EP1941448A2 - Verfahren zur rekonstruktion von ein- oder mehrdimensionalen daten - Google Patents
Verfahren zur rekonstruktion von ein- oder mehrdimensionalen datenInfo
- Publication number
- EP1941448A2 EP1941448A2 EP06805291A EP06805291A EP1941448A2 EP 1941448 A2 EP1941448 A2 EP 1941448A2 EP 06805291 A EP06805291 A EP 06805291A EP 06805291 A EP06805291 A EP 06805291A EP 1941448 A2 EP1941448 A2 EP 1941448A2
- Authority
- EP
- European Patent Office
- Prior art keywords
- data
- operator
- vector
- dimensional
- reconstruction
- 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.)
- Withdrawn
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
Definitions
- the invention relates to a method for reconstructing one-dimensional or multidimensional data.
- time series images, image sequences, videos, multi-camera image sequences, color or mass spectra is possible.
- Fig. 1a image data original, desired perfect result without noise, that is - the ideal result.
- FIG. 1b Image data original with low noise, which is obtained by a sensor according to the prior art.
- FIG. 2a image obtained according to the known standard method on the basis of the data from FIG. 1b, de-fogged with anisotropic diffusion, as cited, for example, in [ScharrSPIC2005]. Unwanted artifacts are visible.
- FIG. 2b image data with the method according to the invention denouched, artifacts are markedly reduced, in particular in the crossing area of the FIGURE.
- linear models are linear physical differential equations, all models of optical flow with or without changes in brightness, or differential models for 3D reconstruction from multi-camera sequences.
- M is the expected value of the outer product of the
- M ⁇ pp ⁇ > where ⁇ pp ⁇ > denotes the expected value.
- the distribution of p necessary for the calculation of M can be obtained, for example, with the aid of a parameter estimate from equation (1).
- L y B ⁇ (D 1 (I) D j (I)) (6)
- B is an arbitrary, linear or nonlinear
- Data can be reconstructed with the method according to the invention. For example, data can be emptied, gaps filled, and artifacts such as those found in jpeg data reduced.
- data can be emptied, gaps filled, and artifacts such as those found in jpeg data reduced.
- artifacts such as those found in jpeg data reduced.
- the processing of multidimensional data, images, videos, color and mass spectra, multi-camera image sequences, time series, images from NMR, PET or CT recordings, for example in medicine can be carried out.
- the invention therefore also includes a computer and a computing unit which work with the method according to the invention.
- N N-superimposed movements with or without brightness changes
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Complex Calculations (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
Die Erfindung betrifft ein Verfahren zur Rekonstruktion von ein- oder mehrdimensionalen Daten, die einem linearen Modell der Form D(I)<SUP>T</SUP> p = 0 (1) entsprechen, wobei I = aufgenommene Daten T = Transposition D = Operatorvektor und p = Parametervektor dadurch gekennzeichnet, dass die Daten unter Anwendung der Differentialgleichung ?,I=D (M D (I) ) (2) bearbeitet werden, wobei D = Operatorvektor, der mittels Punkt Spiegelung der einzelnen Operatoren in D gewonnen wird, M = Tensor, der mittels des erweiterten Strukturtensors L gewonnen wird, wobei L<SUB>y</SUB>=B* (D<SUB>1</SUB> (I)D<SUB>j</SUB> (I)) ist mit B = Glättungsoperator
Description
Verfahren zur Rekonstruktion von ein- oder mehrdimensionalen Daten
Die Erfindung betrifft ein Verfahren zur Rekonstruktion von ein- oder mehrdimensionalen Daten.
Stand der Technik sind probabilistische Verfahren ohne explizites Modellwissen [RothCVPR2005 , PortillaTIP2003] oder Mittelungsverfahren wie Bilateral Filterung [Toma- SÜCCV1998] , Channel Smoothing [ScharrCVNS2003] oder Diffusionsverfahren [ScharrSPIC2005] . Das in anisotroper nichtlinearer Diffusion implementierte Modell ist in Bildfolgen die optische Flussgleichung, in anderen Daten die Annahme, dass Grauwertpatches durch ihre Orientierung (Hauptachse, 1. Moment) vollständig charakterisiert sind. Dies ist nicht für alle Daten der Fall. Ein Nachteil des Stands der Technik ist, dass selbst bei bekanntem Signalmodell dieses Wissen nicht zur Re- konstruktion des Signals eingesetzt werden kann.
Es ist daher Aufgabe der Erfindung ein Verfahren zu schaffen, mit dem eine gegenüber dem Stand der Technik verbesserte Auswertung von ein- oder mehrdimensionalen Daten, wie z. B. Zeitreihen, Bildern, Bildsequenzen, Videos, Mehrkamerabildsequenzen, Färb- oder Massenspektren möglich ist.
Ausgehend vom Oberbegriff des Anspruchs 1 wird die Auf- gäbe erfindungsgemäß mit den im kennzeichnenden Teil des Anspruchs 1 angegebenen Merkmalen gelöst .
Mit dem erfindungsgemäßen Verfahren ist es nunmehr möglich, eine gegenüber dem Stand der Technik genauere Auswertung ohne unerwünschte Datenartefakte von ein- oder mehrdimensionalen Daten zu erreichen.
Vorteilhafte Weiterbildungen sind in den Unteransprüchen angegeben.
Die Figuren zeigen eine beispielhafte Ausführungsform des erfindungsgemäßen Verfahrens.
Es zeigt :
Fig Ia: Bilddaten Original, gewünschtes perfektes Ergebnis ohne Rauschen, das- -heißt das -ideale Ergebnis.
Fig Ib: Bilddaten Original mit schwachem Rauschen, das man durch einen Sensor nach dem Stand der Technik erhält.
Fig. 2a: Nach dem bekannten Standardverfahren erhaltenes Bild unter Zugrundelegung der Daten aus dem Bild Ib, entrauscht mit anisotroper Diffusion, wie sie beispielsweise in [ScharrSPIC2005] zitiert ist. Unerwünschte Artefakte sind sichtbar.
Fig. 2b: Bilddaten entrauscht mit dem erfindungsgemäßen Verfahren, Artefakte sind insbesondere im Kreuzungsbereich der Figur deutlich vermindert.
Im Folgenden soll die Erfindung beispielhaft beschrieben werden.
Das erfindungsgemäße Verfahren eignet sich für Rekonstruktion bzw. Rauschreduktion ein- oder mehrdimensionaler Daten, die einem linearen Modell der Form D(I)τp = 0 (1) entsprechen.
Dabei gilt :
J = aufgenommene Daten D = Operatorvektor T = Transposition p = Parametervektor
Ein Beispiel für ein solches. Modell ist beispielsweise eine physikalische Transportgleichung für Intensitäten, die einem exponentiellen Zerfall unterliegen: djux+dyluy+djuz+dtl = al (2)
J = aufgenommene Daten der Intensitäten. (dx,dy,dz,dt,l )l(ux,uy,uz,l,-a Y = 0 (3) a = Zerfallsrate aus (2) In diesem Beispiel ist der
der lediglich Ableitungen erster Ordnung und einen Identitätsoperator enthält .
Die Daten sind eine Volumensequenz / = I(x,y,z,t) , wie sie z. B. mittels NMR, PET oder anderen Verfahren aufgenommen werden.
Der Parametervektor ist p = (ux,uy,uz,l,—a)τ .
Weitere Beispiele für lineare Modelle sind lineare physikalische Differentialgleichungen, alle Modelle des optischen Flusses mit oder ohne Helligkeitsänderungen oder differentielle Modelle zur 3D-Rekonstruktion aus Mehrkamerasequenzen.
Wenn ein Signal (Datensatz, Bild, Video,...) einem solchen Modell genügt, so lässt es sich mittels Anwendung folgender Differentialgleichung ö,/=D (M D (I) ) (5) mit I = aufgenommene Daten entrauschen, bzw. wie in Anspruch 2 angegeben rekonstruieren. Dabei ist "D ein Operatorvektor, der mittels Punktspie- gelung der einzelnen Operatoren in D gewonnen wird.
M ist der Erwartungswert des äußeren Produkts des die
Daten beschreibenden Parametervektors
M = <ppτ> wobei <ppτ> den Erwartungswert kennzeichnet. Die zur Berechnung von M notwendige Verteilung von p lässt sich beispielsweise mit Hilfe einer Parameterschätzung aus Gleichung (1) gewinnen.
Eine mögliche Approximation von M ist mittels des erweiterten StrukturSensors L
Ly=B^(D1(I)Dj(I)) (6) wie folgt gewinnbar, wobei B ein beliebiger, linearer oder nichtlinearer
Glättungsoperator ist. Üblich sind vor allem Gaußfilter und Boxfilter [Jaehnel997] .
Insbesondere ist L symmetrisch und diagonalisierbar . Mittels einer Eigenwertanalyse oder anderen aus der Literatur bekannten Verfahren (z.B. SATD) gewinnt man die Zerlegung L = Rτ[λι '-.λH]R (7) mit R = Rotationsmatrix, die die Eigenvektoren enthält und λ = Eigenwerte wobei n die Länge des Operatorvektors ist. Der Tensor M ist dann
M=Rτ[μ,--.μn]R (8) mit μ = Eigenwerte, die heuristisch gewählt werden, wobei wenn λi groß ist μi klein sein soll. R = Rotationsmatrix wie in Gleichung (7) und n = Dimension des Modells.
Bei üblicher anisotroper nichtlinearer Diffusion ist dies der Diffusionstensor, wie er beispielsweise in [ScharrSPIC2005] beschrieben ist. Er besitzt also das gleiche Eigensystem wie L, jedoch andere Eigenwerte. Die Eigenwerte kann man entweder von Hand, via Heuristik [ScharrSPIC2005 und Zitate darin] oder via Statistiken über Trainingsdaten [ScharrICCV2003] gewinnen. Ein einfaches Beispiel für das erfindungsgemäße Verfah- ren ist es, wenn D der 3D-Gradientenvektor angewendet auf Bildfolgen ist. Das lineare Modell ist dann die optische Flussgleichung (ohne Helligkeitsänderung) grad Iτ p=0. Der Parametervektor steht senkrecht auf dem Gradienten der aufgenommenen Daten mit Intensitäten I und Parametervektor p= (u, v, 1) , wobei u und v die
Komponenten des so genannten Verschiebungsvektors sind
[ScharrSPIC2005] und Gleichung (5) die bekannte anisotrope Diffusion. Für diesen Fall sind Auswahlverfahren für die Eigenwerte μ bekannt [ScharrSPIC2005 und Zitate darin] . Ebenso sind Diskretisierungen von Gleichung (5) und deren Implementierungen bekannt.
Mit dem erfindungsgemäßen Verfahren können Daten rekonstruiert werden. Beispielsweise können Daten entrauscht werden, Lücken gefüllt werden und Artefakte, wie sie beispielsweise in jpeg Daten vorkommen, reduziert werden. Es sind zahlreiche Anwendungsmöglichkeiten denkbar. Beispielhaft und nicht einschränkend kann die Bearbeitung von mehrdimensionalen Daten, Bildern, Videos, Färb-, Massenspektren, Mehrkamerabildesquenzen, Zeit- reihen, Bildern aus NMR, PET oder CT Aufnahmen, beispielsweise in der Medizin, vorgenommen werden.
Von der Erfindung sind daher auch ein Computer und eine Recheneinheit umfasst, welche mit dem erfindungsgemäßen Verfahren arbeiten.
Ausführungsbeispiel :
Das gewählte lineare Modell ist das aus M. Shizawa und K. Mase (1990) bekannte Modell für zwei überlagerte transparente Bewegungen in Kamerabildfolgen. Diskreti- sierung via zentraler Differenzen und optimierter Filter. Eigenwert μ±= 0 für alle Eigenwerte, außer denjenigen zum kleinsten Eigenwert λi . Dieser ist auf μx = 1 gesetzt. Die Ergebnisse sind in Fig. 1 und Fig. 2 dar- gestellt.
Weitere Beispiele für Daten, die einem linearen Modell entsprechen:
• N-überlagerte Bewegungen mit oder ohne Helligkeitsänderungen (N ist ganzzahlig und positiv) , wobei die Konstruktion der Modelle analog der Modellkonstruktion in [ScharrEUSIPCO2005] erfolgen kann.
• Lineare Modelle zur 3D-Oberflächenrekonstruktion [ScharrIWCM2004] .
• Andere aus Mathematik und Physik bekannte lineare partielle Differentialgleichungen wie Wellengleichung, Diffusionsgleichung, Schrödinger- gleichung.
Literatur
[ScharrSPIC2005] H. Scharr and H. Spies. Accurate optical flow in noisy image sequences using flow adapted anisotropic diffusion. Signal Processing: Image Communication, Special Issue on Advanced Aspects of Motion Estimation, Volume 20, Issue 6, JuIy 2005, Pages 537-553
[ScharrEUSIPCO2005] H. Scharr, I. Stuke, C. Mota, and E. Barth. Estimation of transparent motions with physical modeis for additional brightness Variation. In ISth European Signal Processing Conference, EUSIPCO, 2005.
[ScharrIWCM2005] H. Scharr. Towards a multi-camera generalization of brightness constancy. In B. Jahne, E. Barth, R. Mester, and H. Scharr, editors, Complex Motion, 1. Int. Workshop, Gύ'ήzburg, Oct. 2004, vdlüme 3417 of Lecture Notes in Computer Science, Berlin, 2005. Springer Verlag.
[ScharrCVNS2003] H. Scharr, M. Felsberg, and P.E. Forssen. Noise adaptive Channel smoothing of low-dose images. In Workshop Computer Vision for the Nano-Scale, CVPR2003, 2003.
[ScharrICCV2003] H. Scharr, MJ. Black, and H.W. Haussecker. Image statistics and anisotropic diffusion. In Int. Conf on Computer Vision, ICCV 2003, pages 840-847, Nice, France, 2003.
[RothCVPR2005] Stefan Roth and Michael J. Black: Fields of Experts: A Framework for Learning Image Priors. IEEE Conference on Computer Vision and Pattern Recognition, vol. 2, pp. 860-867, June 2005.
[PortillaTIP2003] J. Portiila, V. Strela, M. Wamwright, and E. Simoncelli. Image denoising using scale mixtures of Gaussians in the wavelet domain. IEEE Trans.
Image Proc, 12(11):1338-1351, 2003.
[TomasiICCV1998] Carlo Tomasi and Roberto Manduchi. Bilateral Filtering for Gray and Color Images. In ICCV 1998, 839-846, 1998
Claims
1. Verfahren zur Rekonstruktion von ein- oder mehrdimensionalen Daten, die einem linearen Modell der Form D(I)τp = 0 (1) entsprechen, wobei I = aufgenommene Daten T = Transposition D = Operatorvektor und p = Parametervektor dadurch gekennzeichnet, dass die Daten unter Anwendung der
Differentialgleichung dtI=O (M D (I)) (2) bearbeitet werden, wobei
D = Operatorvektor, der mittels PunktSpiegelung der einzelnen Operatoren in D gewonnen wird, M = Tensor, der mittels des erweiterten Strukturtensors L gewonnen wird, wobei LV=B*(D1(I)Dj(I)) ist mit B = Glättungsoperator .
2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass es zum Rekonstruieren von Daten, zum Ent- rauschen von Daten und/oder zum Füllen von Lücken in Daten verwendet wird.
3. Verfahren nach Anspruch 1 oder 2 , dadurch gekennzeichnet, dass es in der Bearbeitung von Spektren, Bildern, in bildgebenden Methoden, NMR, PET, CT, Mehrkamera- bildsegμenzen, bei der Bearbeitung von „Videos eingesetzt wird.
4. Computer, dadurch gekennzeichnet, dass er nach dem Verfahren gemäß einem der Ansprüche 1 bis 3 arbeitet .
5. Recheneinheit, dadurch gekennzeichnet, dass sie mit einem Verfahren nach einem der Ansprüche 1 bis 3 arbeitet .
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| DE102005051693A DE102005051693A1 (de) | 2005-10-28 | 2005-10-28 | Verfahren zur Rekonstruktion von ein- oder mehrdimensionalen Daten |
| PCT/DE2006/001629 WO2007048371A2 (de) | 2005-10-28 | 2006-09-16 | Verfahren zur rekonstruktion von ein- oder mehrdimensionalen daten |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| EP1941448A2 true EP1941448A2 (de) | 2008-07-09 |
Family
ID=37912720
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| EP06805291A Withdrawn EP1941448A2 (de) | 2005-10-28 | 2006-09-16 | Verfahren zur rekonstruktion von ein- oder mehrdimensionalen daten |
Country Status (3)
| Country | Link |
|---|---|
| EP (1) | EP1941448A2 (de) |
| DE (1) | DE102005051693A1 (de) |
| WO (1) | WO2007048371A2 (de) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110572789B (zh) * | 2019-08-12 | 2022-05-24 | 东北大学秦皇岛分校 | 基于Hankel变换的无线传感网高维数据补全方法 |
| CN113449842B (zh) * | 2020-03-27 | 2024-09-27 | 华为技术有限公司 | 一种分布式自动微分方法及相关装置 |
-
2005
- 2005-10-28 DE DE102005051693A patent/DE102005051693A1/de not_active Withdrawn
-
2006
- 2006-09-16 WO PCT/DE2006/001629 patent/WO2007048371A2/de not_active Ceased
- 2006-09-16 EP EP06805291A patent/EP1941448A2/de not_active Withdrawn
Non-Patent Citations (1)
| Title |
|---|
| See references of WO2007048371A3 * |
Also Published As
| Publication number | Publication date |
|---|---|
| DE102005051693A1 (de) | 2007-05-03 |
| WO2007048371A3 (de) | 2007-09-13 |
| WO2007048371A2 (de) | 2007-05-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| DE102012211662B4 (de) | Kalibrierverfahren für eine MPI (=Magnetic-Particle-Imaging)-Apparatur | |
| Yokota et al. | Dynamic PET image reconstruction using nonnegative matrix factorization incorporated with deep image prior | |
| Najarian et al. | Biomedical signal and image processing | |
| DE102019215460A1 (de) | Verfahren und Vorrichtung zur Rauschreduktion von Bildaufnahmen | |
| DE112013002597T5 (de) | Verfahren und System zur tomografischen Bildgebung | |
| DE102021103293A1 (de) | Ein Bayes'sches Bildentrauschungsverfahren, das auf Verteilungsbeschränkungen von rauschhaltigen Bildern basiert | |
| DE19827034A1 (de) | Iteratives Filtersystem für medizinische Bilder | |
| DE19730748B4 (de) | Bandbegrenzte Interpolation und Projektion räumlicher dreidimensionaler Bilder | |
| DE10054814A1 (de) | Verfahren und Vorrichtung zur Registrierung von Bildern | |
| DE112018002793T5 (de) | Bildverarbeitungssystem und bildverarbeitungsverfahren | |
| Aljarrah | Effect of image degradation on performance of convolutional neural networks | |
| Kanimozhi et al. | Brain MR image segmentation using self organizing map | |
| WO2007051566A2 (de) | Verfahren und vorrichtung zur rekonstruktion von bildern | |
| DE102013217336B3 (de) | Phasenkontrast-MR-Bildgebung mit Geschwindigkeitskodierung | |
| DE102015206127B4 (de) | Verfahren und Bilddaten-Ermittlungseinrichtung zum Rekonstruieren von Bilddaten bei der CT-Bildgebung | |
| DE102010062975A1 (de) | Verfahren zur Erzeugung einer vierdimensionalen Darstellung eines einer periodischen Bewegung unterworfenen Zielgebiets eines Körpers | |
| DE69712923T2 (de) | Verfahrung zur automatischen detektion von objekten mit definierter grösse in einem bild | |
| Wang et al. | A modified higher-order singular value decomposition framework with adaptive multilinear tensor rank approximation for three-dimensional magnetic resonance Rician noise removal | |
| WO2007048371A2 (de) | Verfahren zur rekonstruktion von ein- oder mehrdimensionalen daten | |
| Al-Azzawi et al. | An efficient medical image fusion method using contourlet transform based on PCM | |
| DE102008005071B4 (de) | Verfahren zur zeitlichen Registrierung von Bildseriendatensätzen | |
| DE102016212116B4 (de) | Verfahren zur Rekonstruktion eines Bilddatensatzes aus Messdaten einer Bildaufnahmeeinrichtung, Bildaufnahmeeinrichtung, Computerprogramm und Datenträger | |
| DE102007027738A1 (de) | Verfahren und Vorrichtung zur Visualisierung eines tomographischen Volumendatensatzes unter Nutzung der Gradientenmagnitude | |
| EP3783570B1 (de) | Computerimplementiertes verfahren zur rekonstruktion von medizinischen bilddaten | |
| EP1051634B1 (de) | Computer zur auswertung von signalen aus der kernmagnetischen resonanztomographie sowie mit dem computer ausgestatteter kernresonanztomograph |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PUAI | Public reference made under article 153(3) epc to a published international application that has entered the european phase |
Free format text: ORIGINAL CODE: 0009012 |
|
| 17P | Request for examination filed |
Effective date: 20080331 |
|
| AK | Designated contracting states |
Kind code of ref document: A2 Designated state(s): AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HU IE IS IT LI LT LU LV MC NL PL PT RO SE SI SK TR |
|
| 17Q | First examination report despatched |
Effective date: 20080728 |
|
| DAX | Request for extension of the european patent (deleted) | ||
| STAA | Information on the status of an ep patent application or granted ep patent |
Free format text: STATUS: THE APPLICATION HAS BEEN WITHDRAWN |
|
| 18W | Application withdrawn |
Effective date: 20141014 |