CN113409183A - 一种基于gpu的快速重建成像方法 - Google Patents

Abstract

本发明涉及一种基于GPU的快速重建成像方法，包括，S01，设置初始预设图像；S02，将获得图像进行初步重建，并将重建的图像与预设图像进行对比，获取图像差异区域；S03，根据差异的程度，分配线程，进行图像二次重建；S04，对重建的图像进行迭代重建，获取精准图像。本发明通过CPU对重建图像与预设图像拆分成数量相等的空间块，并针对每一组位置相对应的空间块单独进行对比，获取空间块的差异度信息；CPU对各空间块的差异度信息进行整合，根据差异度的大小进行线程与算力分配，以进行图像迭代重建；通过设置预设图像进行对比，使得加快图像的评判速度，从而提升重建速度。

Description

一种基于GPU的快速重建成像方法

技术领域

本发明涉及图像重建技术领域，尤其涉及一种基于GPU的快速重建成像方法。

背景技术

作为二十一世纪影响人类发展的十大技术之一，计算机断层成像技术是一种在各个角度下利用X射线穿透物体得到的投影信息反求物体密度分布的成像技术。该技术的主要理论是数学和核物理学，在此基础上又集成了自动控制技术、计算机技术和探测器技术等多个学科，且其已广泛应用于各个重要领域，如生物研究、医疗诊断、公共安全、工业检测，国防建设等，尤其是作为获取人体内部结构信息的最佳手段在临床诊断中应用。但是，在当前的图像重建技术中，图像重建算法复杂度高，重建时间长，无法满足实时重建的需求。

发明内容

为此，本发明提供一种基于GPU的快速重建成像方法，用以克服现有技术中图像重建算法复杂度高导致重建时间长的问题。

为实现上述目的，本发明提供一种基于GPU的快速重建成像方法，包括，

S01，设置初始预设图像；

S02，将获得图像进行初步重建，并将重建的图像与预设图像进行对比，获取图像差异区域；

S03，根据差异的程度，分配线程，进行图像二次重建；

S04，对重建的图像进行迭代重建，获取精准图像；

在进行图像重建过程中，设置x个并联GPU进行图像重建，设置一个CPU进行数据判断与线程分配，设置储存模块进行数据存储；各所述GPU按照设置顺序分为第1GPU,第2GPU，…第xGPU，其中x≥2；

所述储存模块设有预设图像，各所述GPU对图像进行初次重建，并将重建后的图像传递至所述CPU，CPU对重建图像的空间大小进行调节，使其与预设图像的大小相等；

所述CPU将重建图像与预设图像拆分成数量相等的空间块，并针对每一组位置相对应的空间块单独进行对比，获取空间块的差异度信息；

所述CPU对各所述空间块的差异度信息进行整合，根据差异度的大小进行线程与算力分配，以进行图像迭代重建；

对于单个空间块的差异度，所述CPU内设有异度评价参数，当单个空间块的差异度达标时，所述CPU不对其分配算力。

进一步地，在上述步骤S01中，向所述储存模块内设置预设图像Kz；

在上述步骤S02中，各所述GPU对接收到的待重建数据进行初步重建，生成初步图像K1并将生成的图像传递至所述CPU，所述CPU将初步图像K1与预设图像Kz进行一次对比，所述CPU获取预设图像Kz的长度L1，宽度L2，高度L3；

所述CPU对初步图像K1的大小进行调节使初步图像K1长度为L1,宽度L2，高度L3。

进一步地，所述CPU内设置有三维直角坐标系，CPU将初步图像K1投放至三维直角坐标系中使得初步图像K1长度方向与坐标系X轴方向重合，宽度方向与坐标系Y轴方向重合，高度方向与坐标系Z轴方向重合;

所述CPU对初步图像K1进行分割，将图像K1沿X轴分割为n1块，沿Y轴分割为n2块，沿Z轴分割为n3块，

所述CPU将预设图像Kz按照初步图像K1的投放方法同样投放至三维直角坐标系中，并对预设图像Kz进行相同分割；

所述CPU对投放的初步图像K1进行整理，生成初步图像K1空间块矩阵A1，对于A1{a₁b₁c₁,a₂b₁c₁,a₃b₁c₁,…a_n1b₁c₁,a_n1b₂c₁,a_n1b₃c₁,…a_n1b_n2c₁,a_n1b_n2c₂,a_n1b_n2c₃,… a_n1b_n2c_n3}，对于任一空间块a_ib_jc_k表示位于沿X轴方向第i、沿Y轴方向第j、沿Z轴方向第k块的空间块，i=1，2，3…n1，j=1，2，3…n2，k=1，2，3…n3；

所述CPU对投放的预设图像Kz进行整理，生成初步图像K1空间块矩阵Az，对于Az{p₁q₁r₁,p₂q₁r₁,p₃q₁r₁,…p_n1q₁r₁,p_n1q₂r₁,p_n1q₃r₁,…p_n1q_n2r₁,p_n1q_n2r₂,p_n1q_n2r₃,… p_n1q_n2r_n3}，对于任意空间块p_iq_jr_k表示位于沿X轴方向第i、沿Y轴方向第j、沿Z轴方向第k块的空间块。

进一步地，所述CPU从空间块矩阵A1中选取空间块a₁b₁c₁对其进行投影，获取空间块a₁b₁c₁沿X轴方向投影Bx1，沿Y轴方向投影By1，沿Z轴方向投影Bz1，同时，所述CPU从空间块矩阵Az中选取空间块p₁q₁r₁对其进行投影，获取空间块p₁q₁r₁沿X轴方向投影Cx1，沿Y轴方向投影Cy1，沿Z轴方向投影Cz1;

对于投影Bx1，所述CPU获取图像起始点位于Y-Z平面的起始点位置与终止点位置，并进行连接生成线段Ex1;

对于投影By1，所述CPU获取图像起始点位于X-Z平面的起始点位置与终止点位置，并进行连接生成线段Ey1;

对于投影Bz1，所述CPU获取图像起始点位于X-Y平面的起始点位置与终止点位置，并进行连接生成线段Ez1;

对于投影Cx1，所述CPU获取图像起始点位于Y-Z平面的起始点位置与终止点位置，并进行连接生成线段Cx1;

对于投影Cy1，所述CPU获取图像起始点位于X-Z平面的起始点位置与终止点位置，并进行连接生成线段Cy1;

对于投影Cz1，所述CPU获取图像起始点位于X-Y平面的起始点位置与终止点位置，并进行连接生成线段Cz1。

进一步地，所述CPU将线段Ex1和线段Cx1进行对比，所述CPU内设有对比函数f（d,e）,当d= Ex1，e=Cx1时，有

其中，∠（Ex1，Cx1）表示线段Ex1和线段Cx1在Y-Z平面内的角度θx1，∥（Ex1，Cx1）表示线段Ex1和线段Cx1在Y-Z平面内的水平距离αx1，⊥（Ex1，Cx1）表示线段Ex1和线段Cx1在Y-Z平面内的垂直距离βx1，Δ（Ex1，Cx1）表示线段Ex1和线段Cx1在Y-Z平面内的长度距离差γx1；

所述CPU计算空间块a₁b₁c₁与空间块p₁q₁r₁在Y-Z平面的差异度Px1，Px1=θx1×R1+αx1×R2+βx1×R3+γx1×R4，其中，R1为θx1对差异度Px1计算的权重参数，R2为αx1对差异度Px1计算的权重参数，R3为βx1对差异度Px1计算的权重参数，R4为γx1对差异度Px1计算的权重参数。

进一步地，所述CPU按照上述计算空间块a₁b₁c₁与空间块p₁q₁r₁在Y-Z平面的差异度Px1的方式计算空间块a₁b₁c₁与空间块p₁q₁r₁在X-Z平面的差异度Py1和空间块a₁b₁c₁与空间块p₁q₁r₁在X-Y平面的差异度Pz1。

进一步地，所述CPU计算空间块a₁b₁c₁与空间块p₁q₁r₁的整体差异度Q111,Q111=Px1×s1+Py1×s2+Pz1×s3，其中，s1为Px1对整体差异度Q111评价参数，s2为Py1对整体差异度Q111评价参数，s3为Pz1对整体差异度Q111评价参数。

进一步地，所述CPU内设有第一差异度评价参数Qz1，CPU将整体差异度Q111与评价参数Qz1进行对比，

当Q111≥Qz1时，所述CPU判定空间块a₁b₁c₁与空间块p₁q₁r₁差异过大，在二次重建时加大空间块a₁b₁c₁的计算线程；

当Q111＜Qz1时，所述CPU判定空间块a₁b₁c₁与空间块p₁q₁r₁差异过小，在二次重建时不对空间块a₁b₁c₁重建。

进一步地，所述CPU按照上述计算空间块a₁b₁c₁与空间块p₁q₁r₁的整体差异度Q111方法计算其他各空间块的差异度，并生成差异度矩阵Q0,Q0(Q111,Q211,Q311,…Qn1n2n3)；

所述CPU对矩阵Q0内进行从大到小排序，统计矩阵Q0中需要重建的数量N,所述CPU选取矩阵Q0中前30%N的数据，均分GPU线程总数的60%的算力进行二次重建。

进一步地，所述CPU将需要重建的数量N与生成的整体差异度总个数Nz进行对比，Nz=n1×n2×n3，

当N≤0.2Nz时，所述CPU判定在第一差异度评价参数Qz1下评判合格；

当N＞0.2Nz时，所述CPU判定在第一差异度评价参数Qz1下评判不合格；

当所述CPU判定在第一差异度评价参数Qz1下评判不合格时，所述CPU控制所述GPU对图像进行迭代重建，直至N≤0.2Nz；

当所述CPU判定在第一差异度评价参数Qz1下评判合格时，CPU将各所述空间块的整体差异度与第二差异度评价参数Qz2进行对比，重复上述迭代重建操作，直至在第二差异度评价参数Qz2条件下有N≤0.2Nz，所述CPU判定图像重建完成，其中Qz1＞Qz2。

与现有技术相比，本发明的有益效果在于，所述储存模块设有预设图像，各所述GPU对图像进行初次重建，并将重建后的图像传递至所述CPU，CPU对重建图像的空间大小进行调节，使其与预设图像的大小相等；所述CPU对重建图像与预设图像拆分成数量相等的空间块，并针对每一组位置相对应的空间块单独进行对比，获取空间块的差异度信息；所述CPU对各所述空间块的差异度信息进行整合，根据差异度的大小进行线程与算力分配，以进行图像迭代重建；通过设置预设图像进行对比，使得加快图像的评判速度，从而提升重建速度。

尤其，所述CPU对初步图像K1进行分割，将图像K1沿X轴分割为n1块，沿Y轴分割为n2块，沿Z轴分割为n3块，对生成的图像进行拆分，进行区域对比，精确对比，进一步加快提升重建速度。

进一步地，所述CPU计算空间块a₁b₁c₁与空间块p₁q₁r₁在Y-Z平面的差异度Px1，Px1=θx1×R1+αx1×R2+βx1×R3+γx1×R4，其中，R1为θx1对差异度Px1计算的权重参数，R2为αx1对差异度Px1计算的权重参数，R3为βx1对差异度Px1计算的权重参数，R4为γx1对差异度Px1计算的权重参数；通过对单个空间块的空间投影，计算平面的差异度，从而提升差异度计算精度，进而减少图像重建时间；

进一步地，所述CPU按照上述方式计算空间块a₁b₁c₁与空间块p₁q₁r₁在Y-Z平面的差异度Px1的方式计算空间块a₁b₁c₁与空间块p₁q₁r₁在X-Z平面的差异度Py1和空间块a₁b₁c₁与空间块p₁q₁r₁在X-Y平面的差异度Pz1；所述CPU计算空间块a₁b₁c₁与空间块p₁q₁r₁的整体差异度Q111,Q111=Px1×s1+Py1×s2+Pz1×s3，其中，s1为Px1对整体差异度Q111评价参数，s2为Py1对整体差异度Q111评价参数，s3为Pz1对整体差异度Q111评价参数。对于不同的平面赋予不同的权重参数，进而提升差异度计算精度，进而减少图像重建时间。

进一步地，所述CPU内设有第一差异度评价参数Qz1，CPU将整体差异度Q111与评价参数Qz1进行对比，当Q111≥Qz1时，所述CPU判定空间块a₁b₁c₁与空间块p₁q₁r₁差异过大，在二次重建时加大空间块a₁b₁c₁的计算线程；当Q111＜Qz1时，所述CPU判定空间块a₁b₁c₁与空间块p₁q₁r₁差异过小，在二次重建时不对空间块a₁b₁c₁重建；当单个空间块的差异度过小时，不对其进行迭代重建，减少迭代时算力，为差异度大的空间块提供更大的算力，进而减少图像重建时间。

尤其，所述CPU对矩阵Q0内进行从大到小排序，统计矩阵Q0中需要重建的数量N,所述CPU选取矩阵Q0中前30%N的数据，均分GPU线程总数的60%的算力进行二次重建。对需要重建的数据进行重点算力分配，进而减少图像重建时间。

进而，当所述CPU判定在第一差异度评价参数Qz1下评判合格时，CPU将各所述空间块的整体差异度与第二差异度评价参数Qz2进行对比，重复上述迭代重建操作，直至在第二差异度评价参数Qz2条件下有N≤0.2Nz，所述CPU判定图像重建完成，Qz1＞Qz2。当大多数空间块的差异度达标后，降低评价参数的数值，提升重建能力。

附图说明

图1为本发明所述基于GPU的快速重建成像方法的流程图。

具体实施方式

为了使本发明的目的和优点更加清楚明白，下面结合实施例对本发明作进一步描述；应当理解，此处所描述的具体实施例仅仅用于解释本发明，并不用于限定本发明。

下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非在限制本发明的保护范围。

需要说明的是，在本发明的描述中，术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方向或位置关系的术语是基于附图所示的方向或位置关系，这仅仅是为了便于描述，而不是指示或暗示所述装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

此外，还需要说明的是，在本发明的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域技术人员而言，可根据具体情况理解上述术语在本发明中的具体含义。

请参阅图1所示，其为本发明所述基于GPU的快速重建成像方法的流程图。

本发明公布一种基于GPU的快速重建成像方法，包括，

S01，设置初始预设图像；

S02，将获得图像进行初步重建，并将重建的图像与预设图像进行对比，获取图像差异区域；

S03，根据差异的程度，分配线程，进行图像二次重建；

S04，对重建的图像进行迭代重建，获取精准图像；

在进行图像重建过程中，设置x个并联GPU进行图像重建，设置一个CPU进行数据判断与线程分配，设置储存模块进行数据存储；各所述GPU按照设置顺序分为第1GPU,第2GPU，…第xGPU，其中x≥2；

通过设置预设图像进行对比，使得加快图像的评判速度，从而提升重建速度。

在上述步骤S01中，向所述储存模块内设置预设图像Kz；

在上述步骤S02中，各所述GPU对接收到的待重建数据进行初步重建，生成初步图像K1并将生成的图像传递至所述CPU，所述CPU将初步图像K1与预设图像Kz进行一次对比，所述CPU获取预设图像Kz的长度L1，宽度L2，高度L3；

所述CPU对初步图像K1的大小进行调节使初步图像K1长度为L1,宽度L2，高度L3;

所述CPU内设置有三维直角坐标系，CPU将初步图像K1投放至三维直角坐标系中使得初步图像K1长度方向与坐标系X轴方向重合，宽度方向与坐标系Y轴方向重合，高度方向与坐标系Z轴方向重合;

所述CPU对初步图像K1进行分割，将图像K1沿X轴分割为n1块，沿Y轴分割为n2块，沿Z轴分割为n3块。

对生成的图像进行拆分，进行区域对比，精确对比，进一步加快提升重建速度。

具体而言，所述CPU将预设图像Kz按照初步图像K1的投放方法同样投放至三维直角坐标系中，并对预设图像Kz进行相同分割；

所述CPU对投放的初步图像K1进行整理，生成初步图像K1空间块矩阵A1，对于A1{a₁b₁c₁,a₂b₁c₁,a₃b₁c₁,…a_n1b₁c₁,a_n1b₂c₁,a_n1b₃c₁,…a_n1b_n2c₁,a_n1b_n2c₂,a_n1b_n2c₃,… a_n1b_n2c_n3}，对于任一空间块a_ib_jc_k表示位于沿X轴方向第i、沿Y轴方向第j、沿Z轴方向第k块的空间块，i=1，2，3…n1，j=1，2，3…n2，k=1，2，3…n3；

所述CPU对投放的预设图像Kz进行整理，生成初步图像K1空间块矩阵Az，对于Az{p₁q₁r₁,p₂q₁r₁,p₃q₁r₁,…p_n1q₁r₁,p_n1q₂r₁,p_n1q₃r₁,…p_n1q_n2r₁,p_n1q_n2r₂,p_n1q_n2r₃,… p_n1q_n2r_n3}，对于任意空间块p_iq_jr_k表示位于沿X轴方向第i、沿Y轴方向第j、沿Z轴方向第k块的空间块。

具体而言，所述CPU从空间块矩阵A1中选取空间块a₁b₁c₁对其进行投影，获取空间块a₁b₁c₁沿X轴方向投影Bx1，沿Y轴方向投影By1，沿Z轴方向投影Bz1，同时，所述CPU从空间块矩阵Az中选取空间块p₁q₁r₁对其进行投影，获取空间块p₁q₁r₁沿X轴方向投影Cx1，沿Y轴方向投影Cy1，沿Z轴方向投影Cz1;

对于投影Bx1，所述CPU获取图像起始点位于Y-Z平面的起始点位置与终止点位置，并进行连接生成线段Ex1;

对于投影By1，所述CPU获取图像起始点位于X-Z平面的起始点位置与终止点位置，并进行连接生成线段Ey1;

对于投影Bz1，所述CPU获取图像起始点位于X-Y平面的起始点位置与终止点位置，并进行连接生成线段Ez1;

对于投影Cx1，所述CPU获取图像起始点位于Y-Z平面的起始点位置与终止点位置，并进行连接生成线段Cx1;

对于投影Cy1，所述CPU获取图像起始点位于X-Z平面的起始点位置与终止点位置，并进行连接生成线段Cy1;

对于投影Cz1，所述CPU获取图像起始点位于X-Y平面的起始点位置与终止点位置，并进行连接生成线段Cz1;

所述CPU将线段Ex1和线段Cx1进行对比，所述CPU内设有对比函数f（d,e）,当d=Ex1，e=Cx1时，有

其中，∠（Ex1，Cx1）表示线段Ex1和线段Cx1在Y-Z平面内的角度θx1，∥（Ex1，Cx1）表示线段Ex1和线段Cx1在Y-Z平面内的水平距离αx1，⊥（Ex1，Cx1）表示线段Ex1和线段Cx1在Y-Z平面内的垂直距离βx1，Δ（Ex1，Cx1）表示线段Ex1和线段Cx1在Y-Z平面内的长度距离差γx1；

具体而言，所述CPU计算空间块a₁b₁c₁与空间块p₁q₁r₁在Y-Z平面的差异度Px1，Px1=θx1×R1+αx1×R2+βx1×R3+γx1×R4，其中，R1为θx1对差异度Px1计算的权重参数，R2为αx1对差异度Px1计算的权重参数，R3为βx1对差异度Px1计算的权重参数，R4为γx1对差异度Px1计算的权重参数；

通过对单个空间块的空间投影，计算平面的差异度，从而提升差异度计算精度，进而减少图像重建时间；

具体而言，所述CPU按照上述计算空间块a₁b₁c₁与空间块p₁q₁r₁在Y-Z平面的差异度Px1的方式计算空间块a₁b₁c₁与空间块p₁q₁r₁在X-Z平面的差异度Py1和空间块a₁b₁c₁与空间块p₁q₁r₁在X-Y平面的差异度Pz1；

所述CPU计算空间块a₁b₁c₁与空间块p₁q₁r₁的整体差异度Q111,Q111=Px1×s1+Py1×s2+Pz1×s3，其中，s1为Px1对整体差异度Q111评价参数，s2为Py1对整体差异度Q111评价参数，s3为Pz1对整体差异度Q111评价参数。

对于不同的平面赋予不同的权重参数，进而提升差异度计算精度，进而减少图像重建时间。

所述CPU内设有第一差异度评价参数Qz1，CPU将整体差异度Q111与评价参数Qz1进行对比，

当Q111≥Qz1时，所述CPU判定空间块a₁b₁c₁与空间块p₁q₁r₁差异过大，在二次重建时加大空间块a₁b₁c₁的计算线程；

当Q111＜Qz1时，所述CPU判定空间块a₁b₁c₁与空间块p₁q₁r₁差异过小，在二次重建时不对空间块a₁b₁c₁重建；

当单个空间块的差异度过小时，不对其进行迭代重建，减少迭代时算力，为差异度大的空间块提供更大的算力，进而减少图像重建时间；

具体而言，所述CPU按照上述计算空间块a₁b₁c₁与空间块p₁q₁r₁的整体差异度Q111方法计算其他各空间块的差异度，并生成差异度矩阵Q0,Q0(Q111,Q211,Q311,…Qn1n2n3)；

所述CPU对矩阵Q0内进行从大到小排序，统计矩阵Q0中需要重建的数量N,所述CPU选取矩阵Q0中前30%N的数据，均分GPU线程总数的60%的算力进行二次重建。

对需要重建的数据进行重点算力分配，进而减少图像重建时间。

具体而言，所述CPU将需要重建的数量N与生成的整体差异度总个数Nz进行对比，Nz=n1×n2×n3，

当N≤0.2Nz时，所述CPU判定在第一差异度评价参数Qz1下评判合格；

当N＞0.2Nz时，所述CPU判定在第一差异度评价参数Qz1下评判不合格；

具体而言，当所述CPU判定在第一差异度评价参数Qz1下评判不合格时，所述CPU控制所述GPU对图像进行迭代重建，直至N≤0.2Nz；

当所述CPU判定在第一差异度评价参数Qz1下评判合格时，CPU将各所述空间块的整体差异度与第二差异度评价参数Qz2进行对比，重复上述迭代重建操作，直至在第二差异度评价参数Qz2条件下有N≤0.2Nz，所述CPU判定图像重建完成，Qz1＞Qz2。

当大多数空间块的差异度达标后，降低评价参数的数值，提升重建能力。

至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

以上所述仅为本发明的优选实施例，并不用于限制本发明；对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于GPU的快速重建成像方法，其特征在于，包括，

S01，设置初始预设图像；

S02，将获得图像进行初步重建，并将重建的图像与预设图像进行对比，获取图像差异区域；

S03，根据差异的程度，分配线程，进行图像二次重建；

S04，对重建的图像进行迭代重建，获取精准图像；

在进行图像重建过程中，设置x个并联GPU进行图像重建，设置一个CPU进行数据判断与线程分配，设置储存模块进行数据存储；各所述GPU按照设置顺序分为第1GPU,第2GPU，…第xGPU，其中x≥2；

所述储存模块设有预设图像，各所述GPU对图像进行初次重建，并将重建后的图像传递至所述CPU，CPU对重建图像的空间大小进行调节，使其与预设图像的大小相等；

所述CPU将重建图像与预设图像拆分成数量相等的空间块，并针对每一组位置相对应的空间块单独进行对比，获取空间块的差异度信息；

所述CPU对各所述空间块的差异度信息进行整合，根据差异度的大小进行线程与算力分配，以进行图像迭代重建；

对于单个空间块的差异度，所述CPU内设有异度评价参数，当单个空间块的差异度达标时，所述CPU不对其分配算力。

2.根据权利要求1所述的基于GPU的快速重建成像方法，其特征在于，在上述步骤S01中，向所述储存模块内设置预设图像Kz；

在上述步骤S02中，各所述GPU对接收到的待重建数据进行初步重建，生成初步图像K1并将生成的图像传递至所述CPU，所述CPU将初步图像K1与预设图像Kz进行一次对比，所述CPU获取预设图像Kz的长度L1，宽度L2，高度L3；

所述CPU对初步图像K1的大小进行调节使初步图像K1长度为L1,宽度L2，高度L3。

3.根据权利要求2所述的基于GPU的快速重建成像方法，其特征在于，所述CPU内设置有三维直角坐标系，CPU将初步图像K1投放至三维直角坐标系中使得初步图像K1长度方向与坐标系X轴方向重合，宽度方向与坐标系Y轴方向重合，高度方向与坐标系Z轴方向重合;

所述CPU对初步图像K1进行分割，将图像K1沿X轴分割为n1块，沿Y轴分割为n2块，沿Z轴分割为n3块，

所述CPU将预设图像Kz按照初步图像K1的投放方法同样投放至三维直角坐标系中，并对预设图像Kz进行相同分割；

所述CPU对投放的初步图像K1进行整理，生成初步图像K1空间块矩阵A1，对于A1{a₁b₁c₁,a₂b₁c₁,a₃b₁c₁,…a_n1b₁c₁,a_n1b₂c₁,a_n1b₃c₁,…a_n1b_n2c₁,a_n1b_n2c₂,a_n1b_n2c₃,… a_n1b_n2c_n3}，对于任一空间块a_ib_jc_k表示位于沿X轴方向第i、沿Y轴方向第j、沿Z轴方向第k块的空间块，i=1，2，3…n1，j=1，2，3…n2，k=1，2，3…n3；

所述CPU对投放的预设图像Kz进行整理，生成初步图像K1空间块矩阵Az，对于Az{p₁q₁r₁,p₂q₁r₁,p₃q₁r₁,…p_n1q₁r₁,p_n1q₂r₁,p_n1q₃r₁,…p_n1q_n2r₁,p_n1q_n2r₂,p_n1q_n2r₃,… p_n1q_n2r_n3}，对于任意空间块p_iq_jr_k表示位于沿X轴方向第i、沿Y轴方向第j、沿Z轴方向第k块的空间块。

4.根据权利要求3所述的基于GPU的快速重建成像方法，其特征在于，所述CPU从空间块矩阵A1中选取空间块a₁b₁c₁对其进行投影，获取空间块a₁b₁c₁沿X轴方向投影Bx1，沿Y轴方向投影By1，沿Z轴方向投影Bz1，同时，所述CPU从空间块矩阵Az中选取空间块p₁q₁r₁对其进行投影，获取空间块p₁q₁r₁沿X轴方向投影Cx1，沿Y轴方向投影Cy1，沿Z轴方向投影Cz1;

对于投影Bx1，所述CPU获取图像起始点位于Y-Z平面的起始点位置与终止点位置，并进行连接生成线段Ex1;

对于投影By1，所述CPU获取图像起始点位于X-Z平面的起始点位置与终止点位置，并进行连接生成线段Ey1;

对于投影Bz1，所述CPU获取图像起始点位于X-Y平面的起始点位置与终止点位置，并进行连接生成线段Ez1;

对于投影Cx1，所述CPU获取图像起始点位于Y-Z平面的起始点位置与终止点位置，并进行连接生成线段Cx1;

对于投影Cy1，所述CPU获取图像起始点位于X-Z平面的起始点位置与终止点位置，并进行连接生成线段Cy1;

对于投影Cz1，所述CPU获取图像起始点位于X-Y平面的起始点位置与终止点位置，并进行连接生成线段Cz1。

5.根据权利要求4所述的基于GPU的快速重建成像方法，其特征在于，所述CPU将线段Ex1和线段Cx1进行对比，所述CPU内设有对比函数f（d,e）,当d= Ex1，e=Cx1时，有

其中，∠（Ex1，Cx1）表示线段Ex1和线段Cx1在Y-Z平面内的角度θx1，∥（Ex1，Cx1）表示线段Ex1和线段Cx1在Y-Z平面内的水平距离αx1，⊥（Ex1，Cx1）表示线段Ex1和线段Cx1在Y-Z平面内的垂直距离βx1，Δ（Ex1，Cx1）表示线段Ex1和线段Cx1在Y-Z平面内的长度距离差γx1；

所述CPU计算空间块a1b1c1与空间块p1q1r1在Y-Z平面的差异度Px1，Px1=θx1×R1+αx1×R2+βx1×R3+γx1×R4，其中，R1为θx1对差异度Px1计算的权重参数，R2为αx1对差异度Px1计算的权重参数，R3为βx1对差异度Px1计算的权重参数，R4为γx1对差异度Px1计算的权重参数。

6.根据权利要求5所述的基于GPU的快速重建成像方法，其特征在于，所述CPU按照上述计算空间块a₁b₁c₁与空间块p₁q₁r₁在Y-Z平面的差异度Px1的方式计算空间块a₁b₁c₁与空间块p₁q₁r₁在X-Z平面的差异度Py1和空间块a₁b₁c₁与空间块p₁q₁r₁在X-Y平面的差异度Pz1。

7.根据权利要求6所述的基于GPU的快速重建成像方法，其特征在于，所述CPU计算空间块a₁b₁c₁与空间块p₁q₁r₁的整体差异度Q111,Q111=Px1×s1+Py1×s2+Pz1×s3，其中，s1为Px1对整体差异度Q111评价参数，s2为Py1对整体差异度Q111评价参数，s3为Pz1对整体差异度Q111评价参数。

8.根据权利要求7所述的基于GPU的快速重建成像方法，其特征在于，所述CPU内设有第一差异度评价参数Qz1，CPU将整体差异度Q111与评价参数Qz1进行对比，

当Q111≥Qz1时，所述CPU判定空间块a₁b₁c₁与空间块p₁q₁r₁差异过大，在二次重建时加大空间块a₁b₁c₁的计算线程；

当Q111＜Qz1时，所述CPU判定空间块a1b1c1与空间块p1q1r1差异过小，在二次重建时不对空间块a1b1c1重建。

9.根据权利要求8所述的基于GPU的快速重建成像方法，其特征在于，所述CPU按照上述计算空间块a₁b₁c₁与空间块p₁q₁r₁的整体差异度Q111方法计算其他各空间块的差异度，并生成差异度矩阵Q0,Q0(Q111,Q211,Q311,…Qn1n2n3)；

所述CPU对矩阵Q0内进行从大到小排序，统计矩阵Q0中需要重建的数量N,所述CPU选取矩阵Q0中前30%N的数据，均分GPU线程总数的60%的算力进行二次重建。

10.根据权利要求9所述的基于GPU的快速重建成像方法，其特征在于，所述CPU将需要重建的数量N与生成的整体差异度总个数Nz进行对比，Nz=n1×n2×n3，

当N≤0.2Nz时，所述CPU判定在第一差异度评价参数Qz1下评判合格；

当N＞0.2Nz时，所述CPU判定在第一差异度评价参数Qz1下评判不合格；

当所述CPU判定在第一差异度评价参数Qz1下评判不合格时，所述CPU控制所述GPU对图像进行迭代重建，直至N≤0.2Nz；

当所述CPU判定在第一差异度评价参数Qz1下评判合格时，CPU将各所述空间块的整体差异度与第二差异度评价参数Qz2进行对比，重复上述迭代重建操作，直至在第二差异度评价参数Qz2条件下有N≤0.2Nz，所述CPU判定图像重建完成，其中Qz1＞Qz2。

Images