6圖像復原的方法---Wiener濾波復原第二十三頁，共八十一頁，2022年，8月28日維納濾波復原與逆濾波復原的比較全頻逆濾波半徑受限逆濾波維納濾波復原

(交互選擇K)維納濾波的缺點：未退化圖像和噪聲的功率譜必須是已知的；功率比(信噪比)常數K的估計一般還是沒有合適的解。5.6圖像復原的方法---Wiener濾波復原第二十四頁，共八十一頁，2022年，8月28日5.6圖像復原的方法---Wiener濾波復原維納濾波器的matlab實現deconvwnr：DeblurimageusingWienerfilterSyntaxJ=deconvwnr(I,PSF)J=deconvwnr(I,PSF,NSR)J=deconvwnr(I,PSF,NCORR,ICORR)其中：I是退化圖像PSF系統函數（點擴散函數）NSR信噪比NCORR：噪聲的自相關函數ICORR：退化圖像的自相關函數J：復原圖像第二十五頁，共八十一頁，2022年，8月28日5.6圖像復原的方法---Wiener濾波復原維納濾波和逆濾波復原案例：clc;clear;closeall;f=double(imread('cameraman.tif'));subplot(231);imshow(f,[]);title('orginalcleanimage');%generatethedegradefunctionPSF=fspecial('motion',7,45);subplot(232);imshow(PSF,[]);title('Pointspreadfunction');

%usingthePSFtodegradeimagegb=imfilter(f,PSF,'circular');subplot(233);imshow(gb,[]);title('Blurredimagecausedbymotion');

第二十六頁，共八十一頁，2022年，8月28日5.6圖像復原的方法---Wiener濾波復原維納濾波和逆濾波復原案例：%addnoisetothedegradedimagenoise=imnoise(zeros(size(f)),'gaussian',0,0.1);g=gb+noise;subplot(234);imshow(g,[])title('Blurredimagewithnoise')

%inversefilteringfr1=deconvwnr(g,PSF);subplot(235);imshow(fr1,[])title('inversefilteringresult')

第二十七頁，共八十一頁，2022年，8月28日5.6圖像復原的方法---Wiener濾波復原維納濾波和逆濾波復原案例：%wienerfilteringSn=abs(fft2(noise)).^2;%noisepowerspectrumnA=sum(Sn(:))/prod(size(noise));%noiseaveragepowerSf=abs(fft2(f)).^2;%imagepowerspectrumfA=sum(Sf(:))/prod(size(f));%imageaveragepowerR=nA/fA;%signaltonoiseratiofr2=deconvwnr(g,PSF,R);subplot(236);imshow(fr2,[])title('wienerfilteringresult')

第二十八頁，共八十一頁，2022年，8月28日5.6圖像復原的方法---Wiener濾波復原維納濾波和逆濾波復原案例：第二十九頁，共八十一頁，2022年，8月28日5.6圖像投影重建概念：投影重建一般指利用物體的多個（軸向）投影圖像重建目標圖像的過程。它是一類特殊的圖像處理方法，輸入的是一系列的投影圖，輸出是重建圖。通過投影重建可以直接的看到原來被投影的物體的某種特性的空間分布，比直觀觀測投影圖要直觀的多。第三十頁，共八十一頁，2022年，8月28日5.6圖像投影重建Radon變換對f(x,y)的Radon變換g(t,θ)定義為沿由t和θ定義的直線l的線積分。第三十一頁，共八十一頁，2022年，8月28日5.6圖像投影重建Radon變換Radon變換揭示了函數和投影之間的關系，若函數為f(x,y)，則不同角度下的投影可寫為原理：“斷層平面中某一點的密度值可看作這一平面內所有經過該點的射線投影之和（的平均值）”第三十二頁，共八十一頁，2022年，8月28日5.6圖像投影重建Radon變換的matlab實現radon：RadontransformSyntaxR=radon(I,theta)[R,xp]=radon(...)Description:R=radon(I,theta)returnstheRadontransformRoftheintensityimageIfortheanglethetadegrees.TheRadontransformistheprojectionoftheimageintensityalongaradiallineorientedataspecificangle.Ifthetaisascalar,RisacolumnvectorcontainingtheRadontransformforthetadegrees.Ifthetaisavector,RisamatrixinwhicheachcolumnistheRadontransformforoneoftheanglesintheta.Ifyouomittheta,itdefaultsto0:179.[R,xp]=radon(...)returnsavectorxpcontainingtheradialcoordinatescorrespondingtoeachrowofR第三十三頁，共八十一頁，2022年，8月28日5.6圖像投影重建Radon變換的matlab實現%generatetwoimagesg1=zeros(600,600);g1(100:500,250:350)=1;g2=phantom('ModifiedShepp-Logan',600);subplot(221);imshow(g1,[]);sbplot(222);imshow(g2,[])

%radontransformtheta=0:0.5:179.5;[R1,xp1]=radon(g1,theta);[R2,xp2]=radon(g2,theta);第三十四頁，共八十一頁，2022年，8月28日5.6圖像投影重建Radon變換的matlab實現R1=flipud(R1');%flipupanddownR2=flipud(R2');subplot(223);imshow(R1,[],'XData',xp1([1end]),'YData',[179.50]);axisxy;axison;xlabel('\rho');ylabel('\theta');subplot(224);imshow(R2,[],'XData',xp1([1end]),'YData',[179.50]);axisxy;axison;xlabel('\rho');ylabel('\theta');第三十五頁，共八十一頁，2022年，8月28日5.6圖像投影重建Radon變換的matlab實現第三十六頁，共八十一頁，2022年，8月28日5.6圖像投影重建反投影重建法如何利用radon變換來重建圖像f(x,y)？第三十七頁，共八十一頁，2022年，8月28日5.6圖像投影重建反投影重建法第一步（firstguess）=0=2

=1=31(0+1)5(2+3)1(0+1)5(2+3)把90角度的投影值加進空白圖像實例第三十八頁，共八十一頁，2022年，8月28日5.6圖像投影重建反投影重建法第二步（secondguess）021303331(0+1)5(2+3)1(0+1)5(2+3)+1(0+1)8(5+3)4(1+3)8(5+3)第三十九頁，共八十一頁，2022年，8月28日5.6圖像投影重建反投影重建法第三步（thirdguess）021322443(2+1)10(2+8)8(4+4)12(4+8+1(0+1)8(5+3)4(1+3)8(5+3第四十頁，共八十一頁，2022年，8月28日5.6圖像投影重建反投影重建法第四步（fourthguess）021332133(2+1)10(2+8)8(4+4)12(4+8+6(3+3)12(2+10)9(1+8)15(3+12）第四十一頁，共八十一頁，2022年，8月28日5.6圖像投影重建反投影重建法6129150213所有反投影的和0/36/33/39/36-612-69-615-606390213第四十二頁，共八十一頁，2022年，8月28日5.6圖像投影重建反投影重建法缺點：星狀偽影000010000原始圖像1/n1/n1/n1/n11/n1/n1/n1/n重構圖像中心點A經n條投影線投影后，投影值均為1：

p1=p2=...=pn=1因此重建后而其他點均為1/n：這類偽跡成為星狀偽影第四十三頁，共八十一頁，2022年，8月28日5.6圖像投影重建反投影重建法缺點：星狀偽影星狀偽影第四十四頁，共八十一頁，2022年，8月28日5.6圖像投影重建反投影重建法缺點：圖像模糊圖像產生模糊第四十五頁，共八十一頁，2022年，8月28日5.6圖像投影重建傅里葉切片定理（中心切片定理）物體空間f(x,y)Radon空間gθ(R)傅立葉空間F(ρ,θ)RR-1F1F2F2-1中心切片定理指出：f(x,y)在某一方向上的投影函數gθ(R)的一維傅立葉變換函數Gθ(ρ)是原函數f(x,y)的二維傅立葉變換函數F(ρ,θ)在(ρ,θ)平面上沿同一方向且過原點的直線上的值。第四十六頁，共八十一頁，2022年，8月28日5.6圖像投影重建傅里葉切片定理（中心切片定理）投影函數的數學表達式：f(x,y)的二維傅立葉變換：第四十七頁，共八十一頁，2022年，8月28日5.6圖像投影重建傅里葉變換法2DIFT空間域頻域1DFT插值第四十八頁，共八十一頁，2022年，8月28日5.6圖像投影重建濾波反投影法目標函數

f(x,y)可由傅立葉函數F(u,v)的逆變換獲得，即第四十九頁，共八十一頁，2022年，8月28日5.6圖像投影重建濾波反投影法雅可比行列式頻域中的笛卡爾坐標與極坐標的關系為：

第五十頁，共八十一頁，2022年，8月28日5.6圖像投影重建濾波反投影法第五十一頁，共八十一頁，2022年，8月28日5.6圖像投影重建濾波反投影法Let:F(cos,sin)=P(,)

P(w,θ)為投影變換的一維傅里葉變換第五十二頁，共八十一頁，2022年，8月28日5.6圖像投影重建濾波反投影法第五十三頁，共八十一頁，2022年，8月28日5.6圖像投影重建濾波反投影法P(,)表示對應于角度的單位投影的傅立葉變換；里層的積分是P(,)||的逆傅立葉變換，記為g(t,)，在空間域，它表示單位投影被一頻域響應為||的函數做濾波運算，故稱之為濾波反投影1DFouriertransforminverse1DFouriertransformbackprojectionforallanglesfilter第五十四頁，共八十一頁，2022年，8月28日5.6圖像投影重建濾波反投影法1DFT空間域頻域1DIFT濾波器第五十五頁，共八十一頁，2022年，8月28日5.6圖像投影重建濾波反投影法中濾波器的選擇頻域中：濾波器||空間域中與其對應的濾波器為：將t＝0代入上式計算得到(0)，即曲線||以下的面積。當時，(0)，所以上式是無法直接計算的，必須另想它法，引入限帶函數（band-limitingfunction）第五十六頁，共八十一頁，2022年，8月28日5.6圖像投影重建濾波反投影法中濾波器的選擇濾波器是個無限頻帶的濾波函數,由于其積分是發散的,根據佩利--維納準則,這一理想濾波器是不可實現的。實際數值計算通常采用加窗的濾波函數。運用不同的窗函數可以得到不同的濾波器第五十七頁，共八十一頁，2022年，8月28日5.6圖像投影重建濾波反投影法中濾波器的選擇例如頻域濾波器第五十八頁，共八十一頁，2022年，8月28日5.6圖像投影重建濾波反投影法中濾波器的選擇Ram-Lak:矩形窗Shepp-Logan正弦窗Cosine:余弦窗Hamming:通用Hamming窗第五十九頁，共八十一頁，2022年，8月28日5.6圖像投影重建濾波反投影法中濾波器的選擇(a)圖為理想濾波器(b)圖為修正后濾波器亦理論上濾波器亦稱為Ramp濾波器，其高頻分量是無限延伸的，但實際實現時必須截斷處理，如圖(b)圖中虛線所示，相當于在帶寬之外突然衰減為零，在重建圖像的邊緣時會出現環狀震蕩條紋，稱之為Gibbs現象。為有效地消除此現象，我們需對Ramp濾波器稍作平滑處理，如將之與作卷積，得到Shepp-Logan濾波器；第六十頁，共八十一頁，2022年，8月28日5.6圖像投影重建濾波反投影法中濾波器的選擇平滑了圖像，損失了部分高頻信息Shepp-Logan濾波器第六十一頁，共八十一頁，2022年，8月28日5.6圖像投影重建濾波反投影法中濾波器的選擇Hamming濾波器降低了高頻噪聲,可得到Hamming濾波器和Hanning濾波器第六十二頁，共八十一頁，2022年，8月28日5.6圖像投影重建反投影重建算法的matlab實現I=iradon(R,theta)I=iradon(P,theta,interp,filter,frequency_scaling,output_size)[I,H]=iradon(...)DescriptionI=iradon(R,theta)reconstructstheimageIfromprojectiondatainthetwo-dimensionalarrayR.ThecolumnsofRareparallelbeamprojectiondata.iradonassumesthatthecenterofrotationisthecenterpointoftheprojections,whichisdefinedasceil(size(R,1)/2).thetadescribestheangles(indegrees)atwhichtheprojectionsweretaken.ItcanbeeitheravectorcontainingtheanglesorascalarspecifyingD_theta,theincrementalanglebetweenprojections.Ifthetaisavector,itmustcontainangleswithequalspacingbetweenthem.IfthetaisascalarspecifyingD_theta,theprojectionsweretakenatanglestheta=m*D_theta,wherem=0,1,2,...,size(R,2)-1.Iftheinputistheemptymatrix([]),D_thetadefaultsto180/size(R,2).第六十三頁，共八十一頁，2022年，8月28日5.6圖像投影重建反投影重建算法的matlab實現I=iradon(P,theta,interp,filter,frequency_scaling,output_size)specifiesparameterstouseintheinverseRadontransform.Yerpspecifiesthetypeofinterpolationtouseinthebackprojection.Theavailableoptionsarelistedinorderofincreasingaccuracyandcomputationalcomplexity.nearest:Nearest-neighborinterpolationLinear:Linearinterpolation(thedefault)spline:Splineinterpolationcubic:CubicinterpolationfromMATLAB5.第六十四頁，共八十一頁，2022年，8月28日5.6圖像投影重建反投影重建算法的matlab實現I=iradon(P,theta,interp,filter,frequency_scaling,output_size)specifiesparameterstouseintheinverseRadontransform.Yerpspecifiesthetypeofinterpolationtouseinthebackprojection.Theavailableoptionsarelistedinorderofincreasingaccuracyandcomputationalcomplexity.nearest:Nearest-neighborinterpolationLinear:Linearinterpolation(thedefault)spline:Splineinterpolationcubic:CubicinterpolationfromMATLAB5.第六十五頁，共八十一頁，2022年，8月28日5.6圖像投影重建反投影重建算法的matlab實現I=iradon(P,theta,interp,filter,frequency_scaling,output_size)specifiesparameterstouseintheinverseRadontransform.Youcanspecifyanycombinationofthelastfourarguments.iradonusesdefaultvaluesforanyoftheseargumentsthatyouomit.filterspecifiesthefiltertouseforfrequencydomainfiltering.filtercanbeanyofthestringsthatspecifystandardfilters.'Ram-Lak''Shepp-Logan''Cosine''Hamming''Hann''none'第六十六頁，共八十一頁，2022年，8月28日5.6圖像投影重建圖像重建exampleclear;closeall;clc;

g=phantom('ModifiedShepp-Logan',600);subplot(241);imshow(g,[]);title('originalimage')theta=0:0.5:179.5;[R,xp]=radon(g,theta);subplot(242);imshow(R,[]);title('Projectionimage')f1=iradon(R,theta,'none');subplot(243);imshow(f1,[]);title('ReconstructedImagewithbackprojection')f2=iradon(R,theta,'Ram-Lak');subplot(244);imshow(f2,[]);title('ReconstructedImagewithRam-Lakfilter')第六十七頁，共八十一頁，2022年，8月28日5.6圖像投影重建圖像重建examplef3=iradon(R,theta,'Shepp-Logan');subplot(245);imshow(f3,[]);title('ReconstructedImagewithShepp-Loganfilter')f4=iradon(R,theta,'Cosine');subplot(246);imshow(f4,[]);title('ReconstructedImagewithCosinefilter')f5=iradon(R,theta,'Hamming');subplot(247);imshow(f5,[]);title('ReconstructedImagewithHammingfilter')f6=iradon(R,theta,'Hann');subplot(248);imshow(f6,[]);title('ReconstructedImagewithHannfilter')第六十八頁，共八十一頁，2022年，8月28日5.6圖像投影重建第六十九頁，共八十一頁，2022年，8月28日5.6圖像投影重建扇形掃描重建成像幾何第七十頁，共八十一頁，2022年，8月28日5.6圖像投影重建扇形掃描重建扇束情況下的重建算法較為復雜，但實質沒有改變。可采用平行束情況下的算法實現，只需加以適當地修正即可重排算法:把一個視圖中采得的扇形數據重新組合成平行的

射線投影數據，然后采用平行束重建算法重建直接重建算法:不必數據重排，只需適當加權即可運用與平

行束類似的算法重建第七十一頁，共八十一頁，2022年，8月28日5.6圖像投影重建扇形束重建-

EA等角扇形束重建當同樣大小的探測器單元沿著中心為X射線焦點的弧排列時，就形成等角采樣扇形束的每一條射線可由β和γ確定，其中是射線與中心射線（假想的通過X射線源和等中心的直線）的夾角，稱為探測器角；是中心射線與y軸的夾角，稱為投影角第七十二頁，共八十一頁，2022年，8月28日5.6圖像投影重建扇形束重建-

EA等角扇形束重建投影乘以探測器角的余弦，濾波后的樣本隨著到光源的距離的增長而增長重建公式可由用(t,θ)坐標確定(γ,β)坐標上的每個樣本來得到。扇形投影中的投影樣本q(,)就轉化為平行投影中的投影樣本p(t,)

第七十三頁，共八十一頁，2022年，8月28日5.6圖像投影重建扇形投影和重建的matlab實現fanbeam：Fan-beamtransformSyntax:F=fanbeam(I,D)F=fanbeam(...,param1,val1,param1,val2,...)[F,fan_sensor_positions,fan_rotation_angles]=fanbeam(...)'FanRotationIncrement'--Positiverealscalarspecifyingtheincrementoftherotationangleofthefan-beamprojections.Measuredindegrees.Defaultvalueis1.'FanSensorGeometry'--Textstringspecifyinghowsensorsarepositioned.Validvaluesare'arc'or'line'.Inthe'arc'geometry,sensorsarespacedequallyalongacirculararc,Thisisthedefaultvalue.'FanSensorSpacing'--Positiverealscalarspecifyingthespacingofthefan-beamsensors.Interpretationofthevaluedependsonthesettingof'FanSensorGeometry'.If'FanSensorGeometry'issetto'arc'(thedefault),thevaluedefinestheangularspacingindegrees.Defaultvalueis1.If'FanSensorGeometry'is'line',thevaluespecifiesthelinearspacing.Defaultvalueis1.第七十四頁，共八十一頁，2022年，8月28日5.6圖像投影重建扇形投影和重建的matlab實現fanbeam：Fan-beamtransformSyntax:F=fanbeam(I,D)F=fanbeam(...,param1,val1,param1,val2,...)[F,fan_sensor_positions,fan_rotation_angles]=fanbeam(...)'FanRotationIncrement'--Positiverealscalarspecifyingtheincrementoftherotationangleofthefan-beamprojections.Measuredindegrees.Defaultvalueis1.'FanSensorGeometry'--Textstringspecifyinghowsensorsarepositioned.Validvaluesare'arc'or'line'.Inthe'arc'geometry,sensorsarespacedequallyalongacirculararc,Thisisthedefaultvalue.第七十五頁，共八十一頁，2022年，8月28日5.6圖像投影重建扇形投影和重建的matlab實現ifanbeam：Inversefan-beamtransformSyntax：I=ifanbeam(F,D)I=ifanbeam(...,param1,val1,param2,val2,...)[I,H]=ifanbeam(...)fan2para:Convertfan-beamprojectionstoparallel-beamSyntax:P=fan2para(F,D)P=fan2para(...,param1,val1,param2,val2,...)[P,parallel_locations,parallel_rotation_angles]=fan2para(...)第七十六頁，共八十一頁，2022年，8月28日5.6圖像投影重建扇形投影和重建的matlab實現ifanbeam：Inversefan-beamtransformSyntax：I=ifanbeam(F,D)I=ifanbeam(...,param1,val1,param2,val2,...)[I,H]=ifanbeam(...)fan2para:Convertfan-beamprojectionstoparallel-beamSyntax:P=fan2para(F,D)P=fan2para(...,param1,val1,param2,val2,...)[P,parallel_locations,parallel_rotation_angles]=fan2para(...)para2fan:Convertparallel-beamprojectionstofan-beamSyntax:F=para2fan(P,D)I=para2fan(...,param1,val1,param2,val2,...)[F,fan_positions,fan_rotation_angles]=fan2para(...)第七十七頁，共八十一頁，2022年，8月28日5.6