CN113989406A - 一种基于稀疏张量字典学习的层析γ扫描图像重建方法 - Google Patents
一种基于稀疏张量字典学习的层析γ扫描图像重建方法 Download PDFInfo
- Publication number
- CN113989406A CN113989406A CN202111615799.1A CN202111615799A CN113989406A CN 113989406 A CN113989406 A CN 113989406A CN 202111615799 A CN202111615799 A CN 202111615799A CN 113989406 A CN113989406 A CN 113989406A
- Authority
- CN
- China
- Prior art keywords
- tgs
- sparse
- tensor
- matrix
- measurement equation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000003325 tomography Methods 0.000 title claims description 4
- 238000005259 measurement Methods 0.000 claims abstract description 95
- 239000011159 matrix material Substances 0.000 claims abstract description 52
- 230000005540 biological transmission Effects 0.000 claims abstract description 31
- 238000007476 Maximum Likelihood Methods 0.000 claims abstract description 11
- 238000004587 chromatography analysis Methods 0.000 claims abstract description 9
- 238000006243 chemical reaction Methods 0.000 claims abstract description 4
- 239000002699 waste material Substances 0.000 claims description 18
- 230000000694 effects Effects 0.000 claims description 14
- 230000000875 corresponding effect Effects 0.000 claims description 12
- 230000005251 gamma ray Effects 0.000 claims description 12
- 239000002131 composite material Substances 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 4
- 230000002238 attenuated effect Effects 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 7
- 238000009412 basement excavation Methods 0.000 abstract description 4
- 230000007547 defect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009658 destructive testing Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 238000005025 nuclear technology Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002285 radioactive effect Effects 0.000 description 1
- 238000013432 robust analysis Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Measurement Of Radiation (AREA)
Abstract
本发明公开了一种基于稀疏张量字典学习的层析γ扫描图像重建方法,包括:建立TGS测量方程;将TGS测量方程改写成三阶张量格式;运用张量字典对TGS测量方程进行稀疏表示;对张量格式的TGS测量方程添加服从泊松分布的干扰噪声;将稀疏矩阵求解范数问题转化为求解其对应范数的最小值问题;采用K‑CPD算法对求解转换后的稀疏矩阵进行张量字典的学习和稀疏编码;使用最大似然估计方法估计出泊松分布的参数并重建层析γ扫描图像。本发明通过稀疏张量字典学习,实现了对庞大数据的降维和数据信息的深度挖掘,快速重建了透射图像和发射图像,提高了检测的效率及图像重建的精度。
Description
技术领域
本发明属于核废物包装体检测技术领域,具体地讲,是涉及一种基于稀疏张量字典学习的层析γ扫描图像重建方法。
背景技术
随着核能与核技术在各领域的应用,在核染料厂、核电厂、核废物处理厂等涉核单位,不断产生并积存了大量固体核废物,这些固体核废物往往储存在核废物包装体中,例如核废物桶和核废物钢箱中。由于核废物包装后不可拆卸,不允许进行破坏性测试,层析γ扫描技术(Tomographic Gamma Scanning, TGS)是目前针对核废物包装体无损检测的主要技术手段。通过γ射线对核废物包装体进行三维扫描,重建介质线衰减系数分布图像和核素活度分布图像,实现核素的定性、定量和定位分析。
常规层析γ扫描过程中,为保证全过程的自动化,通常根据核废物密度估计和透射源活度大小情况,提前预设单次测量时间为固定值,这往往会导致对非均匀介质的核废物测量时,在满足能谱数据统计涨落的前提下,密度小的介质由于透射率高,固定时间内的计数远高于密度大的介质,由此造成测量时间的浪费, 同时常规层析γ扫描未对数据进行降维及数据信息深度挖掘不足, 致使常规层析γ扫描系统检测效率低和图像重建精度低,在实际应用中面临技术瓶颈,应用受限, 因此,如何提高测量系统的检测效率及图像重建精度是目前TGS技术亟待解决的关键技术问题。
发明内容
为了克服现有技术中的上述不足,本发明提供一种通过对数据进行降维及数据信息深度挖掘,提高检测效率及图像重建精度的基于稀疏张量字典学习的层析γ扫描图像重建方法。
为了实现上述目的,本发明采用的技术方案如下:
一种基于稀疏张量字典学习的层析γ扫描图像重建方法,包括以下步骤:
S10: 通过TGS测量系统的γ射线对待测物进行扫描,获取TGS测量数据并建立TGS测量方程;
S20: 将TGS测量方程改写成三阶张量格式,即建立三阶张量计数矩阵;
S30: 运用张量字典对TGS测量方程进行稀疏表示;
S40: 对张量格式的TGS测量方程添加服从泊松分布的干扰噪声;
S60: 采用K-CPD算法对求解转换后的稀疏矩阵进行张量字典的学习和稀疏编码;
S70: 利用每次更新过后的残差作为复合分布的噪声分布,然后从噪声分布中使用最大似然估计方法估计出泊松分布的参数, 最后使用估计出的泊松分布参数重建层析γ扫描图像。
进一步地, 所述步骤S10中,TGS测量方程包括 TGS透射测量方程和TGS发射测量方程。
进一步地, 所述 TGS透射测量方程如下:
进一步地, 所述TGS发射测量方程如下:
进一步地, 所述步骤S20中,将TGS测量方程矩阵改写成三阶张量格式为:
式中:;;;
的维度为,表示有N个测量角度和N个测量位置;TGS图像的重建向
量为,t表示数据的维度;在透射测量中即为初始计数率和衰减后计数率
的比值,即为所求的下衰减系数矩阵,为衰减径迹长度矩阵,在发射测量中即为
特征能量γ射线计数率与其分支比的比值,即为包装体内核素活度,为衰减校正效
率矩阵,其中,定义为如下运算:
进一步地, 所述步骤S30运用张量字典对TGS测量方程进行稀疏表示包括如下步骤:
S302:基于三阶张量字典学习的TGS图像重建问题描述为:
进一步地, 所述步骤S40中对张量格式的TGS测量方程添加服从泊松分布的干扰噪声包括:
与现有技术相比,本发明具有以下有益效果:
(1)本发明通过将TGS测量方程改写成三阶张量格式,并运用张量字典对TGS测量方程进行稀疏表示,同时对张量格式的TGS测量方程添加服从泊松分布的干扰噪声,以及将稀疏矩阵求解范数问题转化为求解其对应范数Lp,q的最小值问题,进行张量字典的学习和稀疏编码,使用最大似然估计方法估计出泊松分布的参数等处理方法,实现了对庞大数据的降维和数据信息的深度挖掘,克服了传统的字典学习算法对纹理较多、介质分布杂乱的图像重建的不足,提高了检测的效率及图像重建的精度。
(2)本发明通过分别建立TGS透射测量方程和TGS发射测量方程,为稀疏张量字典学习提供了数学运算的基础。
(3)本发明通过将TGS测量方程改写成具体的三阶张量格式,以及给出了稀疏表示的步骤及公式,添加服从泊松分布的干扰噪声的公式,对求解范数进行转化的公式,并采用K-CPD算法进一步张量字典的学习和稀疏编码,最后还给出了估计泊松分布参数的具体公式,通过各公式进行相应的数据数学运算,快速并高精度地重建了透射图像和发射图像。
附图说明
图1为本发明的层析γ扫描图像重建方法流程图。
图2为本发明实施例的透射测量示意图。
图3为本发明实施例的发射测量示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明,本发明的实施方式包括但不限于下列实施例。
实施例
如图1至图3所示,本实施例提供了一种基于稀疏张量字典学习的层析γ扫描图像重建方法,包括以下步骤:
S10: 通过TGS测量系统的γ射线对待测物进行扫描,获取TGS测量数据并建立TGS测量方程;
S20: 将TGS测量方程改写成三阶张量格式,即建立三阶张量计数矩阵;
S30: 运用张量字典对TGS测量方程进行稀疏表示;
S40: 对张量格式的TGS测量方程添加服从泊松分布的干扰噪声;
S60: 采用K-CPD算法对求解转换后的稀疏矩阵进行张量字典的学习和稀疏编码;
S70: 利用每次更新过后的残差作为复合分布的噪声分布,然后从噪声分布中使用最大似然估计方法估计出泊松分布的参数, 最后使用估计出的泊松分布参数重建层析γ扫描图像。
本实施例结合了基于稀疏表示的字典学习图像重建算法对庞大数据集降维和数据信息深度挖掘的优势,提高了层析γ扫描透射图像和发射图像重建精度。
本实施例TGS测量包括透射测量和发射测量, TGS测量系统主要由透射源、探测
器、非常规核废物包装体构成,在步骤S10中,TGS测量方程包括 TGS透射测量方程和TGS发
射测量方程,其中,建立TGS透射测量方程,能量为的γ射线窄束在非均匀物体中的衰减
规律如下式所示:
令:
则有:
式中:为探测器测量到透射源的初始计数率,为探测器测量到透射
源经过核废物桶衰减后的计数率,为第个体素的线衰减系数,为探测器在
第次测量位置时透射γ射线穿过第个体素的衰减径迹长度,为断层中体素的总
个数。
在步骤S10中,建立TGS发射测量方程,γ放射性样品核素活度计算为:
因此,发射测量过程可以描述为:
式中:为探测器在第i个测量位置时测量到核废物桶发射γ射线的计数率,为衰减校正效率矩阵,为第体素的放射性核素活度,为探测器在
第个测量位置对第个体素的探测效率,为探测器处于第个测量位置时第
个体素的衰减因子,为第个体素的线衰减系数,为探测器在第个测量位置
时第个体素发射的γ射线进入探测器之前被第个体素衰减的衰减长度,
TGS发射测量方程描述为:
本实施例通过分别建立TGS透射测量方程和TGS发射测量方程,为稀疏张量字典学习提供了数学运算的基础。
在本实施例中,在步骤S20中,根据步骤S10可知,透射测量方程和发射测量方程具有同样的形式,因此,对于透射测量方程和发射测量方程的改写也具有同一格式,具体改写张量格式如下:
式中:;;;
的维度为,表示有N个测量角度和N个测量位置;TGS图像的重建向
量为,t表示数据的维度;在透射测量中即为初始计数率和衰减后计数率
的比值,即为所求的下衰减系数矩阵,为衰减径迹长度矩阵,在发射测量中即为
特征能量γ射线计数率与其分支比的比值,即为包装体内核素活度,为衰减校正效
率矩阵,定义为如下运算:
在本实施例中,在步骤S30中,运用张量字典对TGS测量方程进行稀疏表示包括如下步骤:
S302:基于三阶张量字典学习的TGS图像重建问题描述为:
在本实施例中,在步骤S40中,对张量格式的TGS测量方程添加服从泊松分布的干扰噪声包括:
在本实施例中,在步骤S50中,对稀疏矩阵求解0-范数的最大最小值为NP难问
题,NP难问题为管理科学技术名词,意为需要超多项式时间才能求解的问题,本项目将问题转化为对求解其对应范数最小值问题,的范数表示
为:
对应元素的计算方式为:
对于上述中基于已有TGS图像的张量字典的学习和稀疏编码,本实施例采用K-CPD
算法,对于的选择,本实施例利用每次更新过后的残差作为复合分布的噪声分布并且从
该噪声中使用最大似然估计方法估计出泊松分布的参数,用每次估计的来近似下一次
参与计算的为:
本发明使用时,通过将TGS测量方程改写成三阶张量格式,并运用张量字典对TGS
测量方程进行稀疏表示,同时对张量格式的TGS测量方程添加服从泊松分布的干扰噪声,以
及将稀疏矩阵求解范数问题转化为求解其对应范数的最小值问题,进行张量字典的学
习和稀疏编码,使用最大似然估计方法估计出泊松分布的参数等处理方法以及给出的公
式,通过各公式进行相应的数据数学运算,实现了对庞大数据的降维和数据信息的深度挖
掘,克服了传统的字典学习算法对纹理较多、介质分布杂乱的图像重建的不足,提高了检测
的效率及图像重建的精度。
上述实施例仅为本发明的优选实施例,并非对本发明保护范围的限制,但凡采用本发明的设计原理,以及在此基础上进行非创造性劳动而做出的变化,均应属于本发明的保护范围之内。
Claims (9)
1.一种基于稀疏张量字典学习的层析γ扫描图像重建方法,其特征在于,包括以下步骤:
S10: 通过TGS测量系统的γ射线对待测物进行扫描,获取TGS测量数据并建立TGS测量方程;
S20: 将TGS测量方程改写成三阶张量格式,即建立三阶张量计数矩阵;
S30: 运用张量字典对TGS测量方程进行稀疏表示;
S40: 对张量格式的TGS测量方程添加服从泊松分布的干扰噪声;
S60: 采用K-CPD算法对求解转换后的稀疏矩阵进行张量字典的学习和稀疏编码;
S70: 利用每次更新过后的残差作为复合分布的噪声分布,然后从噪声分布中使用最大似然估计方法估计出泊松分布的参数, 最后使用估计出的泊松分布参数重建层析γ扫描图像。
2.根据权利要求1所述的一种基于稀疏张量字典学习的层析γ扫描图像重建方法,其特征在于:所述步骤S10中,TGS测量方程包括 TGS透射测量方程和TGS发射测量方程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111615799.1A CN113989406B (zh) | 2021-12-28 | 2021-12-28 | 一种基于稀疏张量字典学习的层析γ扫描图像重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111615799.1A CN113989406B (zh) | 2021-12-28 | 2021-12-28 | 一种基于稀疏张量字典学习的层析γ扫描图像重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113989406A true CN113989406A (zh) | 2022-01-28 |
CN113989406B CN113989406B (zh) | 2022-04-01 |
Family
ID=79734548
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111615799.1A Active CN113989406B (zh) | 2021-12-28 | 2021-12-28 | 一种基于稀疏张量字典学习的层析γ扫描图像重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113989406B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006071691A (ja) * | 2004-08-31 | 2006-03-16 | Seiko Epson Corp | 手ブレ画像補正装置、手ブレ画像補正方法およびコンピュータプログラム |
CN103279959A (zh) * | 2013-06-13 | 2013-09-04 | 北京工业大学 | 一种二维分析稀疏模型、其字典训练方法和图像去噪方法 |
CN104866905A (zh) * | 2015-04-27 | 2015-08-26 | 北京工业大学 | 一种基于beta过程的非参数稀疏张量字典的学习方法 |
CN105069478A (zh) * | 2015-08-19 | 2015-11-18 | 西安电子科技大学 | 基于超像素张量稀疏编码的高光谱遥感地物分类方法 |
CN106651820A (zh) * | 2016-09-23 | 2017-05-10 | 西安电子科技大学 | 基于稀疏张量近邻嵌入的遥感图像融合方法 |
CN107346556A (zh) * | 2017-07-06 | 2017-11-14 | 浙江大学 | 一种基于块字典学习和稀疏表达的pet图像重建方法 |
CN111145169A (zh) * | 2019-12-31 | 2020-05-12 | 成都理工大学 | 基于多列异步神经网络的地铁站乘客数量调度系统及方法 |
CN111247537A (zh) * | 2017-10-06 | 2020-06-05 | 深立方有限公司 | 紧凑且高效的稀疏神经网络的系统和方法 |
CN113112591A (zh) * | 2021-04-15 | 2021-07-13 | 宁波甬矩空间信息技术有限公司 | 基于耦合稀疏张量分解的多时相遥感影像时空谱一体化融合方法 |
-
2021
- 2021-12-28 CN CN202111615799.1A patent/CN113989406B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006071691A (ja) * | 2004-08-31 | 2006-03-16 | Seiko Epson Corp | 手ブレ画像補正装置、手ブレ画像補正方法およびコンピュータプログラム |
CN103279959A (zh) * | 2013-06-13 | 2013-09-04 | 北京工业大学 | 一种二维分析稀疏模型、其字典训练方法和图像去噪方法 |
CN104866905A (zh) * | 2015-04-27 | 2015-08-26 | 北京工业大学 | 一种基于beta过程的非参数稀疏张量字典的学习方法 |
CN105069478A (zh) * | 2015-08-19 | 2015-11-18 | 西安电子科技大学 | 基于超像素张量稀疏编码的高光谱遥感地物分类方法 |
CN106651820A (zh) * | 2016-09-23 | 2017-05-10 | 西安电子科技大学 | 基于稀疏张量近邻嵌入的遥感图像融合方法 |
CN107346556A (zh) * | 2017-07-06 | 2017-11-14 | 浙江大学 | 一种基于块字典学习和稀疏表达的pet图像重建方法 |
CN111247537A (zh) * | 2017-10-06 | 2020-06-05 | 深立方有限公司 | 紧凑且高效的稀疏神经网络的系统和方法 |
CN111145169A (zh) * | 2019-12-31 | 2020-05-12 | 成都理工大学 | 基于多列异步神经网络的地铁站乘客数量调度系统及方法 |
CN113112591A (zh) * | 2021-04-15 | 2021-07-13 | 宁波甬矩空间信息技术有限公司 | 基于耦合稀疏张量分解的多时相遥感影像时空谱一体化融合方法 |
Non-Patent Citations (4)
Title |
---|
RUI SHI等: "Image Reconstruction Based on Total Variation Minimization for Radioactive Wastes Tomographic Gamma Scanning From Sparse Projections", 《网页在线公开:HTTPS://IEEEXPLORE.IEEE.ORG/STAMP/STAMP.JSP?TP=&ARNUMBER=9452101》 * |
XIANGFAN MU等: "High Spatial Resolution Tomographic Gamma Scanning Reconstruction With Improved MLEM Iterative Algorithm Based on Split Bregman Total Variation Regularization", 《网页在线公开:HTTPS://IEEEXPLORE.IEEE.ORG/STAMP/STAMP.JSP?TP=&ARNUMBER=9599720》 * |
章程等: "基于加权字典学习方法的低剂量CT图像重建", 《中国医疗设备》 * |
韩苗苗等: "边界体素处理方式对层析γ 扫描技术的透射重建质量的影响", 《原子能科学技术》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113989406B (zh) | 2022-04-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Carminati et al. | Implementation and assessment of the black body bias correction in quantitative neutron imaging | |
Svärd et al. | Applicability of a set of tomographic reconstruction algorithms for quantitative SPECT on irradiated nuclear fuel assemblies | |
Biard | Quantitative analysis of the fission product distribution in a damaged fuel assembly using gamma-spectrometry and computed tomography for the Phébus FPT3 test | |
Jijun et al. | Analysis and evaluation of tomographic gamma scanning image reconstruction algorithm | |
Wang et al. | Reconstruction of finer voxel grid transmission images in tomographic gamma scanning | |
CN113989406B (zh) | 一种基于稀疏张量字典学习的层析γ扫描图像重建方法 | |
Aijing et al. | An improved OSEM iterative reconstruction algorithm for transmission tomographic gamma scanning | |
US20220122300A1 (en) | Calibration method for a spectral computerized tomography system | |
Shi et al. | Image reconstruction based on total variation minimization for radioactive wastes tomographic gamma scanning from sparse projections | |
Hausladen et al. | 3D Tomography and Image Processing Using Fast Neutrons Final Report | |
Lee et al. | Simulation of a Gamma-Ray Computed Tomography System Using Two Radioisotopes for Structural Inspections: A Preliminary Study | |
Chen et al. | Research of γ-ray 3D scanning detection and analysis system | |
Jimenez Jr | High-Fidelity Calibration and Characterization of Hyperspectral Computed Tomography System | |
JP5926362B1 (ja) | 放射能濃度測定装置、及び放射能濃度測定方法 | |
Yan et al. | Improved Cohen-Sutherland algorithm for TGS transmission imaging | |
CN112558135B (zh) | 核设施废物包放射性特性的检测系统及方法 | |
Rebei et al. | Quantitative and three-dimensional assessment of holdup material | |
Hugonnard et al. | X-ray simulation and applications | |
Belzunce et al. | An attenuated projector for iterative reconstruction algorithm of a high sensitivity tomographic gamma scanner | |
Roy | Basic Principles of Neutron Radiography and Tomography | |
Quanhu et al. | Image reconstruction techniques for radioactive waste assay by tomographic gamma scanning method | |
Li et al. | GMAX: A Geant4-Based Monte Carlo Advanced X-ray Simulation Platform | |
Martz et al. | High explosives (PBX9502) characterization using computerized tomography | |
Bi et al. | Study on reconstruction and analytical method of seawater radioactive gamma spectrum | |
Yao et al. | Linear Reconstruction Methods for Large Thick Aperture Imaging |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |