圖像重建
關注創建者：Dustin_Qi 創建時間：2017-01-05
圖像重建的視頻教程
流體力學遇見深度學習：揭示微觀流動背后的智能力量
物理引導建模 卷積神經網絡（CNN）、圖神經網絡（GNN）在滲流模擬中的案例介紹 Physics-Informed Neural Networks (PINNs) 基本原理與結構解析 在多孔介質滲流與裂縫流動中的應用舉例 微觀結構構建與圖像處理方法 從CT圖像/圖像生成重建孔隙結構 數據集構建與預處理方法 案例分析與實操分享 AI輔助頁巖氣孔隙流模擬 智能建模在碳封存與地熱中的應用前景
￥9.9 41分鐘 45播放
查看
圖像重建的實例教程
目的尋求基于ＣＴＡ斷層圖像重建直腸及周圍結構數字模型及三維可視化的方法。方法基于空氣灌腸造影及 ＣＴＡ血管造影技術，６４排螺旋ＣＴ對胸１２至股骨中上部分沿橫斷面在動脈期及靜脈期連續跟蹤掃描。Ｍｉｍｉｃｓ軟件基 于８５６層Ｄｉｃｏｍ ３．０標準ＣＴ連續斷層二維圖像，分別對直腸及周圍結構等各種組織進行三維重建。結果建立直腸及 周圍結構三維數字模型。結論薄層ＣＴ掃描技術和Ｄｉｃｏｍ ３．０標準的應用使數字模型的建立更為精確，空氣灌腸造 影及ＣＴＡ血管造影技術方便建立腸管及血管結構，Ｍｉｍｉｃｓ軟件基于ＣＴ掃描圖像建立人體各種結構更為方便，獲得數 字模型可為解剖教學、手術培訓提供醫療教學平臺
基于CTA斷層圖像直腸及周圍結構數字模型的重建及三維可視化研究.pdf
展開 圖1 COMSOL&MATLAB聯合仿真模型
人工智能圖像重建
ET技術，在利用人工智能進行圖像重建方面展現出了巨大的潛力。這一技術結合了多種先進的算法和模型，其中包括機器學習中的徑向基函數（RBF）網絡和深度學習中的卷積神經網絡（CNN）。
徑向基函數（RBF）網絡是一種三層前向神經網絡，它通過徑向基函數作為隱單元的“基”，將低維的模式輸入數據變換到高維空間內，使得在低維空間內的線性不可分問題在高維空間內線性可分。RBF神經網絡結構簡單，訓練簡潔而且收斂速度快，能夠逼近任意非線性函數，因此在圖像重建等任務中具有獨特的優勢。
而卷積神經網絡（CNN）則是一種專門設計用于處理具有網格狀拓撲的數據的深度學習模型，它在圖像識別和理解方面表現出了卓越的能力。CNN通過多層結構，允許計算機自動提取輸入數據的特征，從而為圖像重建等任務提供可靠支持。CNN的核心是卷積層，它通過在輸入數據上滑動卷積核，分析數據的局部特征，隨著層數加深，網絡則能夠學習到更復雜的形態特征。
在人工智能圖像重建中，RBF和CNN等算法和模型被廣泛應用。它們能夠從低質量的圖像中提取出有用的信息，并通過學習和優化，生成高質量的重建圖像。這些技術不僅在圖像處理領域有著廣泛的應用，如醫學影像、監控攝像、衛星圖像等，還在自然語言處理、創意產業等多個領域發揮著重要作用。
總的來說，ET技術利用人工智能進行圖像重建，為圖像處理領域帶來了新的突破和進展。
展開 冷凍電鏡圖像重建是利用冷凍電鏡成像技術獲得的低分辨率圖像，通過計算機技術重建出生物大分子的高分辨率三維結構的技術。這種技術在生物學和材料科學等領域中得到了廣泛應用，特別是用于研究生物分子的結構。
冷凍電鏡圖像重建主要用途：
研究生物大分子的結構和功能：冷凍電鏡圖像重建可以提供生物大分子的原子級結構信息，從而幫助研究人員深入了解生物大分子的結構和功能。
設計和開發新藥：冷凍電鏡圖像重建可以幫助研究人員了解藥物與靶標分子的相互作用，從而設計和開發更有效的藥物。
診斷疾病：冷凍電鏡圖像重建可以幫助研究人員了解疾病相關蛋白質的結構和功能，從而開發新的診斷方法和治療方法。
冷凍電鏡圖像重建的關鍵算法：
圖像處理算法：用于對冷凍電鏡圖像進行預處理，包括噪聲濾波、圖像對齊、圖像配準等。
重建算法：用于從預處理后的圖像中重建出生物大分子的三維結構。常用的重建算法包括：
迭代重建算法：迭代地更新模型參數，直到達到收斂。
非迭代重建算法：直接計算模型參數，無需迭代。
后處理算法：用于對重建后的結構進行后處理，包括去噪、去模糊、去折疊等。
常用的冷凍電鏡圖像重建軟件：
§ EMAN2（Electron Microscopy ANalysis 2）：由美國能源部阿貢國家實驗室開發的軟件，是冷凍電鏡圖像重建領域最早的軟件之一。也是用于冷凍電鏡圖像處理的開源軟件。
§ IMOD（3D Image Modeling）：由美國斯坦福大學開發的軟件，是冷凍電鏡圖像重建領域最廣泛使用的軟件之一。是用于冷凍電鏡圖像處理的開源軟件。
展開 斷層掃描圖像的三維重建及快速原型制造
引言：
快速原型技術經過20多年的發展，已經發展得相當成熟。目前CT、MRI等斷層掃描技術在診斷方面應用相當廣泛。但是這些斷層掃描的圖片有其本身的局限性，二維圖片往往讓外科醫生不能很好的對病理進行分析。翻閱大量的序列斷層圖片，不及將這些圖片三維重建，將實體模型拿在手上進行分析得到的信息多。比利時Materialise公司開發的Mimics是連接斷層掃描圖片與快速原型制造的橋梁。
圖片的導入
針對目前標準的DICOM文件格式，Mimics提供了自動的導入功能。用戶只需要在導入向導的指引下就可以導入整個目錄下的文件或是部分文件。同時，還可以通過半自動的方式導入BMP和TIFF文件，手動的方式導入其他的文件。
組織的提取及三維重建
導入原始的斷層圖片后，MIMICS會自動計算生成冠狀面圖和矢狀面圖。Mimics用三個視圖來顯示這三個位置的圖片，并且這三個視圖是相會關聯的，可以通過鼠標和定位工具欄快速定位，如圖1所示。右上角的圖是原始的掃描圖像，左上角和下角是由原始橫斷面圖像計算生成的冠狀面和矢狀面圖像。紅線指示橫斷面圖像的位置，黃線指示冠狀面圖像的位置，綠線指示矢狀面位置。
圖1 Mimics的用戶界面
斷層圖片中，不同組織的灰度值不同，故此可以通過閾值來提取相應的組織，如圖2所示。
圖 2 設置恰當的閾值提取組織
從圖中可以看出，著色的象素其灰度值落在閾值之間，故其被提取。準確的設置閾值是提取組織的關鍵，閾值提取組織的時候，可以通過看圖，檢查提取的組織是否合適。圖3-A的閾值左區間設置得太低，故而提取了許多噪點。圖3-B的閾值左區間設置得太高，故而有許多骨組織丟失。
展開 圖2 聯合仿真求解結果（電勢與電場）
c) 靈敏度矩陣與EIT圖像重建
目標：構建基于場變量的靈敏度矩陣，實現電導率反演圖像，如圖3所示。
步驟：計算電場矢量分量 Ex/Ey/Ez；構造靈敏度矩陣 S；使用已知電導率 σ 和電壓向量 V 保存圖像重建所需數據。
實現方式：自定義 JacobianEIT3D 函數計算電場對σ的敏感性；圖像繪制調用 plotImage3 函數。
優化策略：支持不同時間點的 .mat 文件保存與模型快照，便于時序回放。
圖3 三維電阻抗斷層成像結果
三、公式與算法
心臟形變控制：
電流密度大小計算：
靈敏度矩陣構建（偽代碼）：
function S = JacobianEIT3D(Ex, Ey, Ez)
S = compute_field_divergence(Ex, Ey, Ez); % 對每一電場方向計算散度
end
電壓響應差分向量：
四、總結與擴展
總結：
建立了一個具有生理收縮模擬能力的三維心臟電阻抗仿真平臺；
結合 COMSOL 與 MATLAB，實現電極激勵、電壓測量與三維場重建的自動化；
輸出數據包括電導率分布、電場、電流密度與電壓向量，適用于反演重建或機器學習研究。
可擴展方向：
增加動態時間序列，進行全周期心臟運動的成像重建；
融合機器學習模型（如 U-Net、RA-UNet）基于靈敏度矩陣進行圖像反演；
擴展至病變模擬（如缺血區導電率變化）與干預策略仿真（如導管電刺激）。
最后，有相關仿真需求歡迎通過公眾號“320科技工作室”與我們聯絡。
展開 
圖像重建的最新內容
光譜成像技術如何重塑視覺邊界？13天前
但成本較高，技術復雜，圖像重建算法的理論和工程實現存在一定難度，目前的研究多數處于實驗室的仿真模擬和實驗階段。</strong>應用于動態場景檢測，如活體細胞代謝追蹤。
該系統在傳統光學系統孔徑處引入相位調制板，并結合數字圖像處理技術進行重建與解碼，可在遠超常規景深范圍的距離內實現實時清晰成像。樣機設計焦距為350mm，分辨率130萬像素，經外場試驗驗證，可對120m至5km距離的地面與空中目標成像，證明了其在復雜環境下的有效性。該系統減少了快速移動目標導致的成像延遲，顯著提升****能力，可確保在高強度**場景下對高機動多目標的快速探測。
硬件不再追求“完美成像”，而是與算法協同，從欠采樣的數據中重建圖像。
第四次躍遷（未來百年）：五維智能傳感時代。 這是第三次躍遷的自然延伸，但具有本質的不同——傳感器從被動的光記錄儀進化為主動的光理解器。它不再記錄光的樣子，而是直接提取光的本質：物質的化學指紋、表面應力狀態、透明物體的輪廓、動態過程的時間演化。[2]
1.2 為什么是這五個維度？
圖2 聯合仿真求解結果（電勢與電場）
c) 靈敏度矩陣與EIT圖像重建
目標：構建基于場變量的靈敏度矩陣，實現電導率反演圖像，如圖3所示。
步驟：計算電場矢量分量 Ex/Ey/Ez；構造靈敏度矩陣 S；使用已知電導率 σ 和電壓向量 V 保存圖像重建所需數據。
當周期性結構（例如光柵）被準直光照射時，在光柵后面以一定的規則間隔的位置可以觀察到其重建的圖像。這些平面之間的特定距離被稱為泰伯距離，以1836年首次觀察到這種效應的亨利·福克斯·泰伯命名。在這個例子中，我們演示了使用快速物理光學軟件VirtualLab Fusion對泰伯效應的建模。
這些設備的最終測試是在設備用戶的視網膜處獲得數字仿生圖像的良好重建。性能的這一方面通常通過調制傳遞函數（MTF）來表征，調制傳遞函數（MTF）量化成像系統的分辨率能力。
圖2 CMOS image sensor結構示意圖
參數化結構
"image sensor" 對象是一個參數化的結構組，每次更改其中一個參數時，它都會重建整個圖像傳感器。使用腳本以這種方式對復雜結構進行參數化對于reproducibility至關重要，并且使之后的參數掃描和優化易于在 GUI 中設置。
運行和結果
可以快速運行仿真，以確認結構繪制正確，并且可以獲得電場分布。
摘要：電阻抗成像（EIT）以低成本、實時性和無創性在醫學與工業領域具有廣泛前景，但其逆問題高度非線性、病態，導致成像質量與泛化性受限。本文面向兩條互補技術路線：一是條件擴散重建（CDEIT），直接以邊界電壓為條件，在端到端擴散反演中迭代生成電導率圖像；二是無監督敏感度先驗融合（SPfusion），在物理模型驅動解算中引入由擴散模型生成的非均勻敏感度先驗，以增強結構細節與穩健性。我們給出統一問題表述
上篇文章介紹了基于圖像進行混凝土細觀模型的幾何重構法，詳細步驟可查看下面的連接。
ABAQUS二維混凝土細觀模型的數字化重建技術(一)幾何重構
https://www.yqgqt.org.cn/post/1990726
本篇介紹二維混凝土細觀模型在ABAQUS
神經輻射場（NeRF）/高斯濺射（GS）技術的應用與驗證：NeRF/GS等神經渲染技術能夠從多視角圖像中重建出高逼真的三維場景，極大地提升了場景的真實感和重建效率[2]。但其置信度同樣需要嚴格驗證：
精度評估：通過與高精度激光掃描儀采集的地面真實點云進行對比，評估NeRF/GS重建場景的幾何精度（點云RMSE）[3].
