CN1591480A - 进行自动聚焦断层综合的系统和方法 - Google Patents

进行自动聚焦断层综合的系统和方法 Download PDF

Info

Publication number
CN1591480A
CN1591480A CN200410037482.4A CN200410037482A CN1591480A CN 1591480 A CN1591480 A CN 1591480A CN 200410037482 A CN200410037482 A CN 200410037482A CN 1591480 A CN1591480 A CN 1591480A
Authority
CN
China
Prior art keywords
layer
gradient
image
degree
institute
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.)
Pending
Application number
CN200410037482.4A
Other languages
English (en)
Inventor
戴维·吉纳
特蕾西·K·拉格伦德
约翰·M·海曼
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Agilent Technologies Inc
Original Assignee
Agilent Technologies Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Agilent Technologies Inc filed Critical Agilent Technologies Inc
Publication of CN1591480A publication Critical patent/CN1591480A/zh
Pending legal-status Critical Current

Links

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
    • G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/025—Tomosynthesis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2211/00—Image generation
    • G06T2211/40—Computed tomography
    • G06T2211/436—Limited angle

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

本发明提供了一种用于对图像的断层综合重建的进行自动聚焦运算的系统和方法。更具体地，本发明的实施例提供了用于高效地计算所检测物体的一个或者多个深度层面的梯度的系统和方法，其中，这样的梯度可以被用于进行自动聚焦运算以确定包含了所感兴趣特征的被聚焦视图的深度层面。在至少一个实施例中，提供了一种方法，该方法包括捕获所检测物体的探测器图像数据，以及使用该探测器图像数据计算所检测物体的至少一个深度层面的梯度信息，而不用首先以断层综合方式重建至少一个深度层面的完全的图像。

Description

进行自动聚焦断层综合的系统和方法
技术领域
本发明一般地涉及图像处理，更具体地，涉及一种用于高效地计算梯度信息的方法和系统，该梯度信息可以被用于进行图像断层综合(tomosynthetic)重建的自动聚焦。
背景技术
人们经常希望构建某个物体的横截面视图(层或切片)和/或三维(3D)视图，对于该物体，例如由于会不可恢复地破坏该物体，实际地呈现这样的视图是困难的或者不可能的。例如，成像系统被用于医学领域中，以提供穿透活的人体的切片视图，以及提供其中的器官的3D视图。类似地，成像系统被用于诸如电子电路板和/或电子部件的工业产品的制造和检测领域中，以提供对其检测的分层视图和3D视图。
所希望的图像经常是通过重建技术来提供的，所述重建技术使用了多个二维(2D)射线摄影(radiographic)图像，例如探测器图像，所述射线摄影例如为X频带辐射(X射线)。从多个投影(例如不同的探测器图像)重建物体的所希望的图像或者视图(3D图像、横截面图像和/或类似图像)的技术被广泛地称作断层摄影(tomography)。当这种横截面图像的重建是在基于处理器的设备(或“计算机”)的辅助下进行的时候，该技术被广泛地称作计算机(或者计算机化)断层摄影(CT)。在一个典型的示例应用中，辐射源将X频带辐射穿过物体投射到电子传感器(或“探测器”)阵列上，在那里提供探测器图像。通过提供物体、源和传感器阵列中的一个或者多个之间的相对运动，可以获得多个视图(具有不同投影的多个探测器图像)。然后可以通过利用对所述多个视图的适当的数学变换模拟出穿过物体的切片图像或者物体的3D图像。也就是说，物体的横截面图像可以被重建，并且在某些应用中，这样的横截面图像可以被组合以形成物体的3D图像。
在X射线吸收断层摄影中，许多成像技术可用于横截面切片的重建。一种成像技术被称为分层摄影(laminography)。在分层摄影中，X射线源和传感器相对于要查看的物体协同运动，以便物体在所选焦面之外的部分在探测器阵列上形成模糊图像。焦面图像在模拟平均处理中被重建。在美国专利号4,926,452题为“AUTOMATED LAMINOGRAPHY SYSTEMFOR INSPECTION OF ELETRONICS(用于电子检测的自动分层摄影系统)”和美国专利号6,201,850题为“ENHANCED THICHNESSCALIBRATION AND SHADING CORRECTION FOR AUTOMATIC X-RAY INSPECTION(用自动X射线检测的增强的厚度校准和阴影校正)”的专利中公开了可以被用于电子检测的分层摄影系统的示例。分层摄影的一个优点是图像重建不要求对射线方程的大量计算机处理。
另一种成像技术被称为断层综合。断层综合近似于分层摄影，其中多个投影(或视图)被获得并被组合。随着视图数量的增加，对于相同的几何结构，得到的组合的图像通常接近于使用分层摄影所得到的图像。断层综合与上述分层摄影技术的区别特征是在断层综合中，从不同方向(不同视角)所获得的X射线图像可以被处理(例如，用不同的空间变换来交迭以及将它们的亮度平均)以产生多种横截面。换句话说，可以用一组X射线图像来获得检测中的物体的多个横截面(例如物体的不同高度的横截面)。断层综合可以表现为模拟方法，例如，通过重叠多片曝光胶片。断层综合或者也可以表现为数字方法。在数字断层综合中，单独的视图被划分成像素，并通过计算机被数字化和组合。
断层综合在相对高速的应用中尤其受到关注，在这些应用中希望图像非常迅速地，例如实时地被重建。这种高速应用的例子包括但不限于重建用于医学应用的图像和重建用于工业产品的自动检测的图像。举例来说，随着医学手段的发展，某些医学应用开始希望快速重建横截面图像。举例来说，例如许多电生理心脏手术、外周血管手术、经皮腔内冠状动脉成型术(PTCA)、泌尿系统手术和整形手术的医学程序越来越需要实时X射线成像。另外，从射线摄影(例如X射线)图像来重建横截面图像已经被用在检测例如电子器件(例如印刷电路板)的工业产品的质量控制检测系统中。也就是说，断层综合可以被用在自动检测系统中为了评价物体(或其一部分)的质量而重建所研究的物体的一个或者多个平面(这里可以被称作“深度层面”或者“横截面”)的图像。X射线成像系统可以在各种位置并以各种方向捕获电路板的探测器图像(例如，像素)。最初，人们对位于与电路板一样的平面中的图像感兴趣。为了获得在给定的所感兴趣区域的这些图像，可以使用重建算法(例如，反投影(Back Projection)或者平移-叠加(shift-and-add)算法)以数学方式处理原始的X射线探测器图像(像素)，以重建横截面层面或者切片。
举例来说，印刷电路板(或者其他所研究的物体)可以包括用于检测的各种感兴趣的深度层面。作为相对简单的例子，双面印刷电路板可以在板的两个面上都包括焊点。因此，布置了焊点的电路板的每一面可以包括电路板的单独的层。另外，电路板在其每一面上都可以包括表面安装(例如，焊料的球栅阵列)，从而产生该板的另外的层。电路板(或者其他所研究的物体)可以从各种不同的视角被成像(例如，通过以各种不同的角度被X射线曝光)，得到电路板的射线摄影图像(例如，像素数据)，并且这样的射线摄影图像可以被处理以重建电路板的层(或者“切片”)的图像。之后，在一些检测系统中，得到的横截面图像可以逐层被显示，并且/或者这样的横截面图像可以被用来重建所检测物体的完整的3D显象。
在分层摄影中，一次只能重建一个层。断层综合的潜在的优点是可以从给定的一组投影(探测器)图像数据重建许多不同的层。这样，因为不需要对要被重建的物体的一个区域的每个层获取一组新的图像数据，所以对于断层综合存在更高效地进行重建的可能性。然而，虽然断层综合允许从给定的一组图像数据重建许多不同的层，但是这些层中可能只有一些是被感兴趣的，例如，对应于所检测的电路板的上表面和下表面的那些层。所感兴趣的这些层的位置可以如在分层摄影中必须进行的那样，使用适当的定位系统预先获得，或者对于断层综合，可以使用适当的图像层分析，在数据获取之后来进行。在后一情况中，所选的图像可以是使诸如图像清晰度之类的一些约束最大化的图像。当该分析是使用例如数字计算机的处理单元被自动进行的时候，它被广泛地称作“自动聚焦”。
发明内容
本发明的实施例提供了一种用于进行自动聚焦运算的系统和方法。更具体地，本发明的实施例提供了一种系统和方法，用于高效地计算所检测物体的一个或多个深度层面的梯度，其中这些梯度可以被用于自动聚焦运算中，以确定包括了所感兴趣的特征的被聚焦的视图的深度层面。
按照至少一个实施例，提供了一种方法，该方法包括捕获所检测物体至少一部分的探测器图像数据。该方法还包括使用该探测器数据来计算对于所检测物体至少一部分的至少一个深度层面的梯度信息，而不用先以断层综合方式重建所述至少一个深度层面的完全的图像。
按照至少一个实施例，提供了一种系统，该系统包括自动聚焦处理器，其可操作以对所捕获的所检测物体至少一部分的探测器图像计算小波变换，并使用该小波变换进行自动聚焦。举例来说，自动聚焦处理器可以包括用于计算小波变换的计算机可执行软件代码，以及用于执行计算机可执行软件代码的处理器。
按照至少一个实施例，提供了一种系统，该系统包括用于获取所检测物体至少一部分的探测器图像的装置。该系统还包括用于对所捕获的探测器图像计算小波变换的装置，以及用于从该小波变换计算所检测物体至少一个深度层面的梯度的装置。
按照至少一个实施例，提供了一种方法，该方法包括捕获所检测物体的至少一部分的射线摄影图像数据。该方法还包括进行自动聚焦，以便从其中潜在地存在着所感兴趣层的所检测物体的多个深度层面中确定出所感兴趣的深度层面，其中所述自动聚焦不需要完全地重建全部的所述多个深度层面。
前面已经概述了本发明相当广阔的特征和技术优点，以便下面对本发明的详细说明能够被更好地理解。本发明另外的特征和优点将在下文中被描述，它们构成本发明权利要求的主题。本领域的技术人员应当认识到，被公开的概念和特定的实施例可以容易地被用作修改和设计用于实现与本发明相同的目的的其他结构的基础。本领域的技术人员还应当认识到，这样的等同的构造并不脱离在所附权利要求中提出的本发明的精神和范围。当结合附图考虑时，从以下的说明可以更好地理解被认为是本发明特点的关于其结构和操作方法的实质性特征，以及其他的目标和优点。但是，应当明白地理解，各个图形是被提供用于举例和说明的目的，而不是用作对本发明的限制的定义。
附图说明
为了更完全地理解本发明，现参照以下结合附图作出的说明，附图中：
图1A～图1B示出可以结合本发明实施例使用的示例数字断层综合系统几何结构的示意表示；
图2A示了已经被分成125(5×5×5)个相同尺寸的立方体三维像素(voxel)的立方形物体；
图2B示出了图2A的物体的两层三维像素；
图2C示出了可以被用于捕获物体的2D射线摄影图像的示例射线摄影成像系统，这些图像可以按照本发明实施例被处理；
图3A示出了所检测物体的示例深度层面；
图3B～图3D示出了可以以断层综合方式被重建的图3A的示例物体的示例横截面图像；
图4示出了可以按照本发明实施例被检测的示例印刷电路板部件；
图5示出了传统自动聚焦技术的示例操作流程；
图6示出了说明本发明一个实施例的示例框图；
图7示出了从诸如图1A～图1B以及图2C的示例成像系统之类的X射线成像系统所获得的典型探测器图像的具体示例；
图8示出了用2D哈尔(Haar)小波变换处理图7的示例探测器图像的结果；
图9示出了使用图8得到的小波变换的自动聚焦算法的一个实施例的示例的分级结构；
图10示出了根据自动聚焦算法的一个实施例，使用图8的小波变换的各种块的清晰度计算的结果；
图11示出了本发明一个实施例的示例操作流程图；
图12示出了本发明实施例的另一个示例操作流程图；
图13示出了本发明实施例的再一个示例操作流程图；
图14示出了可以在其上实现本发明实施例的系统的示例框图表示。
具体实施方式
本发明的实施例提供了一种在断层综合中用于自动聚焦的系统和方法。自动聚焦技术被提供来减小重建处理和图像分析的计算负担。按照本发明的实施例，不需要在确定被聚焦的层之前重建物体所有层的完全的图像。更确切地，自动聚焦技术被提供使得能够识别被聚焦的层，而不需要首先重建物体的所有的层。这样，因为不需要在自动聚焦技术确定被聚焦的层之前重建所有层的完全图像，所以与自动聚焦和重建处理相关联的计算代价可以被降低。举例来说，在自动聚焦处理之前或者在自动聚焦处理过程中没有被重建的某些层以及没有被确定为被聚焦的层的某些层完全不需要被重建。
在本发明的某些实施例中，自动聚焦技术被提供使得在确定被聚焦的层时可以使用相对粗糙的图像分辨率。也就是说，在进行自动聚焦时，可以使用分辨率比重建所需的分辨率低的图像。在某些实施例中，“递进”或“分级”自动聚焦技术被提供使得可以使用低分辨率的图像来识别被聚焦的层存在于其中的层的区域，然后使用被识别的区域中的层的较高的分辨率来递进地逼近(或者移近)被聚焦的层。
因此，在某些实施例中，“多级”或者“多分辨率”自动聚焦算法被提供，以便以多个级别或分辨率重建图像。更具体地，投影(探测器)图像的粗糙分辨率表示可以被用于产生对层的清晰度的初步分析。一旦使用该分析识别出了可能是最清晰的一组层，则可以使用精细的分辨率的分析来进一步确定最清晰的层的估计位置。从而，算法可以以分级的方式来组织。这种方法充分地降低了处理单元(例如计算机)的计算负担。
本发明的实施例使得深度层面的梯度数据可以直接从所捕获的探测器图像被计算出来，而不用首先需要对这样的深度层面的完全的断层综合重建。更具体地，所捕获的探测器图像可以用小波变换来处理，以产生基于梯度的图像数据，这些数据可以被处理以重建(或计算)深度层面的梯度。直接从所捕获的探测器图像(例如，从这样的探测器图像的小波变换)计算得到的深度层面的梯度可以被用于进行自动聚焦运算。另外，如果需要对深度层面的完整的断层综合重建(例如，如果通过自动聚焦处理确定出该深度层面包括所感兴趣的所检测物体的特征的被聚焦的视图)，则这种梯度还可以被用于这种重建。因此，无论是否进行自动聚焦，本发明的某些实施例都能被用于断层综合重建。也就是说，提供了一种断层综合重建处理，其中，直接从所捕获的探测器图像(例如，从这种探测器图像的小波变换)计算深度层面的梯度，并且这种梯度还可以被处理来以断层综合方式重建深度层面的完全的图像。
如上面所描述的，断层摄影重建具有很长的开发历史，在许多领域中有很多应用，象健康监测、工业透视、无损检测、机场安全等等。经常希望提供一方面保持了高质量的3D重建，另一方面提供了高吞吐量3D重建的3D断层摄影技术。
如上面所描述的，对诸如在印刷电路板上的焊点之类的物体的断层摄影图像处理被用在自动检测系统中，用于质量控制。例如，印刷电路板上的焊点可以被成像(例如，通过射线摄影成像系统)，并且这样的图像可以被自动检测系统处理以确定各种参数，例如焊点的长度、宽度、曲率、相对不透明度以及类似的值。所确定的焊点的各种参数然后可以由自动检测系统(或者由检查人员)评估用于确定焊点质量是否合格。
作为一个示例，焊接材料(通常是铅和锡的混合物)的厚度可以通过对该焊接材料的(一个或者多个)X射线图像的分析，由自动检测系统检测。在焊接材料的X射线图像中，构成X射线图像的亮度与形成该X射线图像的焊接材料的厚度之间存在联系。一般，随着焊接材料的厚度的增长，图像亮度从对应于较亮的灰色阴影(白)的值增长到对应于较暗的灰色阴影(黑)的值。也就是说，薄的焊料部分的图像具有的灰度小于较厚的焊料部分的图像的灰度。与较厚的部分的图像相比，薄的部分的图像会显出较亮的灰色阴影。这种常规一般用在X射线图像的电子图像表示中，但是，相反的常规也可以被使用，即，其中薄的焊料部分具有的灰度大于较厚的焊料部分的图像的灰度。后一种常规已经被传统地用于胶片射线摄影中了，其中X射线图像被记录在X射线胶片上。任何一种常规都可以在本发明的实施例中实现。
本发明的实施例优选地实现在数字断层摄影系统中，所述系统可操作以从所捕获的物体的射线摄影图像数据(像素)以断层综合方式重建图像。各种这样的数字断层摄影成像系统在本领域中是公知的，其中很多可以结合本发明的实施例来使用，因此这样的示例成像系统在这里仅作简短描述，以免分散了对于用于进行自动聚焦的发明性的系统和方法的注意力。如以下进一步所描述的，本发明的实施例提供了尤其适合于在断层综合系统中使用的自动聚焦技术。
已经被提出用于工业检测系统并且在其中可以实现本发明实施例的示例3D断层摄影系统包括在题为“COMPUTED TOMOGRAPHY WITHITERATIVE RECONSTRUCTION OF THIN CROSS-SECTIONAL PLANES(利用薄横截面平面的迭代重建的计算机断层摄影)”的美国专利号6,002,739的专利中以及在题为“IMAGE RECONSTRUCTION METHODAND APPARATUS(图像重建方法和装置)”的美国专利号6,178,223的专利中所公开的那些系统，这些公开因此通过全文引用被结合在这里。当然，可以使用现在已知的或者以后开发的各种其他数字3D断层摄影系统结构，本发明的实施例可以利用这些系统实现，来以下面所描述的方式改善它们的效率。本发明的实施例可以与能够捕获所检测物体的2D图像数据(像素)的任何射线摄影成像设备结合使用，这些设备包括但不限于公知的扇形束成像系统和锥形束成像系统。更具体地，如下面所进一步描述的，本发明的实施例可以结合这样的射线摄影成像设备来使用，以从所捕获的像素数据高效地重建所检测物体的3D图像数据(三维像素)。
图1A～图1B示出了可与本发明实施例一起使用的示例数字断层综合系统几何构造的示意性表示。更具体地，图1A～图1B示出了锥形束断层摄影系统的示例。X射线源20向所检测的物体10(例如，电路板部件)发射X射线，穿过物体10的X射线被传感器(或探测器)阵列30所探测。为了得到物体10的一个区域的多个视图(例如，用于重建该区域的横截面图像)，X射线源20、物体10以及传感器阵列30中的一个或者多个可以被有效地移动。例如，图1A示出了物体10的区域10A以第一视角被成像的一个示例，而图1B示出了物体10的这个区域10A以第二视角被成像的一个示例。如上面所描述的，来自一个区域的多个视图的图像数据可以被处理(例如，通过反投影或者平移-叠加算法)以重建该区域的横截面图像。
在该示例实施方式中，X射线源20可以包括电子束源，该电子束源包含电源(未示出)，用于以希望的电压水平运行X射线源20以产生X射线。在X射线源20内由带电粒子枪所产生的电子束40，以预定的模式(例如，扫描或者步进模式)在靶部件22的源极(可能是接地的阳极)上方被偏转。X射线源20包括一个用来控制电子束40穿过靶部件22的移动的机构，例如电子束模式发生器(未示出)控制下的偏转线圈21。X射线源20的示例几何结构所提供的一个优点是它允许X射线从多个角度被投射到物体10上，而不需要X射线源20的物理重定位。例如，X射线41可以通过利用电子束40轰击X射线管的表面来产生，并且通过用电子学方法偏转电子束40，X射线源20可以被有效地移动。这样，X射线源20和/或传感器阵列30可以不真正地移动(而代替地，位置可以被固定)，代替地，它们移动的效果可以通过其他技术来达到，例如通过偏转X射线管的电子束40(例如，用来以各种不同视角获得对物体10的成像)。
在图1A～图1B中，靶部件22被设计以便发射出形成图1A中的发散束41和形成图1B中的发散束42的X射线，发散束41和42各自(从不同视角)直接与传感器阵列30相交。操作中，电子束40可以首先停留于靶部件22上的位置50，如图1A所示。当电子束40在位置50处击中靶部件22时，发射出发散的X射线束41。电子束40然后可以指向靶部件22上的位置51，如图1B所示。当电子束40在位置51处击中靶部件22，发射出发散的X射线束42时，该X射线束42使得可以由传感器阵列30以与图1A中不同的视角捕获图像数据。在某些实施例中，在希望限制物体10(或者其他出现的物体)对X射线的暴露的情形中(例如，当物体10是例如在医学应用中的人体时)，可以采用准直器光栅来对X射线束41和42导向，例如在美国专利No.6,178,223中所描述的。
传感器阵列30可以包括被排列成阵列的多个分立的探测器(这里称为“探测器元件”)。如本领域中所公知的，每个探测器元件包括一个具有用于探测X射线的捕获区域的表面。每个探测器元件能够独立地测量击中它的X射线的量。当物体10被放入X射线源20和传感器阵列30之间时，(图1A的)X射线束41的一些X射线会穿过物体10的一部分，如果没有被散射或者吸收的话，它们将会击中构成传感器阵列30的探测器元件。击中任何单个探测器元件的X射线包括X射线束41的一部分，在这里被称为X射线束子路径。
每个探测器元件可以包括用于测量击中该探测器元件的X射线光子的数量以及输出表示该测量值的信号的部件。或者，每个探测器元件可以包括用于产生一般与击中该探测器元件的X射线总能量成比例的电信号的部件。所生成的电信号的大小对应于来自X射线束41的适当X射线束子路径的X射线的通量强度。每个探测器元件可以生成一个由此而探测到的对应于所探测的X射线的一个像素。利用独立地测量击中各探测器元件的X射线的传感器阵列30，结果生成了与沿着特定的X射线束子路径穿过物体10的X射线通量成比例的X射线透射信息。得到的强度数据可以被使用或者被操作以创建对物体10的一个表示。
当然，可操作以捕获物体10的数字的射线摄影图像的各种其他结构的数字射线摄影成像系统可以结合本发明的实施例来实现，包括但不限于美国专利号6,178,223的专利中所公开的系统。虽然结合本发明的一个优选实施例，使用了例如图1A～图1B所示的锥形束射线摄影成像系统，但是应该认识到，本发明并不限于特定结构的数字射线摄影成像系统。确切地说，现在已知的或以后开发的可操作以捕获物体10的数字的射线摄影图像数据(例如像素)的任何结构的数字射线摄影成像系统都可以结合本发明的实施例来实现，这些系统包括但不限于公知的锥形束或者扇形束成像系统。也就是说，现在已知的或者以后开发的用于捕获物体10的数字的射线摄影图像的各种结构可以结合后面所描述的自动聚焦和断层综合图像重建处理使用，用于从所捕获的射线摄影图像数据(像素)高效地重建物体10(或者其一些区域)的希望的(一个或者多个)层的横截面图像。
传统的3D数字断层摄影用称为三维像素的离散的体积元素来近似一个物体。“三维像素”(或者“体积像素”)在图像处理领域中是公知的，并且被普遍用在3D成像中。一般，一个三维像素是三维图像的最小可辨别的盒状部分。
为了更好地理解被普遍用在3D断层摄影中并可以被用在以下所描述的本发明的某些实施例中的某些原理，传统图像处理技术的一些方面将结合图2A～图2C被描述。就象本发明的实施例不限于结合图1A～图1B所描述的示例的射线摄影成像系统的结构，本发明的实施例并不意图以任何方式被限定于结合图2A～图2C所描述的一般的图像处理原理。确切地说，例如三维像素的使用的图像处理原理，将结合图2A～图2C被简短地描述以帮助读者理解，对这些原理的说明限于其在本发明实施例中的使用。
图2A图示了已经被划分成125(5×5×5)个相同尺寸的立方体三维像素的立方形物体50。为了对物体50三维成像，这125个三维像素的每一个的密度(或吸收系数，或材料厚度)从在物体50的(不同角度的)多个视图中所表示的数据被重建，所述多个视图是由例如图1A～图1B中的阵列30的传感器的阵列所探测的。也就是说，断层综合技术可以被用来从由阵列30所探测(或者捕获)的探测器数据重建像素。
对于许多应用来说，完整的3D图像并不是必须的。例如，对于双面电路板(例如图4中所示的电路板)的检测，少数几个图像平面或者“横截面”(例如图4中图像平面410和412)可能就足以确定焊点的质量。举例来说，在某些应用中，所感兴趣的仅仅是所检测物体的一部分层。因此，图2B示出了图2A的物体50的两层三维像素，其中，所示的两个层可能是给定应用所感兴趣的层。
参考图2C，示出了可以被用于捕获物体10的射线摄影图像的一个示例射线摄影成像系统200，例如在美国专利号6,178,223的专利中所更详细描述的系统。在射线摄影成像系统的示例结构中，源20包括能够顺次地将多个X射线束(可以包括如后面所描述的多个X射线束子路径)以各种不同角度导向物体10的准直器光栅212。也就是说，X射线束首先以第一角度被导向物体10，然后X射线束以第二角度被导向物体10，诸如此类，以从多个不同视角得到物体10的图像数据。虽然，在图2C的示例系统200中使用准直器光栅212以将X射线束以各种不同角度导向物体10以捕获用于重建物体10的各个深度层面的足够的数据，但是应该认识到，在其他结构中也可以使用现在已知的或者以后开发的用于同时或者顺次地生成以各种不同角度被导向物体10的X射线束的各种其他技术。
如该示例中所示，第一X射线束子路径201和第二X射线束子路径205是从准直器光栅212的第一开孔210发出的许多X射线束子路径中的两个。为了清楚和便于解释，其余的X射线束子路径没有示出。沿着第一X射线束子路径201和第二X射线束子路径205传播的X射线中的一些穿过物体10并分别击中多探测器阵列30的探测器225和227。应该认识到，由沿着第一X射线束子路径201传播的X射线提供给探测器225的信息并不对应于物体10内的任何单个的点；确切地说，第一X射线束子路径201的路径当其穿过物体10时形成了贯穿第一切片(或者“横截面”或“深度层面”)230、第二切片235以及第三切片240的一条线路。具体而言，沿着第一X射线束子路径201传播的X射线穿过了一个体积，该体积完全或部分地与(深度层面230的)第一三维像素245、(深度层面235的)第二三维像素250以及(深度层面240的)第三三维像素255相重合。
由探测器225从X射线束子路径201得到的信息可以有用于相应于深度层面230的被重建的横截面图像的第一三维像素245的重建、相应于深度层面235的被重建的横截面图像的第二三维像素250的重建以及相应于深度层面240的被重建的横截面图像的第三三维像素255的重建。因此，从传感器阵列30的探测器225输出的像素数据通常有用于物体10的多个不同横截面(或者深度层面)的三维像素重建。这种像素数据被图像重建处理器接收，该图像重建处理器可以以下面更详细地描述的方式来进行自动聚焦和重建多个不同横截面中的一个或多个。
对于第二X射线束子路径205，由探测器227提供的信息可以有用于相应于深度层面230的被重建的横截面图像的第四三维像素260的重建、相应于深度层面235的被重建的横截面图像的第五三维像素265的重建以及相应于深度层面240的被重建的横截面图像的第六三维像素270的重建。
第三X射线束子路径275和第四X射线束子路径280是从第二开孔285发出的许多X射线束子路径中的两条。为了清楚和便于解释，从第二开孔285发出的其余X射线束子路径没有示出。沿着X射线束子路径275和X射线束子路径280传播的X射线中的一些穿过物体10并分别击中探测器290和291。如上面对子路径201和205所描述的，由沿着第三X射线束子路径275传播的X射线提供给探测器290的强度信息并不对应物体10内的任何单个的点；确切地说，该强度信息是对于一个体积的信息的集合，该体积贯穿了在源20的准直器光栅212和多探测器阵列30之间的所有平面/切片，这些平面/切片包括含有三维像素270的平面/切片。类似地，由沿着第四X射线束子路径280传播的X射线提供给探测器291的强度信息并不对应物体10内的任何单个的点；确切地说，该强度信息是对于一个体积的信息的集合，该体积贯穿了在源20的准直器光栅212和多探测器阵列30之间的所有平面/切片，这些平面/切片包括含有三维像素276、277以及278的平面/切片。
与由传感器阵列30所探测的强度相对应的像素数据可以由射线摄影成像系统200输出到自动聚焦处理器或者图像重建处理器，它们可操作以进行如下面所更详细描述的自动聚焦。如下面所描述的，自动聚焦处理器(或者图像重建处理器)可操作以确定被聚焦的(一个或者多个)层。也就是说，可以实现自动聚焦技术来确定那些当使用由传感器阵列30输出的探测器数据通过断层综合重建而被重建时，被聚焦的(一个或者多个)层。在某些实施例中，被聚焦的(一个或者多个)层可以通过图像重建处理器被重建。图像重建处理器是本领域所公知的，它们可操作以通过例如将一个三维像素的强度进行组合或者求和来处理收到的像素数据，其中，所述一个三维像素的强度来自于探测到沿着X射线束子路径传播的X射线并且被分配给该三维像素用于重建目的的全部探测器，这些X射线束子路径完全或者部分地与该特定三维像素相重合的。例如，在由此输出的第一像素中由探测器227从X射线束子路径205采集的强度数据和在由此输出的第二像素中由探测器290从X射线束子路径275采集的强度数据，可以被用于重建第六三维像素270(因为X射线束子路径205和275都与第六三维像素270相交)。如下面所进一步描述的，提供了一种自动聚焦技术，其使得通过确定被聚焦的(一个或者多个)层而不需要为了作出这样的确定重建所有的层，能够降低计算负荷。
参考图1A～图1B以及图2C所示和所描述的射线摄影成像几何结构和装置是可以结合本发明的实施例被使用的典型的结构和装置。但是，这些系统的特定细节对于本发明的实施并不是关键的，其中本发明致力于用于图像断层综合重建的自动聚焦技术。例如，X射线源、探测器、用于定位所检测物体的(一个或者多个)定位机构、用于控制成像系统操作的控制系统(例如，计算机)等的具体细节可以在不同系统之间有相当大的变化。本发明的实施例一般可应用于任何类型的计算机辅助断层综合系统，用于进行自动聚焦。
图3A～图3D示出了可以由对样品物体10的重建处理生成的示例横截面图像。为了举例说明的目的，图3A中所示的物体10包括被嵌入在物体10中的箭头81、圆圈82和十字叉83形状的测试图案。如所示的，在该示例中，箭头81跨越了物体10的深度层面60A～60E，并且其后跟随着50个“空白”层61。圆圈82跨越了物体10的深度层面62A～62G。圆圈82下面是100个空白层63。十字叉83跨越了深度层面64A～64D，并且其后跟随着50个空白层65。
图3B示出了可以由图像重建处理器(例如，通过断层综合)重建的物体10的包括箭头81的深度层面(例如，深度层面60C)的示例横截面图像(或“断层摄影图”)。箭头81的图像100被清晰聚焦，而物体10中例如圆圈82和十字叉83的其他特征的图像可能形成模糊区域102，该模糊区域102并没有严重地使箭头图像100模糊。优选地，可以在重建处理中最小化模糊区域102和/或其对箭头图像100的影响，以提供横截面的高质量的图像。
类似地，图3C示出了可以由图像重建处理器(例如，通过断层综合)重建的物体10的包括圆圈82的深度层面(例如，深度层面62D)的示例横截面图像(或“断层摄影图”)。圆圈82的图像110被清晰地聚焦，而物体10中例如箭头81和十字叉83的其他特征的图像可能形成模糊区域112，该模糊区域112并没有严重地使圆圈图像110模糊。同样，可以优选地在重建处理中最小化模糊区域112和/或其对圆圈图像110的影响，以提供横截面的高质量的图像。
图3D示出了可以由图像重建处理器(例如，通过断层综合)重建的物体10的包括十字叉83的深度层面(例如，深度层面64C)的示例横截面图像(或“断层摄影图”)。十字叉82的图像120被清晰地聚焦，而物体10中例如箭头81和圆圈82的其他特征的图像可能形成模糊区域122，该模糊区域122并没有严重地使十字叉图像120模糊。同样，可以优选地在重建处理中最小化模糊区域122和/或其对十字叉图像120的影响，以提供横截面的高质量的图像。
尽管图3A～图3D示出了具有深度层面60A～E、61、62A～G、63、64A～D和65的示例物体10，但是应该认识到，物体10是用来作为一个一般性的示例来说明将物体的各个深度层面重建为横截面图像的概念。实际中，具有任何数量深度层面的各种其他类型的物体可以被检测，并且可以将它们的任何数量的深度层面重建为横截面图像。例如，本发明的实施例可以与用于检测印刷电路板上的焊点的自动检测系统一起实现。下面所进一步描述的图4描绘了示例的印刷电路板部件，该印刷电路板部件具有多个深度层面，所述层面被图像重建处理器重建为横截面图像，以便检测该印刷电路板部件。
另外，在许多应用中，可能只对深度层面60A～E、61、62A～G、63、64A～D和65中的某个(某些)和/或特征81～83中的某个(某些)感兴趣。如上面所描述的，所感兴趣的这些层(例如，包括了希望的特征，例如箭头81，并且被聚焦的层)的位置可以在获取图像数据之后，使用适当的图像分析被确定。更具体地，可以由处理单元利用自动聚焦算法来选择最大化某个约束的(一个或者多个)层，该约束例如是图像清晰度。举例来说，箭头81可能是给定的应用(例如，对于这种箭头81的检测)所感兴趣的，这种情况中，可以利用自动聚焦算法来识别包括了箭头81并最大化诸如图像清晰度之类的某个约束的深度层面。因此，举例来说，自动聚焦算法可以分析在箭头81附近和/或包括箭头81的各种深度层面，以确定包括了箭头81并且被最大程度地聚焦(例如，具有最佳的图像清晰度)的深度层面。在捕获物体10的射线摄影图像之前，包括箭头81的深度层面(在自由空间中)的位置可能不会被准确地知道，如上面所提到的，可以使用所捕获的射线摄影图像，进行自动聚焦来确定被最大程度聚焦(例如，具有最大的清晰度)的深度层面。举例来说，假设希望得到物体10的包括箭头81的深度层面的被聚焦的重建图像，物体10的一个区域(例如，跨越30个或者更多个层的区域)中的许多深度层面可以通过自动聚焦算法被评价，以确定提供了箭头81的被聚焦图像的适当的深度层面。根据成像系统中物体10的具体布置/定位，提供了这种箭头81的被聚焦图像的确切深度层面的位置可以不同，因而，如本领域中所公知的，自动聚焦识别了所感兴趣的特征的被聚焦的图像。
如下面结合图5所进一步描述的，传统的自动聚焦技术要求物体的所有的层(或者至少所有可能包括例如箭头81的所感兴趣的特征的可能的层)首先被重建为完全的图像，然后分析这些被重建的图像，以确定所感兴趣的(一个或者多个)层(例如，包括了例如箭头81的所感兴趣的特征的被聚焦的层)。例如，一个范围的深度层面被预先确定为形成了深度层面的一个区域(例如，在许多情况中的30个或者更多个深度层面)，在该区域中存在着包括了所感兴趣的特征(例如箭头81)的被聚焦的深度层面。在图3A的示例中，当使用传统的自动聚焦算法来聚焦包括了箭头81的层的时候，层60A～60E从所获取的物体10的射线摄影图像以断层综合方式全部被重建(并且若干其他的层，例如50个空白层61中的全部或者部分，也可能被以断层综合方式重建)，并且这些被重建的层通过自动聚焦算法被分析，以确定包括了所希望的特征(例如箭头81)并最大化诸如图像清晰度之类的某个约束的被重建的层。从而，通过自动聚焦算法识别出了具有例如最大图像清晰度的被以断层综合方式重建的层中的一个。如下面所进一步描述的，由于要求以断层综合方式完全地重建在其中可能存在所感兴趣的特征的每个可能的层(在许多情况可能是30个或者更多个层)，所以这种传统的自动聚焦技术计算繁重，这对于高速应用是不理想的。
图4提供了可以按照本发明的实施例被检测的物体的具体示例。当然，本发明的实施例并非意图被完全限定在对电路板横截面图像的自动聚焦和重建的应用中，而是可以替代地被用在许多其他应用中，包括但不限于在制造环境中为了质量控制而进行的各种其他类型产品的检测、在用于检测物体以寻找被包含在其中的违禁品的自动检测系统(例如，在机场或者其他交通设施中的用于检测旅客行李的安全系统)中的使用和/或在各种医学应用中的使用。本领域的普通技术人员将认识到本发明实施例的自动聚焦和图像重建处理的各种其他应用。
在图4中，双面印刷电路板400具有被焊接到两个外表面的每个上的多个元件。元件402和404被安装到第一表面上。元件408被安装到与第一表面相反的第二表面上。元件406是通孔元件，被安装在第二表面上，但具有穿过板400的两个表面的引脚。通常，将元件402、404、406和408与板400相耦合的电连接由焊料形成。但是，各种其他用于构成电连接的技术在本领域中是公知的，虽然本发明的示例实施例在这里将按照焊点的情况来描述，但是应当理解，其他类型的电连接，包括但不限于导电环氧树脂、机械的、钨和共晶接合，可以利用本发明的实施例被检测。
在该示例中，元件402具有焊点的球栅阵列(BGA)。元件404表示鸥翼式表面安装器件。元件408是J形引脚表面安装器件。由虚线410描绘的非常接近电路板400第一表面的一个平面(或深度层面)穿过元件402、404和406的引脚和焊接圆角。由虚线412所描绘的非常接近电路板400第二表面的另一平面(或深度层面)穿过元件406和408的引脚和焊接圆角。应当理解，虽然在本示例中描述了两个示例深度层面(410和412)，但是在其他示例中，可以检查电路板400的任意数量的深度层面。另外，虽然在本示例中各种类型的焊点(例如，表面安装和穿孔安装(in-board joint))示出为被包括在一个公共的深度层面中，但是应当理解，在一些实施方式中，不同类型的焊点实际上可以落在电路板的不同深度层面之中(这可能增加了由检测系统处理的深度层面的数量)。为了简单和便于图示，在本示例中仅示出了对应于电路板400每侧的一个深度层面，但是在实际的应用中，在电路板400的每侧上可能对多个深度层面感兴趣。虽然在某些应用中，获得各焊点的3D图像可能是有用的，但是一般来说，图像平面410和412提供了用于确定各元件引脚存在的足够的信息，和/或用于各种焊点的检测(例如，检测这些焊点的质量)的有用信息。
根据本发明的各种实施例，所检测物体(例如电路板400)的2D射线摄影图像数据(像素)可以通过例如上面所描述的那些射线摄影成像系统被捕获，并输入到图像重建处理器。图像重建处理器可以利用例如下面所进一步描述的自动聚焦算法处理所捕获的像素数据，以识别所感兴趣的(一个或者多个)层。另外，图像重建处理器可以处理所捕获的像素数据以重建所感兴趣的物体的被识别出的(一个或者多个)层的3D(三维像素)图像数据，所述的层例如是上面结合图3A～图3D所描述的一个或者多个示例横截面图像。在某些应用中，板400的焊点(或者所检测物体的其他部分)的横截面图像一旦被产生，就可以被自动检测系统自动评价，以确定它们的质量和物理特性，包括例如焊点厚度。基于检测系统的评价，可以向用户显示焊点质量和物理特性的报告和/或所重建的焊点的横截面图像。
应当理解，这里所用的术语“图像”(或者“图像数据”)并不限于可以在视觉上被看到的形式，而是也可以包括可以由计算机获得、存储并分析的数字表示。因此，这里所用的术语“图像”(或者“图像数据”)不限于可视的图像，而其意思是还包括表示图像的和/或可以由计算机处理用于显示可视图像的计算机数据。例如，在某些实施例中，除了由计算机自动检测之外或者替代计算机自动检测，被重建的横截面图像可以显示给用户用于由该用户来检测。在其他实施例中，被重建的横截面图像可以不显示给用户，而是替代地，所重建的图像的数据可以由计算机自主地分析来进行质量控制。
如上面所描述的，断层综合重建技术在本领域中是公知的，这样的技术通常要求以若干不同的投影(或者视角)获取许多图像。所获取的这样的图像可以被处理以重建所检测物体的各种不同的层。然而，同样如上面所提到的，在许多应用中，这些层中仅有一部分可能是被感兴趣的(例如，这些层中仅有一部分可能包含所感兴趣的特征的被聚焦的图像)。因此，人们开始希望识别那些所感兴趣的(一个或者多个)层。在获取图像数据的时候，那些所感兴趣的(一个或者多个)层的具体空间位置可能是未知的。举例来说，再次参考图2C，在由探测器30获取图像数据的时候，层230的具体高度H1、层235的具体高度H2和层240的具体高度H3可能是未知的。举例来说，假设层240是被感兴趣的，自动聚焦技术可以被用于确定这样的层240在空间中所存在的位置(例如，高度H3)。
传统上，激光测绘系统可以被用来实际地标出所检测物体在要被检测的所有位置处的沿着“Z”轴的高度。例如，在用于检测电路板的检测系统中，可以使用激光测绘系统来标出源20和板的表面之间的垂直距离。
作为一个示例，在诸如可以从安捷伦科技有限公司得到的5DX型X射线成像系统之类的使用分层摄影技术来进行图像重建的成像系统中，通常使用适当的定位或者测量装置来定位所感兴趣的聚焦平面的垂直高度(例如，上面的示例中的所感兴趣的层240的高度H3)。例如，在5DX系统中，使用基于激光的表面测绘系统来标出所检测的电路板的高度。这种聚焦步骤通常必须预先地进行并且与实际的重建和检测处理分别地进行。也就是说，激光测绘通常在对物体成像之前尝试识别物体在成像系统中相对于源、探测器等的位置。
由于一些原因，用于聚焦所感兴趣的层的激光测绘技术存在一些缺点。一个缺点是实现激光测绘系统增加了与图像处理系统相关的成本。也就是说，激光测绘系统是相当昂贵的。另一个缺点是激光测绘技术提供的是有限的测量准确度。举例来说，激光测绘技术标出所检测的电路板(或者其他物体)的表面。如果所感兴趣的层实际上存在于另外的位置(例如，在电路板的内部)，而不是在电路板的表面，则可能要使用电路板布图的知识来估计所感兴趣的层的位置。无论怎样，这种测绘技术提供的是有限的准确度。另外，激光测绘系统在聚焦所感兴趣的层的时是相当慢的，因此超出了重建所感兴趣的层的图像所要求的总体时间，这对于许多高速应用是不能接收的。
作为一种替代，如果使用了自动聚焦算法来寻找所感兴趣的(一个或者多个)层(即，寻找“被聚焦”的所感兴趣的特征的层)，则断层综合重建允许去除激光测绘步骤。不幸的是，传统的自动聚焦算法在计算上是受限制的。也就是说，如上面所描述的，自动聚焦算法在射线摄影图像数据(像素)被获取之后，通过分析这些被获取的图像数据，使所希望(或者“被聚焦”)的层能够被识别。举例来说，被聚焦的层可以作为这样的层而被识别：在其中，所希望的层的某个约束，例如图像清晰度，是最大的。但传统的自动聚焦技术是以一种如下面所描述的计算繁重的方式来处理所获取的图像数据(以便识别被聚焦的层)的。因此，传统的自动聚焦处理在某些高速应用中可能要求使用太长的时间和/或太多的计算资源。
利用传统的自动聚焦算法，所检测物体的所有的层(或者至少可能潜在地包含了所感兴趣的特征的被聚焦图像的所有的层)被重建为完全的图像，然后所重建的完全的图像被分析，以确定所感兴趣的(一个或者多个)层(即，包含了所感兴趣的特征并且被聚焦的(一个或者多个)层)。例如，如上面结合图3A的示例所描述的。可能潜在地包含了所感兴趣的特征(例如，箭头81)的所有的层可以以断层综合方式被重建，并通过自动聚焦技术可以选择出最清晰的层。完全重建可能潜在地包含了所感兴趣特征的所有的层(经常需要重建30个或者更多的层)在计算上是繁重的。
传统自动聚焦技术的一个示例被示出在图5中。也就是说，图5示出了传统自动聚焦技术的示例操作流程。在操作框501中，图像数据(例如，探测器数据)被成像系统所捕获，例如用图2C的示例系统。在操作框502中，所捕获的图像数据按照一种重建处理(例如，断层综合)被处理以重建一个层的完全的图像(或者高分辨率图像)。在框503中，测量被重建的层的约束(或者特性)，例如其清晰度。在框504中，自动聚焦处理确定在所检测的物体中是否存在另外的层(或者在其中可能潜在地存在所感兴趣的特征的另外的层)。如果有另外的层要被重建(例如，该层可能潜在地包含所感兴趣的特征的图像)，则操作返回到框502。在许多情况中，30个或者更多个层可能被完全重建，并且它们各自的清晰度值(和/或其他特性)可能被测量。一旦在框504确定出物体所有的层(或者至少可能潜在地包含了所感兴趣的特征的所有的层)都已经被重建了，则操作前进到框505，在框505，被重建的具有最大清晰度(和/或其他特性)的层被确定为所希望的层(或者被聚焦的层)。
现有自动聚焦技术的一个更具体的示例执行如下步骤：
1.利用断层综合重建一个特定的层；
2.计算所重建的图像的水平和垂直梯度，这可以使用各种数字滤波方案来计算，例如公知的Sobel梯度滤波；
3.使用规定的范数，例如1范数(最大范数)或者2范数(均方范数)，结合水平和垂直梯度；
4.计算该结果的标准偏差，作为对所重建的层的清晰度的测量值；以及
5.对多个层重复上述处理，并识别所有层中的最大的清晰度值，以确定所感兴趣的层。
传统自动聚焦方法的一个缺点是为了找到最清晰的一个层，必须以断层综合方式重建多个层，可能是20个或者30个层。在许多应用中，例如在工业等级检测系统中，希望使图像重建非常快速地进行(例如，实时地)，这造成了对计算引擎的极大负担。上述的自动聚焦算法的算术运算次数，也被称作“计算代价”，近似为((2P+3)MN)L，其中，P是投影(或者探测器)图像的数量，M×N是被重建的图像中的像素的数量，L是所重建的层的数量。因此，在使用上面的算法进行自动聚焦，并且其中使用了16个投影图像来重建一个层(例如，以不同角度的16个图像)的情况下，计算代价被估算为(35MN)L。如果被重建的图像的大小是M×N＝10兆像素，并且如果从16个投影重建了30个层，则总的代价大约是10.5吉次算术运算。在许多高速应用中，可以用于进行这些计算的时间量可能不到几秒。
上述自动聚焦算法的另一个缺点是梯度滤波器的功效可能对不同特征变化很大。具体地说，使用不同大小的滤波器，不同特征的清晰度可能会被更精确地表示。在某些情况中，增大滤波器的大小可以提高运算的功效，但却要从付出更大的计算代价。
在现有技术中，已经提出了许多被设计来提高断层摄影图像重建的质量和/或速度的方法的例子。近年来，基于分级功能的多分辨率方法，尤其是小波，已经成为许多研究的焦点，例如参见I.Daubechies，“Orthonormal Bases of Compactly Supported Wavelets”，Comm.Pure andAppl.Math，第41卷，第909～996页，1988年；S.G.Mallat，“ATheory for Multiresolution Signal Decompositon：the WaveletRepresentation”，IEEE Transactions on Pattern Analysis and MachineIntelligence，第11卷，第7期，第674～693页，1989年；以及Beylkin等，“Fast Wavelet Transforms and Numerical Algorithms I”，Comm.Pureand Appl.Math，第44卷，第141～183页，1991年，所公开的内容通过引用被结合于此。在图像重建领域，小波的应用一般分为几类，下面将进一步讨论。
第一类小波应用是在断层摄影中，主要在于医学工业中所谓的滤波反投影算法(FRP)的使用。这里，着重点是通过构建基于“感兴趣区域”的方法来减少病人对X频段辐射的暴露，这种方法需要取得较少的X射线投影(例如参见Rashid-Farrokhi等，“Wavelet-Based Multiresolution LocalTomography”，IEEE Transactions on Image Processing，第6卷，第10期，第1412～1430页，1997年；Olson等，“Wavelet Localization of theRadon Transform”，IEEE Transactions on Signal Processing，第42卷，第8期，第2055～2067页，1994年；DeStefano等，“Wavelet Localizationof the Radon Transform in Even Dimensions”，Time-Frequency and Time-Scale Analysis，1992年，Proceedings of the IEEE-SP IntemationalSymposium，第137～140页，1999年10月4～6日；Warrick等，“AWavelet Localized Radon Transform”，Proceedings of the SPIE-TheInternational Society for Optical Engineering，第2569卷，第2部分，第632～643页，1995年；Warrick等，“A Wavelet Localized RadonTransform Based Detector for a Signal with Unknown Parameters”，Signals，Systems and Computers，第2卷，第860～864页，1995年10月30日～1995年11月2日；Sahiner等，“On the Use of Wavelets in Inverting theRadon Transform”，Nuclear Science Symposium and Medical ImagingConference，1992，IEEE，第2卷，第1129～1131页，1992年10月25～31日；A.E.Yagle，“Region-of-Interest Tomography Using the WaveletTransform and Angular Harmonics”，Image Processing，Proceedings，第2卷，第461～463页，1995年10月23～26日；以及美国专利No.5,953,388和5,841,890)。然而，由于在工业应用中很少希望减小剂量水平，因此这些方法在工业应用中并不是非常有用。另外，因为在高速(例如实时)计算环境中，完全的断层图像重建通常在计算上花费太多，所以这样的方法对于许多高速应用来说并不非常理想。
除了FBP算法，共扼梯度法也可以被用于断层摄影，并且在这里也已经使用了小波变换，主要是作为使计算更加稳定的手段，例如参见DavidL.Donoho，“Nonlinear Solution of Linear Inverse Problems by Wavelet-Vaguelette Decomposition”，Applied and Computational HarmonicAnalysis，第2卷，第2期，第101～126页，1995年4月；T.Olson，“Limited Angle Tomography Via Multiresolution Analysis andOversampling”，Time-Frenquency and Time-Scale Analysis，1992，Proceedings of the IEEE-SP International Symposium，第215～218页，1992年10月4～6日；Sahiner等，“Limited Angle Tomography UsingWavelets”，Nuclear Science Symposium and Medical Imaging Conference，1993，第3卷，第1912～1916页，1993年10月31日～1993年11月6日；W.Zhu等，“A Wavelet-Based Multiresolution Regularized LeastSquares Reconstruction Approach for Optical Tomography”，IEEETransactions on Medical Imaging，第16卷，第2期，第210～217页，1997年4月；M.Bhatia等，“Wavelet Based Methods for MultiscaleTomographic Reconstruction”，Engineering in Medicine and BiologySociety，Proceedings，第1卷，第A2～A3页，1994年11月3～6日；Natha等，“Wavelet Based compression and Denoising of OpticalTomography Data”，Optics Communications，第167卷，第1-6期，第37～46页，1999年8月15日；以及美国专利No.6,351,548。
另一类小波应用是在特征提取和降噪的方面中。如本领域所公知的，小波提供了用于区分信号和噪音的极好的方案。通过使用降噪技术，包括应用小波变换和使用各种分析方法来修改数据，可以提高被重建的图像的质量，例如参见Bronnikov等，“Wavelet-Based Image Enhancement in X-ray Imaging and Tomography”，Applied Optic，第37卷，第20期，第4437～4448页，1998年；M.D.Harpen，“A Computer Simulation ofWavelet Noise Reduction in Computed Tomography”，Medical Physics，第26卷，第8期，第1600～1606页，1999年8月；Lee等，“WaveletMethods for Inverting the Radon Transform with Noisy Data”，IEEETransactions on Image Processing，第10卷，第1期，第79～94页，2001年1月；E.D.Kolaczyk，“Wavelet Shrinkage in Tomography”，Enginnering in Medicine and Biology Society，Proceedings of the 16th AnnualIntemational Conference of the IEEE，第2卷，第1206～1207页，1994年；以及美国专利No.5,461,655。
类似地，可以对投影(探测器图像)应用小波变换，并分离出信号或者所感兴趣的特征(例如边沿)，使得所得到的重建只对应这些特征，例如参见Srinivasa等，“Detection of Edges from Projections”，IEEETransactions on Medical Imaging，第11卷，第1期，第76～80页，1992年3月；Warrick等，“Detection of Linear Features Using a Localized RadonTransform with a Wavelet Filter”，Acoustics，Speech，and SignalProcessing，1997，ICAS SP-97，1997 IEEE International Conference，第4卷，第2769～2772页，1997年4月21～24日；以及美国专利No.6,078,680。
如所说明的，小波已经在多种与断层摄影图像重建有关的算法中被研究。然而，这些算法都没有提供用于加速基于断层综合的重建方法的手段，它们也没有提供任何用于加速自动聚焦算法的手段。不过，本发明的某些实施例提供了用于图形的断层综合重建和自动聚焦的基于小波的算法；很大程度地降低了与自动聚焦处理相关联的计算代价。
下面结合图6～图12描述根据本发明实施例的示例自动聚焦技术。图6中示出了举例说明本发明一个实施例的示例框图。根据该实施例，所检测物体的探测器图像数据被获取，并且这种所获取的探测器图像数据被用于计算所检测物体的至少一个深度层面的梯度信息，而不用首先以断层综合方式重建该(多个)深度层面的完全的图像。更具体地，对所获取的探测器图像计算小波变换，这种小波变换被用于进行自动聚焦。更具体地，小波变换被用于直接计算所检测物体的至少一个层的梯度，而不是首先以断层综合方式重建深度层面的完全图像并使用被重建的该图像来计算梯度。直接从小波变换计算出的这种梯度可以被用于识别包含了所感兴趣特征的被聚焦视图的层。因而，本实施例在计算上的高效性在于，可能潜在地在其中存在着所感兴趣特征的一个或者多个深度层面的梯度可以被计算，并被用于进行自动聚焦，以确定包含所感兴趣特征的被聚焦视图的深度层面，而不需要先以断层综合方式重建这些深度层面。
如下面所进一步描述的，在某些实施例(例如结合图6所描述的示例实施例)中，小波变换包括多个不同分辨率的基于梯度的图像数据。可以使用分级自动聚焦技术，其中，具有第一(例如相对粗糙的)分辨率的基于梯度的图像数据可以被用于评价在其中可能潜在地存在着所感兴趣特征的多个深度层面中的至少某一些，以确定其中存在着所感兴趣特征的被聚焦视图的层的范围。此后，可以使用具有较高分辨率的基于梯度的图像数据来评价在所确定的范围内的深度层面中的至少某一些，以进一步聚焦在其中存在所感兴趣特征的被聚焦视图的层。
举例来说，成像系统100，例如上面在图1A～图1B和图2C中所描述的示例成像系统，被用于捕获探测器图像601。例如，成像系统100的源20将X射线投射向所检测的物体10，并且探测器阵列30捕获探测器图像601。图7中示出了所捕获的集成电路的一部分的探测器图像的一个具体示例，其将在下面被进一步描述。
在图6中所述的示例实施例中，探测器图像601通过诸如公知的2D哈尔小波变换之类的小波变换602被处理。小波变换602将探测器图像601变换成多个不同分辨率的图像数据的表示。更具体地，小波变换602将探测器图像601变换成多个不同分辨率的基于梯度的图像数据，例如低分辨率的基于梯度的图像数据603、较高分辨率的基于梯度的图像数据604和更高分辨率的基于梯度的图像数据605。在本示例中，低分辨率的基于梯度的图像数据603的分辨率是探测器图像601的八分之一(1/8)；较高分辨率的基于梯度的图像数据604的分辨率是探测器图像601的四分之一(1/4)；更高分辨率的基于梯度的图像数据605的分辨率是探测器图像601的二分之一(1/2)。
以这种方式，用小波变换602处理探测器图像601的结果提供了具有分辨率等级的基于梯度的信息。本发明的实施例可以使用基于梯度的图像数据分辨率的这种等级来进行自动聚焦运算。例如，在图6的示例中，所检测物体10的33个不同的深度层面600(在图6中标号为0～32)可能包含所感兴趣特征的被聚焦视图。也就是说，包含了所感兴趣特征的深度层面的具体位置是未知的。举例来说，假设所感兴趣的是物体10的上表面(例如对于一种检测应用)。根据成像系统的设置，检测员可以大致地知道该表面所在的位置(在“Z”高度维上)。换句话说，物体10的上表面被预期会在某个范围ΔZ中被找到。该范围ΔZ被划分为若干层(例如，图6中的32个层600)，在这些层600上运行自动聚焦算法，以识别最清晰的层(在本示例中为提供了物体10上表面的最清晰的图像的层)。对于给定的应用，可以按照经验定义层的数量，因而其并不限于图6中所示出的层600的示例数量。
如图6的示例中所示的，低分辨率的基于梯度的图像数据603被用于重建层600每八个中的一个的梯度。因而，使用基于梯度的图像数据603进行断层综合以重建层0、8、16、24和32的梯度。这些被重建的层被评价(例如，对于清晰度和/或其它特性)以确定提供了所感兴趣特征的最大程度被聚焦的视图的层。举例来说，可以测量这些层的清晰度(通过分析它们的被重建的梯度)，并可以确定出具有最大清晰度的层。在图6的示例中，层8被确定为具有最大的清晰度。
应当认识到，层0、8、16、24和32的梯度是直接从小波变换602的相对低分辨率的图像数据603被重建的。因此，直接从该低分辨率数据603重建这些层0、8、16、24和32的梯度的计算代价远远小于首先从所捕获的探测器图像601以断层综合方式重建横截面图像并且然后从这种被重建的横截面图像计算梯度。从层600的每八个层中识别出最靠近(或者最接近是)所感兴趣的层(例如最清晰的层)的一个层的处理可以被称作分级自动聚焦技术的第一级别。
一旦确定了分级自动聚焦技术第一级别的具有最大清晰度的层(在图6的示例中为层8)，则可以使用具有下一最高分辨率的小波变换数据来进一步聚焦所感兴趣的层。举例来说，如图6的示例中所示的，较高分辨率的基于梯度的图像数据604被用于重建最初所识别的层8附近的某些层的梯度，以进一步聚焦所感兴趣的层。在本示例中，基于梯度的图像数据604被用于重建层8的梯度，该层是在分级自动聚焦技术的第一级别中被识别为最接近所感兴趣层的层，并且该基于梯度的图像数据604还被用于重建层4和层12的梯度。也就是说，使用基于梯度的图像数据604(它是在小波变换的分辨率数据等级中下一最高分辨率的基于梯度的数据)，进行断层综合以重建层4、8和12的梯度。层4、8和12的被重建的梯度被评价(例如，对于清晰度和/或其他特性)，以确定提供了所感兴趣的物体10特征的最大程度被聚焦的视图的层。在图6的示例中，层4被确定为具有最大清晰度。
应当认识到，层4、8和12的梯度是直接从小波变换602的基于梯度的图像数据604被重建的。因此，直接从该数据604重建这些层4、8和12的计算代价远远小于首先从所捕获的探测器图像601以断层综合方式重建横截面图像并且然后从这种被重建的横截面图像计算梯度。从层600的层4、8和12中识别出最靠近(或者最接近是)所感兴趣的层(例如最清晰的层)的一个层的处理可以被称作分级自动聚焦技术的第二级别。
一旦从对使用基于梯度的图像数据604所重建的梯度的分析中，确定了分级自动聚焦技术第二级别的具有最大清晰度的层(在图6的示例中为层4)，则可以使用该具有下一最高分辨率的小波变换数据来进一步聚焦所感兴趣的层。举例来说，如图6的示例中所示的，较高分辨率的基于梯度的图像数据605被用于重建所识别的层4附近的某些层的梯度，以进一步聚焦所感兴趣的层。在本示例中，基于梯度的图像数据605被用于重建层4的梯度，该层是在分级自动聚焦技术的第二级别中被识别为最接近所感兴趣层的层，并且该基于梯度的图像数据605还被用于重建层2和层6的梯度。也就是说，使用基于梯度的图像数据605(它是在小波变换的分辨率数据等级中下一最高分辨率的基于梯度的数据)，进行断层综合以重建层2、4和6的梯度。这些层通过自动聚焦应用被评价(例如，对于清晰度和/或其他特性)，以确定提供了所感兴趣的物体10特征的最大程度被聚焦的视图的层。举例来说，这些层的清晰度可以通过自动聚焦应用(使用它们的被重建的梯度)再次被测量，并且可以确定出具有最大清晰度的层。在图6的示例中，层4被确定为是所感兴趣的层(即，具有最大清晰度的层)。
应当认识到，在上面的图6的示例自动聚焦处理中，层2、4和6的梯度是从小波变换602的基于梯度的图像数据605被重建的。因此，直接从该数据605重建这些层2、4和6的计算代价远远小于首先从所捕获的探测器图像601以断层综合方式重建横截面图像并且然后从这种被重建的横截面图像计算梯度。从层600的层2、4和6中识别出最靠近(或者最接近是)所感兴趣的层(例如最清晰的层)的一个层的处理可以被称作分级自动聚焦技术的第三级别。
在替代的实施方式中，可以通过自动聚焦应用评价任意数量的深度层面600，并且在替代的实施方式中，可以在等级中包括任意数量的处理级别(因而并不完全限于结合图6所描述的分级处理的三个级别的示例)。并且，虽然结合图6描述了示例分级自动聚焦处理，但是应当认识到，本发明的其他实施例可以不用这样的分级技术。举例来说，本发明的某些替代的实施例可以使用来自小波变换的基于梯度的图像数据(例如，较高分辨率的基于梯度的图像数据605)，来对层600的每一个的梯度进行重建(或计算)，并且这样的梯度可以被评价以确定所感兴趣的层(例如，提供了所感兴趣的物体10特征的最大程度被聚焦的视图的层)。因为这些层的梯度是直接从小波变换602被重建的，而不需要这些层首先以断层综合方式被重建，所以这些替代的实施例也可能在计算上比传统的自动聚焦技术更高效。
图7示出可以从X射线成像系统获得的典型投影(探测器)图像的具体示例，该成像系统例如是可以从安捷伦科技有限公司得到的5DX系统，或者上面在图1A～图1B和图2C中所描述的示例成像系统。更具体地，在本示例中，图像700是被连接在电路板上的集成电路(或“芯片”)的一部分的原始图像，该图像例如可以由图1A～图1B的示例成像系统的探测器阵列30捕获。
图像700以相对高的分辨率被示出，在本示例中近似为1000×1000像素，以便所感兴趣的微小特征能够被清楚地看到和/或分析。因而，在例如工业检测应用的许多应用中，可以由成像系统以相对高的分辨率(例如1000×1000像素)获取图像，以使得足够高分辨率的图像能够被重建用于对物体的分析。然而，分析所检测物体所需的分辨率(例如，对于例如物体检测的给定应用所需的分辨率)经常大于按照本发明实施例进行自动聚焦所需的分辨率。因此，本发明实施例的自动聚焦算法并不需要对于诸如检测之类的应用可能需要的这样高分辨率(例如，1000×1000像素)的图像。因而，如下面所进一步描述的，可以使用较低分辨率的图像来识别所感兴趣的(一个或者多个)层(例如，包含了所感兴趣的特征并且被聚焦的(一个或者多个)层)，这些所感兴趣的(一个或者多个)层然后可以被重建为较高分辨率的图像。被确定为不被感兴趣(例如，不是被聚焦)的层并不需要以这种较高的分辨率被重建。因此，包含了所感兴趣的特征并且被聚焦的层可以通过自动聚焦算法被识别。如下面所进一步描述的，这种自动聚焦算法降低了与自动聚焦处理有关的计算代价。
根据本发明的实施例，小波变换被用于将所探测的图像数据变换为多个不同分辨率的图像数据的表示。如下面所进一步描述的，在某些实施例中，小波变换被用于将所探测的图像数据变换为多个不同的分辨率，其中每个包括梯度信息，这种梯度信息可以在进行自动聚焦中被使用，以确定所感兴趣的(一个或者多个)层(例如，提供了所感兴趣特征的被聚焦的视图的(一个或者多个)层)。下面结合图8进一步描述了根据本发明一个实施例的这种小波变换的示例应用。
图8示出了应用了2D哈尔小波变换之后的图7的示例图像700，2D哈尔小波变换是图形处理领域中公知的一种小波变换。更具体地，图8示出了用2D哈尔小波变换处理原始的所探测的图像数据700的结果。应当认识到，图8的小波表示800的非对角块包含探测器图像700的水平和垂直梯度。如下面所进一步描述的，这些未处理的梯度图像可以在断层综合重建中被使用，以直接产生最终的被重建图像的梯度图像。
具体地说，图8的块Dx1包含使用与Sobel滤波器类似的滤波器所得到的最初的探测器图像700的水平梯度的表示。块Dy1表示垂直梯度。块Dx2和Dy2包含较粗糙分辨率的梯度的表示。在随后的层次，Dx和Dy块包含更加粗糙的分辨率的梯度信息，例如在图8中所示的块Dx3和Dy3中。通常，因为滤波是在图像的较大区域上被有效地计算的，所以在例如Dx3和Dy3的这些具有较粗糙的分辨率的块中的梯度信息更准确地表示了较大特征的梯度。
因此，在图8所示例中得到的小波变换800的Dx1和Dy1块对应分辨率是(图7的)探测器图像700的一半的探测器图像700的梯度。也就是说，得到的探测器图像700的小波变换的Dx1和Dy1块可以被用于计算以断层综合方式被重建的图像的Dx1和Dy1块。得到的小波变换的块Dx2和Dy2对应分辨率比块Dx1和Dy1更加粗糙(例如，分辨率是图7的探测器图像700的四分之一)的探测器图像700(图7的)的梯度。在得到的小波变换800中，还可以包括对应具有逐渐更粗糙的分辨率的梯度的更多的块，例如块Dx3和Dy3(在本示例中，其分辨率是图7的探测器图像700的八分之一)。
如上面所描述的，传统的自动聚焦算法首先以断层综合方式重建所检测物体的层，然后计算该重建的层的梯度。所重建的层的计算出的梯度然后在进行自动聚焦运算(参见上面所描述的传统自动聚焦算法中的操作步骤2～4)中被使用。如本领域所公知的，梯度实质上是图像的导数。因此，自动聚焦算法实质上是试图定位图像中的边沿。通过计算图像的导数，具有尖锐边沿的位置被增强。
应当认识到，得到的图8的小波变换800包括可以被用于重建(图7的)探测器图像700的X和Y导数的块Dx1和Dy1。这样的块Dx1和Dy1具有比图7的探测器图像700小的分辨率(例如，Dx1和Dy1具有这种探测器图像700的一半的分辨率)。同样，小波变换中的块Dx2和Dy2可以被用于以进一步更粗糙的分辨率(例如，探测器图像700的分辨率的四分之一)重建探测器图像700的X和Y导数，小波变换中的块Dx3和Dy3可以被用于以进一步更粗糙的分辨率(例如，探测器图像700的分辨率的八分之一)重建探测器图像700的X和Y导数。同样，在获得X和Y导数之前并不需要首先重建完全的被重建的图像(从断层综合重建处理得到的)，而是得到的小波变换中可得到这些X和Y导数，该小波变换是通过对原始的所探测的图像数据700的处理产生的。因而，在本发明的实施例中，自动聚焦算法可以被实现以使用在得到的小波变换中可得到的梯度信息来进行自动聚焦。因此，在进行自动聚焦以识别所感兴趣的(一个或者多个)层(例如包含了所感兴趣特征的被聚焦的视图的层)之前，不需要重建物体层的完全的图像。另外，比以断层综合方式被重建的图像或者探测器图像700的分辨率更低(例如，块Dx1和Dy1、Dx2和Dy2以及/或者Dx3和Dy3的粗糙的分辨率)的图像数据可以被用于进行自动聚焦运算。
因此，通过使用小波变换的结果来进行自动聚焦，而不是首先完全地重建在其中可能潜在地存在着所感兴趣特征的每个层的图像并且处理这种被重建的图像来进行自动聚焦，这样可以使用较低分辨率的图像来进行自动聚焦。自动聚焦通常可以以较低的分辨率来进行，该分辨率低于希望用于所捕获的探测器图像700和/或所感兴趣的(一个或者多个)层的被完全重建的图像的分辨率。因而，与本发明实施例的自动聚焦处理相关的计算代价被降低到低于传统的自动聚焦技术的计算代价。另外，小波变换800提供了基于梯度的图像数据，因为如上面所描述的，自动聚焦算法可以使用这种基于梯度的图像数据来识别所感兴趣的(一个或者多个)层(即，被聚焦的(一个或者多个)层)，所以该图像数据对于自动聚焦处理是有用的。
因此，图8的示例小波变换提供了多种不同分辨率的基于梯度的图像数据800。更具体地，在图8的示例中，Dx3和Dy3提供了最粗比例(例如，图7的探测器图像700的分辨率的八分之一)的基于梯度的图像数据。Dx2和Dy2提供了比Dx3和Dy3更高分辨率(例如，在本示例中，Dx2和Dy2的分辨率是图7的探测器图像700的四分之一)的基于梯度的图像数据，而Dx1和Dy1提供了比Dx2和Dy2更高分辨率(例如，在本示例中，Dx1和Dy1的分辨率是图7的探测器图像700的一半)的基于梯度的图像数据。以这种方式，小波变换800包括按照分辨率等级的基于梯度的信息。本发明的实施例可以使用基于梯度的图像数据的这种分辨率等级来进行自动聚焦运算，例如下面结合图9的示例所进一步描述的。
图9示出了自动聚焦算法的一个实施例的分级结构。对小波变换800的Dx和Dy块应用断层综合，来以多个不同分辨率重建梯度。如下面所进一步描述的，在自动聚焦算法的这个实施例中，不是每个层都会使用每种分辨率块被重建。具体地说，精细分辨率的块能够比粗糙分辨率的块重建更多的层。这是由在X和Y方向(即，水平、垂直方向)中的投影图像的分辨率与在Z方向(即，高度区分)中的层的分辨率直接有关的事实所造成的。这一情况在算法的本实施例中被用作一个有利条件，如下面所进一步描述的。
根据一个实施例，被包括在小波变换800中的最低分辨率的基于梯度的图像数据(例如，在图8的示例中的Dx3和Dy3)被用于重建物体某些层的梯度，以试图识别在其中可能存在所希望的层(例如，包含了所感兴趣特征的被聚焦的视图的层)的层的范围。举例来说，在图9的示例中，可以从所捕获的图像数据700重建所检测物体的33个不同的层900(在图9中标号为0～32)中的任一个。
应当理解，在图9的示例中的32个层900是由于所感兴趣层的位置中的不确定性而产生的。举例来说，假设所检测电路板的上表面是被感兴趣的(例如，对于检测应用)。根据成像系统的设置，检测员可以大致地知道该表面所在的位置(在“Z”高度维上)。换句话说，板的上表面被预期会在某个范围ΔZ中被找到。该范围ΔZ(在其中可能潜在地存在着电路板的上表面)被划分为若干层(例如，图9中的32个层900)，在这些层900上运行自动聚焦算法，以识别最清晰的层(在本示例中提供了板的上表面的最清晰图像的层)。对于给定的应用，可以按照经验定义层的数量，因而其并不限于图9中所示出的层900的示例数量。举例来说，如果所感兴趣特征(例如，在本示例中的电路板的上表面)的位置中的不确定性较大(较大的ΔZ)，则层900的数量可能较大(例如，多于图9中所示的数量)，并且这里所描述的自动聚焦技术可以被用来在这些层中确定被聚焦的层。另外，本发明的实施例可以被用于一些应用中，在这些应用中实际上没有关于所感兴趣的(一个或者多个)特征的位置的信息。举例来说，在成像系统中其中可能存在所感兴趣特征的可能的Z位置的整个范围(非常大的ΔZ)可以被细分为几千个层，这里所描述的示例自动聚焦技术可以被用来寻找提供了所感兴趣特征的被聚焦视图的层(例如，所检测的电路板的上表面)。
如图9的示例中所示的，小波变换800的块Dx3和Dy3被用于重建物体的每第八个层的梯度。虽然在图9中用箭头示出了使用Dy3重建所检测的物体的每第八个层的梯度(即，Y梯度)，但是应当认识到，Dx3也被用于重建物体的这些层的梯度(即，X梯度)。从而，使用Dx3和Dy3图像数据(低分辨率的基于梯度的数据)进行断层综合，以重建层0、8、16、24和32的梯度。这些被重建的层被评价(例如，对于清晰度和/或其他特性)，以确定“最靠近”(或者最接近的)所希望的层(例如提供了所感兴趣特征的最大程度被聚焦视图的层)的层。举例来说，这些层的清晰度可以被测量(通过分析它们的被重建的梯度)，并可以确定出具有最大清晰度的层。在图9的示例中，层8被确定为具有最大的清晰度。
应当认识到，层0、8、16、24和32的梯度是从小波变换800的Dx3和Dy3块的相对低分辨率的图像数据被重建的。因此，使用Dx3和Dy3块的这种低分辨率数据重建这些层0、8、16、24和32的梯度的计算代价远远小于重建这些层的完全的高分辨率的图像。使用Dx3和Dy3块的这种低分辨率数据重建层0、8、16、24和32的梯度的计算代价也小于使用Dx2和Dy2或者Dx1和Dy1块的较高分辨率的图像数据重建这些层的梯度。另外，以任意的分辨率，直接从所捕获的探测器图像700重建梯度图像的计算代价小于首先从所捕获的探测器图像以断层综合方式重建横截面图像并且然后从这种被重建的横截面图像计算梯度。从使用Dx3和Dy3图像数据所重建的这些层中识别出最靠近(或者最接近)所感兴趣的层(例如最清晰的层)的一个层的处理可以被称作分级自动聚焦技术的第一级别。
一旦确定出分级自动聚焦技术第一级别的具有最大清晰度的层(在图9的示例中为层8)，则可以使用具有下一最高分辨率的小波变换数据来进一步聚焦所感兴趣的层。举例来说，如图9的示例中所示的，Dx2和Dy2图像数据被用于重建最初所识别的层8附近的某些层的梯度，以进一步聚焦所感兴趣的层。在本示例中，Dx2和Dy2图像数据被用于重建层8的梯度，该层是在分级自动聚焦技术的第一级别中被识别为最接近所感兴趣层的层，并且Dx2和Dy2图像数据还被用于重建层4和层12的梯度。也就是说，使用Dx2和Dy2图像数据(在小波变换的分辨率数据等级中下一最高分辨率的基于梯度的数据)，进行断层综合以重建层4、8和12的梯度。层4、8和12的被重建的梯度被评价(例如，对于清晰度和/或其他特性)，以确定“最靠近”(或者最接近)所希望的层(例如，示出了所感兴趣特征的最大程度被聚焦视图)的层。举例来说，这些层的清晰度可以再次被测量，并可以从对所重建的梯度的评价中确定出具有最大清晰度的层。在图9的示例中，层8被再次确定为具有最大的清晰度。
应当认识到，层4、8和1 2的梯度是从小波变换800的Dx2和Dy2块的相对低分辨率的图像数据被重建的。因此，使用Dx2和Dy2的这种低分辨率数据重建这些层4、8和12的梯度的计算代价远远小于重建这些层的完全的高分辨率的图像。使用Dx2和Dy2的低分辨率数据重建层4、8和12的梯度的计算代价也小于使用Dx1和Dy1的较高分辨率的图像数据重建这些层的梯度。另外，以任意的分辨率，直接从所捕获的探测器图像700重建梯度图像的计算代价小于首先从所捕获的探测器图像以断层综合方式重建横截面图像并且然后从这种被重建的横截面图像计算梯度。从使用Dx2和Dy2图像数据所重建的这些层中识别出最靠近(或者最接近)所感兴趣的层(例如最清晰的层)的一个层的处理可以被称作分级自动聚焦技术的第二级别。
一旦从对使用Dx2和Dy2所重建的梯度的分析中确定出分级自动聚焦技术第二级别的具有最大清晰度的层(在图9的示例中的层8)，则可以使用具有下一最高分辨率的小波变换数据来进一步聚焦所感兴趣的层。举例来说，如图9的示例中所示的，Dx1和Dy1图像数据被用于重建所识别的层8附近的某些层的梯度，以进一步聚焦所感兴趣的层。在本示例中，Dx1和Dy1图像数据被用于重建层8的梯度，该层是在分级自动聚焦技术的第二级别中被识别为最接近所感兴趣层的层，并且Dx1和Dy1图像数据还被用于重建层6和层10的梯度。也就是说，使用Dx1和Dy1图像数据(在小波变换的分辨率数据等级中下一最高分辨率的基于梯度的数据)，进行断层综合以重建层6、8和10的梯度。这些层被评价(例如，对于清晰度和/或其他特性)，以确定“最靠近”(或者最接近)所希望的层的层。举例来说，这些层的清晰度可以再次被测量(使用它们的被重建的梯度)，并可以确定出具有最大清晰度的层。在图9的示例中，层6被确定为是所感兴趣的层(即，具有最大的清晰度的层)。
应当认识到，在上面的图9的示例自动聚焦处理中，层6、8和10的梯度是从小波变换800的Dx1和Dy1块的相对低分辨率的图像数据被重建的。因此，使用Dx1和Dy1的这种低分辨率数据重建这些层6、8和10的梯度的计算代价远远小于重建这些层的完全的高分辨率的图像。使用小波变换800的Dx2和Dy2图像数据识别出最靠近(或者最接近)所感兴趣的层(例如最清晰的层)的一个层的处理可以被称作分级自动聚焦技术的第三级别。
在某些实施例中，可以使用分级自动聚焦技术的可选择的第四级别，其中，所捕获的探测器图像700被用于重建层5、6和7，以确定最大程度被聚焦的层。也就是说，上面结合图9所描述的处理可以被使用，将层6识别为具有最大清晰度的层，但是层5和层7还没有被评价。因而，层6和在其两侧的层(层5和层7)可以从所捕获的探测器图像700被重建，并且所重建的图像可以被分析，以探测这些层中的哪个提供了所感兴趣特征的最清晰的视图。这样，即使当使用了这种可选择的第四级别的处理时，也不需要重建在其中可能存在所感兴趣的特征的层900的每个可能的层。另外，各个层的梯度是直接从所获取的探测器图像被重建的，并被用于移近最大程度被聚焦的层。一旦使用对所获取的探测器图像700的小波变换800识别出最大程度被聚焦的层(例如图9的示例中的层6)，则该层以及在其两侧的层可以使用探测器图像700被重建，以进一步筛选正确的层的高度。对于许多应用，这种进一步的筛选可能是不必要的，因而通过对从探测器图像700的小波变换800所重建的梯度的分析而被识别为是最清晰的图像的层(例如，图9的示例中的层6)可以被返回作为通过自动聚焦算法所聚焦的层。
图10示出根据自动聚焦算法的一个实施例，使用了图8的小波变换800的各种块的清晰度计算结果。其显示出即使很低分辨率的块也可以被用于有效地确定层的清晰度轮廓。实际上，如上面所提到的，由于梯度是在较大的区域上被有效地计算，所以较粗比例的块可以给出较先的结果，这更适合于较大的特征。而且，因为粗糙分辨率的块较小，所以以这些较粗分辨率的计算代价显著地被降低了。另外，以任何分辨率，直接从所捕获的探测器图像700重建梯度图像的计算代价小于首先从所捕获的探测器图像700以断层综合方式重建横截面图像并且然后从这种被重建的横截面图像计算梯度。
如上面所描述的，根据本发明的一个实施例，提供了自动聚焦算法，其中，在应用小波变换之后，断层综合被用于重建投影图像的子块。在该方法中，不需要在每个层重建整个的图像。只有某些非对角子块(例如，图8中被标记为Dx或者Dy的块)需要被用于重建处理。自动聚焦算法的本实施例的总的计算代价将取决于使用了多少个子块。举例来说，利用非常粗糙(小)的块的进行的重建可以被用于快速地估计各种层的清晰度轮廓，较精细比例的块可以例如在上面结合图9所描述的示例分级处理中被用于有选择地筛选清晰度轮廓。虽然在图9的示例中对应于使用小波变换800三种递进的更高分辨率的部分，描述了分为三级的层，但是在其他实施方式中，可以在小波变换800中包括任意数量的递进的更高分辨率的块，并且可以在自动聚焦处理中使用任意数量的这些块(即，分级处理可以包括多于三个级别)。
转到图11，示出了本发明一个实施例的示例操作流程图。如图所示，在操作框1101中，原始图像数据由例如图2C的成像系统被探测，并被采集。更具体地，在操作框1101中，成像系统捕获了例如图7的探测器图像700的2D图像数据(像素)。在操作框1102中，对所探测的图像数据进行小波变换。在操作框1103，使用小波变换数据块进行自动聚焦运算。也就是说，进行自动聚焦运算以识别所感兴趣的一个或多个层(例如，包含了所感兴趣特征的被聚焦的一个或多个层)。如虚线中所示的(作为可选地)，操作框1104然后可以进行断层综合以重建由自动聚焦运算所识别的所感兴趣的(一个或者多个)层。
图12示出了本发明实施例的另一示例操作流程图。如图所示，在操作框1201中，例如图7的探测器图像700的原始图像数据由例如图2C的成像系统被探测，并被采集。更具体地，在操作框1201中，2D图像数据被成像系统所捕获，并被采集(例如，被处理单元所采集用于进行自动聚焦运算)。在操作框1202中，所采集的图像数据被处理以产生小波变换，该小波变换包括多个不同分辨率的基于梯度的图像数据，例如图8的示例小波变换800的Dx1和Dy1、Dx2和Dy2以及Dx3和Dy3。
在操作框1203，小波变换的基于梯度的图像数据被用于进行分级自动聚焦。更具体地，在本示例实施例中，在框1204中，具有第一分辨率的小波变换的基于梯度的图像数据(例如，图8的小波变换800的示例中的Dx3和Dy3)被用于重建所检测物体的某些层的梯度(通过断层综合)。在框1205中，测量从具有第一分辨率的基于梯度的图像数据所重建的每个层的清晰度，并识别出具有最多清晰度值的层。
在操作框1206中，使用具有比第一分辨率大的第二分辨率的小波变换的基于梯度的图像数据(例如图8的小波变换800示例中的Dx2和Dy2)来重建所检测物体的某些层的梯度(通过断层综合)。在框1206中所重建的这些层是在所检测物体的全部层的第一范围之内，其中，该第一范围包括在框1205中被识别为具有最大清晰度的层。举例来说，在上面所描述的图9的示例中，Dx3和Dy3被用于重建这些层0、8、16、24和32的梯度(按照图12的框1204的操作)，并且确定出层8具有最大的清晰度(按照图12的框1205中的操作)。然后，Dx2和Dy2被用于重建存在于层900的一个范围(或者“部分”或者“子集”)内的某些层，其中，该范围包括层8。更具体地，在图9的示例中，层4、8和12的梯度使用Dx2和Dy2被重建(按照图12的框1206中的操作)。层4、8和12存在于层900的上一半内(即，在层0～16的范围内)。
在框1207中，从具有第二分辨率的基于梯度的图像数据所重建的每个层的清晰度被测量，并且具有最大清晰度值的层被识别出。如上面结合图9所描述的，可以进行这样的分级自动聚焦的各种其他的级别。一旦通过框1203的分级自动聚焦识别出了所感兴趣的(一个或者多个)层，则操作可以前进到框1208(在虚线中所示出的作为可选择的)，以进行断层综合来重建由自动聚焦运算所识别的所感兴趣的(一个或者多个)层的完全的高分辨率图像。
转到图13，示出了本发明实施例的又一个示例操作流程图。在操作框1301中，例如图7的探测器图像700的原始图像数据被例如图2C的成像系统所探测，并由处理系统采集用于进行自动聚焦运算。更具体地，在操作框1301中，各种不同投影(或者视角)的射线摄影图像数据被成像系统所捕获并被采集。在操作框1302中，所采集的图像数据被处理以计算每个投影图像的2D小波变换。这种2D小波变换包括多个不同分辨率(或“粗糙级别”)的基于梯度的图像数据，例如图8的示例小波变换800的Dx1和Dy1、Dx2和Dy2以及Dx3和Dy3。
在操作框1303中，初始粗糙级别“i”被选择用于分级自动聚焦步骤的初始级别。在操作框1304中，对于设定数量的层执行框1305和1306。在操作框1305中，使用断层综合以重建2D小波变换的Dxi和Dyi块。也就是说，2D小波变换的Dxi和Dyi块被用在断层综合中以重建设定数量的层的梯度。在操作框1306中，例如通过计算标准偏差，每个被重建的层的清晰度被测量。
在框1307中，自动聚焦算法识别并选择具有最大清晰度的所重建的层。在操作框1308中，自动聚焦算法确定是否到达了级别1(即，是否已经使用在小波变换中可得到的最高分辨率的基于梯度的图像数据来进行了重建)，或者当前对所感兴趣的层的估计是否对于用户或者给定应用是可以接受的。如果否，则操作前进到框1309，在那里，小波变换中可得到的下一最精细级别(或者下一最高分辨率)的图像数据被选择用于重建一组层的梯度，这些层以在操作框1307中被识别为是具有最大清晰度的层为中心。然后操作返回框1304，以使用在小波变换中可得到的下一最精细级别的图像数据重建该组层的梯度，并且(在操作框1307中)从被重建的该组层中识别出具有最大清晰度的一个。一旦在框1308中确定出已经使用了在小波变换中可得到的分辨率的最精细的级别，或者当前从框1307所估计的结果是可接受的，则可以在框1310中结束自动聚焦处理。
图14示出系统1400的示例框图表示，在其上可以实现本发明的实施例。如图所示，包括了图像捕获系统1401，该图像捕获系统1401可以包括例如上面所描述的图1A～图1B或者图2C的射线摄影图像探测系统。捕获系统1401的探测器阵列将2D图像数据(像素)输出到重建处理器1402。重建处理器1402可操作以进行2D图像数据的断层综合重建，以产生被重建的3D图像数据(或者层)。重建处理器1402可操作以执行自动聚焦处理1403，以这里所描述的方式进行自动聚焦。因此，系统1400代表了示例系统，其可以进行在图11、图12和图13的示例流程中所描述的操作。用于进行这里所描述的自动聚焦运算的自动聚焦应用(或者处理)1403可以以软件、硬件或者其结合来实现。例如，自动聚焦应用可以被实现(例如，在可被例如处理器1402的处理器执行的软件中)用于对所接收的探测器图像数据计算小波变换，以及用于使用这种小波变换来对所检测物体的一个或者多个深度层面(例如图6的深度层面600)计算梯度信息。因此，重建处理器1402可以被实现为自动聚焦处理器，其可操作以进行自动聚焦运算以及断层综合重建运算。可替换地，可以实现独立的自动聚焦处理器，以进行自动聚焦运算。当然，可以使用与由图14的示例所表示的系统结构不同的其他的系统结构，这些系统结构使得射线摄影图像数据能够被捕获，并被本发明实施例的自动聚焦算法处理。
应当认识到，本发明的各种实施例提供了优于传统自动聚焦技术的优点。例如，在某些实施例中，不需要为了进行自动聚焦而对所检测物体的每个层进行完全的高分辨率的图像重建。另外，在某些实施例中，可以(在小波变换中)预先计算图像的梯度，使得在自动聚焦期间不需要应用梯度滤波器。而且，在某些实施例中，梯度以多个分辨率被计算，使得不同大小的特征可以被确切地表示。
另外，按照本发明的某些实施例，自动聚焦算法的计算代价可以相比传统的自动聚焦技术被显著地降低。作为一个示例，上面结合图9和图13所描述的示例分级自动聚焦算法的计算代价一般可以被估算为(2.67P+18)MN+((2P+3)MN))(L1/4+L2/16+...)，其中，P是投影图像的数量，M×N是被重建的图像中的像素的数量，Li是以特定分辨率被计算的层的数量。在本发明的一个实施例中的Li的典型值是3到5，但是可以根据某些应用的需要使用其他的值。对于其中使用了16个投影图像的特定情况，计算代价可以被估算为：62MN+(35MN)(L1/4+L2/16+L3/64+...)。如上面所描述的，使用传统的自动聚焦算法计算30个层产生10.5吉次运算的总的代价。当使用本发明实施例的自动聚焦算法时，使用Li＝5，代价近似为1.5吉次运算，相当于速度增加了8倍。速度上的实际的提高将取决于所选择的具体的实施方式，其中，在各种不同的实施方式中可以达到4到50倍之间的提速。
虽然已经详细地描述了本发明及其优点，但是应当理解，在这里可以不脱离由所附权利要求所定义的本发明的精神和范围而作出各种变化、替换和更改。而且，本申请的范围并不意图被限定于在本说明书中所描述的处理、机器、产品、物质成分、装置、方法和步骤的特定实施例。如本领域的普通技术人员将容易地从本发明的公开内容所认识到的，可以根据本发明使用现有的或者以后被开发的、执行与这里所描述的相应的实施例基本相同的功能或者获得基本相同的效果的处理、机器、产品、物质成分、装置、方法或者步骤。因此，所附权利要求的意图是将这种处理、机器、产品、物质成分、装置、方法或者步骤包括在其范围之内。

Claims (27)

1.一种方法，包括：
对所检测物体的至少一部分捕获探测器图像数据；以及
使用所述探测器图像数据计算所述所检测物体的所述至少一部分的至少一个深度层面的梯度信息，而不首先以断层综合方式重建所述至少一个深度层面的完全的图像。
2.根据权利要求1所述的方法，包括：
计算多个深度层面的梯度信息，而不首先以断层综合方式重建所述多个深度层面中的任一个的完全的图像。
3.根据权利要求2所述的方法，还包括：
使用计算得到的梯度信息进行自动聚焦。
4.根据权利要求3所述的方法，其中，所述使用计算得到的梯度信息进行自动聚焦的步骤包括：
评价所述多个深度层面的梯度信息以确定所述多个深度层面中包含了所感兴趣特征的被聚焦视图的一个深度层面。
5.根据权利要求4所述的方法，其中，所述评价是由自动聚焦应用自主地进行的。
6.根据权利要求1所述的方法，其中，所述使用所述探测器图像数据计算所述梯度信息是由自动聚焦应用自主地进行的。
7.根据权利要求1所述的方法，其中，所述使用所述探测器图像数据计算所述梯度信息的步骤包括：
计算所述所捕获的探测器图像的小波变换。
8.根据权利要求7所述的方法，其中，所述小波变换包括二维哈尔小波变换。
9.根据权利要求7所述的方法，其中，所述小波变换包含基于梯度的图像数据。
10.根据权利要求9所述的方法，其中，所述小波变换包含多个不同分辨率的所述基于梯度的图像数据。
11.根据权利要求10所述的方法，其中，所述计算所述梯度信息的步骤还包括：
使用具有所述多个不同分辨率中的第一分辨率的所述基于梯度的图像数据计算多个深度层面中的至少一个的梯度，所述深度层面中可能潜在地存在有所感兴趣的所检测物体的特征；以及
使用具有所述多个不同分辨率中的第二分辨率的所述基于梯度的图像数据计算所述多个深度层面中的至少一个的梯度。
12.根据权利要求7所述的方法，还包括：
从所述小波变换计算所述梯度信息。
13.根据权利要求7所述的方法，还包括：
使用小波变换进行自动聚焦。
14.一种系统，包括：
自动聚焦处理器，其可操作以对所捕获的所检测物体至少一个部分的探测器图像数据计算小波变换，以及使用该小波变换进行自动聚焦。
15.根据权利要求14所述的系统，其中，所述自动聚焦处理器包括：
用于计算所述小波变换的计算机可执行软件代码；和
用于执行所述计算机可执行软件代码的处理器。
16.根据权利要求14所述的系统，其中，所述自动聚焦处理器可操作以从所述小波变换计算所述所检测物体的多个深度层面的梯度。
17.根据权利要求16所述的系统，其中，所述自动聚焦处理器可操作以从所计算出的所述多个深度层面的梯度确定出所述多个深度层面中被最大程度聚焦的一个。
18.根据权利要求14所述的系统，其中，所述小波变换包括多个不同分辨率的基于梯度的图像数据。
19.根据权利要求18所述的系统，其中，所述自动聚焦处理器使用具有第一分辨率的基于梯度的图像数据来确定所述所检测物体的深度层面的范围，在所述范围中存在着所感兴趣的深度层面。
20.根据权利要求19所述的系统，其中，所述自动聚焦处理器使用具有比所述第一分辨率更精细的分辨率的基于梯度的图像数据来在所述深度层面的范围中确定所述所感兴趣的深度层面。
21.根据权利要求14所述的系统，其中，所述自动聚焦包括确定所感兴趣的深度层面。
22.根据权利要求14所述的系统，其中，所述自动聚焦包括确定包含了所感兴趣的所述所检测物体的特征的被聚焦视图的深度层面。
23.一种系统，包括：
用于捕获所检测物体至少一部分的探测器图像的装置；
用于对所述所捕获的探测器图像计算小波变换的装置；和
用于从所述小波变换计算所述所检测物体的至少一个深度层面的梯度的装置。
24.根据权利要求23所述的系统，还包括：
用于从所述所检测物体的多个不同深度层面的梯度，确定提供了所感兴趣特征的被聚焦视图的深度层面的装置。
25.一种方法，包括：
对所检测物体的至少一部分捕获射线摄影图像数据；以及
进行自动聚焦，以从所述所检测物体的其中潜在地存在着所感兴趣的层的多个深度层面中，确定所述所感兴趣的深度层面，其中，所述自动聚焦不要求完全地重建全部所述多个深度层面。
26.根据权利要求25所述的方法，其中，所述自动聚焦不要求完全地重建所述多个层中的任一个。
27.根据权利要求25所述的方法，还包括：
在通过所述自动聚焦确定出所述所感兴趣的层之后，以断层综合方式重建所述确定出的所感兴趣的层。
CN200410037482.4A 2003-08-29 2004-04-29 进行自动聚焦断层综合的系统和方法 Pending CN1591480A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US10/651,667 US7424141B2 (en) 2003-08-29 2003-08-29 System and method for performing auto-focused tomosynthesis
US10/651,667 2003-08-29

Publications (1)

Publication Number Publication Date
CN1591480A true CN1591480A (zh) 2005-03-09

Family

ID=34217449

Family Applications (1)

Application Number Title Priority Date Filing Date
CN200410037482.4A Pending CN1591480A (zh) 2003-08-29 2004-04-29 进行自动聚焦断层综合的系统和方法

Country Status (2)

Country Link
US (1) US7424141B2 (zh)
CN (1) CN1591480A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102192918A (zh) * 2010-03-15 2011-09-21 欧姆龙株式会社 X射线检查装置及x射线检查方法

Families Citing this family (33)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4647360B2 (ja) * 2004-04-05 2011-03-09 富士フイルム株式会社 差分画像作成装置、差分画像作成方法、及び、そのプログラム
US7558413B2 (en) * 2004-10-12 2009-07-07 Siemens Medical Solutions USA, Inc, Method for detecting polyps in a three dimensional image volume
US7215730B2 (en) * 2004-12-30 2007-05-08 Ge Healthcare Finland Oy Method and arrangement for multiresolutive reconstruction for medical X-ray imaging
US8774560B2 (en) * 2005-01-11 2014-07-08 University Of Central Florida Research Foundation, Inc. System for manipulation, modification and editing of images via remote device
US7336763B2 (en) † 2005-05-02 2008-02-26 Oy Ajat Ltd Dental extra-oral x-ray imaging system and method
US7676022B2 (en) * 2005-05-02 2010-03-09 Oy Ajat Ltd. Extra-oral digital panoramic dental x-ray imaging system
US20070014468A1 (en) * 2005-07-12 2007-01-18 Gines David L System and method for confidence measures for mult-resolution auto-focused tomosynthesis
WO2013078476A1 (en) 2011-11-27 2013-05-30 Hologic, Inc. System and method for generating a 2d image using mammography and/or tomosynthesis image data
JP5554927B2 (ja) 2006-02-15 2014-07-23 ホロジック， インコーポレイテッド トモシンセシスシステムを使用した乳房バイオプシおよびニードル位置特定
US20070206847A1 (en) * 2006-03-06 2007-09-06 Heumann John M Correction of vibration-induced and random positioning errors in tomosynthesis
US8442353B2 (en) * 2006-08-03 2013-05-14 The Regents Of The University Of California Incorporation of mathematical constraints in methods for dose reduction and image enhancement in tomography
US7769219B2 (en) * 2006-12-11 2010-08-03 Cytyc Corporation Method for assessing image focus quality
WO2010048475A1 (en) * 2008-10-23 2010-04-29 Immersion Corporation Systems and methods for ultrasound simulation using depth peeling
EP2424438A4 (en) * 2009-04-30 2013-04-03 Univ California SYSTEM AND METHODS FOR RAPID IMPLEMENTATION OF EQUAL TILING TOMOGRAPHY
CN102481146B (zh) 2009-10-08 2016-08-17 霍罗吉克公司 乳房的穿刺活检系统及其使用方法
US9224240B2 (en) * 2010-11-23 2015-12-29 Siemens Medical Solutions Usa, Inc. Depth-based information layering in medical diagnostic ultrasound
WO2012071429A1 (en) 2010-11-26 2012-05-31 Hologic, Inc. User interface for medical image review workstation
CA2829349C (en) 2011-03-08 2021-02-09 Hologic, Inc. System and method for dual energy and/or contrast enhanced breast imaging for screening, diagnosis and biopsy
CN104135935A (zh) 2012-02-13 2014-11-05 霍罗吉克公司 用于利用合成图像数据导航层析堆的系统和方法
US9058683B2 (en) 2013-02-21 2015-06-16 Qualcomm Incorporated Automatic image rectification for visual search
WO2014149554A1 (en) * 2013-03-15 2014-09-25 Hologic, Inc. System and method for navigating a tomosynthesis stack including automatic focusing
US10092358B2 (en) 2013-03-15 2018-10-09 Hologic, Inc. Tomosynthesis-guided biopsy apparatus and method
EP3868301B1 (en) 2014-02-28 2023-04-05 Hologic, Inc. System and method for generating and displaying tomosynthesis image slabs
CN104101330B (zh) * 2014-06-23 2017-01-11 中国科学院半导体研究所 一种基于空间差分整形的距离选通超分辨率三维成像方法
EP3662839B1 (en) * 2014-09-16 2023-07-19 Sirona Dental, Inc. Methods, systems, apparatuses, and computer programs for processing tomographic images
US20170294033A1 (en) * 2016-04-06 2017-10-12 Varex Imaging Corporation Dose efficient x-ray detector and method
WO2018097707A1 (en) * 2016-11-25 2018-05-31 Teledyne Dalsa B.V. Method for reconstructing a 2d image from a plurality of x-ray images
US11455754B2 (en) 2017-03-30 2022-09-27 Hologic, Inc. System and method for synthesizing low-dimensional image data from high-dimensional image data using an object grid enhancement
WO2018183548A1 (en) 2017-03-30 2018-10-04 Hologic, Inc. System and method for hierarchical multi-level feature image synthesis and representation
US11445993B2 (en) 2017-03-30 2022-09-20 Hologic, Inc. System and method for targeted object enhancement to generate synthetic breast tissue images
WO2018236565A1 (en) 2017-06-20 2018-12-27 Hologic, Inc. METHOD AND SYSTEM FOR MEDICAL IMAGING WITH DYNAMIC SELF-LEARNING
CN113167901A (zh) * 2018-12-03 2021-07-23 ams国际有限公司 利用强度信息的三维成像
US20230125385A1 (en) * 2021-10-25 2023-04-27 Hologic, Inc. Auto-focus tool for multimodality image review

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4926452A (en) 1987-10-30 1990-05-15 Four Pi Systems Corporation Automated laminography system for inspection of electronics
DE69331719T2 (de) 1992-06-19 2002-10-24 Agfa Gevaert Nv Verfahren und Vorrichtung zur Geräuschunterdrückung
US5841890A (en) 1996-05-06 1998-11-24 Northrop Grumman Corporation Multi-dimensional wavelet tomography
US5953388A (en) 1997-08-18 1999-09-14 George Mason University Method and apparatus for processing data from a tomographic imaging system
US6002739A (en) 1998-04-28 1999-12-14 Hewlett Packard Company Computed tomography with iterative reconstruction of thin cross-sectional planes
FR2779853B1 (fr) * 1998-06-11 2000-08-11 Ge Medical Syst Sa Procede de reconstruction d'une image tridimensionnelle d'un objet, en particulier une image tridimensionnelle angiographique
US6178223B1 (en) 1998-10-06 2001-01-23 Cardiac Mariners, Inc. Image reconstruction method and apparatus
US6201850B1 (en) 1999-01-26 2001-03-13 Agilent Technologies, Inc. Enhanced thickness calibration and shading correction for automatic X-ray inspection
US6351548B1 (en) 1999-06-23 2002-02-26 The Board Of Trustees Of The University Of Illinois Fast hierarchical reprojection algorithm for tomography
US6611627B1 (en) * 2000-04-24 2003-08-26 Eastman Kodak Company Digital image processing method for edge shaping
US6768782B1 (en) * 2002-12-16 2004-07-27 University Of Notre Dame Du Lac Iterative method for region-of-interest reconstruction
US7227980B2 (en) * 2002-12-19 2007-06-05 Agilent Technologies, Inc. Systems and methods for tomographic reconstruction of images in compressed format

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102192918A (zh) * 2010-03-15 2011-09-21 欧姆龙株式会社 X射线检查装置及x射线检查方法
CN102192918B (zh) * 2010-03-15 2014-02-26 欧姆龙株式会社 X射线检查装置及x射线检查方法

Also Published As

Publication number Publication date
US20050047636A1 (en) 2005-03-03
US7424141B2 (en) 2008-09-09

Similar Documents

Publication Publication Date Title
CN1591480A (zh) 进行自动聚焦断层综合的系统和方法
US6813374B1 (en) Method and apparatus for automatic image quality assessment
US8917927B2 (en) Portable backscatter advanced imaging technology scanner with automated target recognition
US8009892B2 (en) X-ray image processing system
US20050078861A1 (en) Tomographic system and method for iteratively processing two-dimensional image data for reconstructing three-dimensional image data
CN1584931A (zh) 对被检测对象多个深度层进行并行图像重建的系统和方法
EP2629083A2 (en) 3d backscatter imaging system
KR102096410B1 (ko) 의료 영상 장치 및 그 제어 방법
CN1635850A (zh) X射线散射校正
CN1357302A (zh) 图像处理方法和设备、记录介质和成像设备
Copley et al. Computed tomography part I: Introduction and industrial applications
Du et al. X-ray tomography of extended objects: a comparison of data acquisition approaches
US20080073567A1 (en) Radiological image capturing system and radiological image capturing method
Han et al. Multi-pass approach to reduce cone-beam artifacts in a circular orbit cone-beam CT system
Brooks et al. Automated analysis of the American College of Radiology mammographic accreditation phantom images
CN113167746A (zh) 用于无损分析测试对象的动态辐射准直
Jumanazarov et al. Significance of the spectral correction of photon counting detector response in material classification from spectral x-ray CT
US7260254B2 (en) Comparing images
CN1591479A (zh) 用于图像重建系统的图像缓冲器以及访问调度
JP2003344316A (ja) 傾斜三次元ｘ線ｃｔ画像の再構成方法
Rehak et al. Acquisition trajectories for X-ray tomosynthesis applied to planar samples
Roh et al. Correcting image distortion in the X-ray digital tomosynthesis system for PCB solder joint inspection
Mutiargo et al. Defect detection using trainable segmentation
JP2010005373A (ja) 放射線画像補正方法および装置ならびにプログラム
US7049616B2 (en) Methods, apparatus, and software for adjusting the focal spot of an electron beam

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C02 Deemed withdrawal of patent application after publication (patent law 2001)
WD01 Invention patent application deemed withdrawn after publication

Open date: 20050309