拉东(Radon)变换

这篇具有很好参考价值的文章主要介绍了拉东(Radon)变换。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

1917年,Radon 变换被提出。例如一个三维物体,如果知道它在各个方向的平面投影,能不能推出它的精确形状,这个数学问题可以由拉东变换解决。

拉东变换

R n R^n Rn 上实值函数的拉东变换定义为 n - 1 n - 1 n1 维超平面上的积分值,它是由拉东引入的. 拉东变换与从函数在空间 R n R^n Rn 的所有超平面上计算的积分值去还原该函数的问题直接相联系(即拉东变换反演问题).

拉东变换以及特别是相应的反演公式(即从函数 f f f 的拉东变换还原 f f f 的公式)在断层照相法中具有最关键的重要性。拉东变换是调和分析和积分几何领域中的重要课题. 它与 Fourier 变换、Laplace 算子和球面调和函数有着密切的联系.

R 2 R^2 R2 上的拉东变换

定义平面上函数 f ( x , y ) f(x,y) f(x,y) 的拉东变换为 R f ( L ) = ∫ L f ( x , y ) d s Rf(L)=\int_L f(x,y)ds Rf(L)=Lf(x,y)ds ,由积分学的知识, ∫ L f ( x , y ) d s \int_L f(x,y) ds Lf(x,y)ds 表示函数 f ( x , y ) f(x,y) f(x,y) 在积分路径 L L L 上的第一型曲线积分。

若光滑曲线 L : { x = φ ( t ) y = ψ ( t ) , t ∈ [ α , β ] L:\begin{cases} x=\varphi(t)\\ y=\psi(t) \end{cases},t\in[\alpha,\beta] L:{x=φ(t)y=ψ(t),t[α,β],函数 f ( x , y ) f(x,y) f(x,y) 为定义在 L L L 上的连续函数,则 ∫ L f ( x , y ) d s = ∫ α β f ( φ ( t ) , ψ ( t ) ) [ φ ‘ ( t ) ] 2 + [ ψ ‘ ( t ) ] 2 d t . \int_L f(x,y) ds=\int_\alpha^\beta f(\varphi(t),\psi(t))\sqrt{[\varphi^`(t)]^2+[\psi^`(t)]^2} dt. Lf(x,y)ds=αβf(φ(t),ψ(t))[φ(t)]2+[ψ(t)]2 dt.

L L L 表示平面上任何一条直线,方差 ℓ t , θ : x cos ⁡ θ + y sin ⁡ θ = t \ell_{t,\theta}:x\cos \theta +y\sin \theta=t t,θ:xcosθ+ysinθ=t,它的位置由两个参数 ( t , θ ) (t,\theta) (t,θ) 来决定,其中 t t t 表示向量 X = ( x , y ) X=(x,y) X=(x,y) 在单位向量 n → = ( cos ⁡ θ , sin ⁡ θ ) \overrightarrow{n}=(\cos \theta,\sin \theta) n =(cosθ,sinθ) 上的投影,即 X ⋅ n → = t . X\cdot \overrightarrow{n}=t. Xn =t. 将单位向量 n → = ( cos ⁡ θ , sin ⁡ θ ) \overrightarrow{n}=(\cos \theta,\sin \theta) n =(cosθ,sinθ) 逆时针旋转 90 度得到单位向量 n → ⊥ = ( − sin ⁡ θ , cos ⁡ θ ) \overrightarrow{n}^\perp=(-\sin \theta,\cos \theta) n =(sinθ,cosθ),记 X ⋅ n → ⊥ = t . X\cdot \overrightarrow{n}^\perp=t. Xn =t. X = t n ⃗ + s n ⃗ ⊥ X=t\vec n+s\vec n ^\perp X=tn +sn ,得直线 L L L s s s 为参数的参数方程: { x = t cos ⁡ θ − s sin ⁡ θ y = t sin ⁡ θ + s cos ⁡ θ . \begin{cases} x=t\cos \theta-s\sin \theta \\ y=t\sin \theta+ s\cos \theta \end{cases}. {x=tcosθssinθy=tsinθ+scosθ.

定义:设函数 f ( x , y ) f(x,y) f(x,y) 沿平面上任意一条直线 ℓ t , θ : x cos ⁡ θ + y sin ⁡ θ = t \ell_{t,\theta}:x\cos \theta +y\sin \theta=t t,θ:xcosθ+ysinθ=t,称 R f ( t , θ ) = ∫ − ∞ + ∞ f ( t cos ⁡ θ − s sin ⁡ θ , t sin ⁡ θ + s cos ⁡ θ ) d s Rf(t,\theta)=\int_{-\infin}^{+\infin}f(t\cos \theta-s\sin \theta,t\sin \theta + s \cos \theta)ds Rf(t,θ)=+f(tcosθssinθ,tsinθ+scosθ)ds 为函数 f ( x , y ) f(x,y) f(x,y)拉东变换

  • 习惯上称 ∫ L f ( x , y ) d s \int_L f(x,y) ds Lf(x,y)ds 为投影值。当 θ = 0 \theta=0 θ=0 时, R f ( t , 0 ) = ∫ − ∞ + ∞ f ( x , y ) d y Rf(t,0)=\int_{-\infin}^{+\infin}f(x,y)dy Rf(t,0)=+f(x,y)dy 表示在 x x x 轴的投影;当
    θ = π 2 \theta=\frac \pi 2 θ=2π时, R f ( t , π 2 ) = ∫ − ∞ + ∞ f ( x , y ) d x Rf(t,\frac \pi 2)=\int_{-\infin}^{+\infin}f(x,y)dx Rf(t,2π)=+f(x,y)dx 表示在 y y y 轴的投影。
  • 从形式上看, R f ( t , θ ) Rf(t,\theta ) Rf(tθ) 是一个无穷区间上的广义积分,但在实际应用中函数 f ( x , y ) f(x,y) f(x,y) 有紧支集,即在某个圆外为零,广义积分变成了特定区间上的定积分。

拉东变换的性质
(1)平移性
f ( x , y ) = g ( x − a , y − b ) f(x,y)=g(x-a,y-b) f(x,y)=g(xa,yb),则 R f ( t , θ ) = R g ( t − a cos ⁡ θ − b sin ⁡ θ , θ ) Rf(t,\theta)=Rg(t-a\cos \theta-b\sin \theta , \theta) Rf(t,θ)=Rg(tacosθbsinθ,θ).

(2)旋转性
f ( x , y ) = g ( x cos ⁡ φ − y sin ⁡ φ , x sin ⁡ φ + y cos ⁡ φ ) f(x,y)=g(x\cos \varphi - y\sin \varphi, x\sin \varphi + y \cos \varphi) f(x,y)=g(xcosφysinφ,xsinφ+ycosφ),则 R f ( t , θ ) = R g ( t , θ + φ ) . Rf(t,\theta)=Rg(t,\theta+\varphi). Rf(t,θ)=Rg(t,θ+φ).

(3)伸缩性
c ≠ 0 , f ( x , y ) = g ( c s , c y ) c\not =0,f(x,y)=g(cs,cy) c=0,f(x,y)=g(cs,cy),则 R f ( t , θ ) = 1 ∣ c ∣ R g ( c t , θ ) . Rf(t,\theta)=\frac 1 {|c|}Rg(ct,\theta). Rf(t,θ)=c1Rg(ct,θ).

(4)线性
R ( a f + b g ) ( t , θ ) = a R f ( t , θ ) + b R g ( t , θ ) . R(af+bg)(t,\theta)=aRf(t,\theta)+bRg(t,\theta). R(af+bg)(t,θ)=aRf(t,θ)+bRg(t,θ).

R 2 R^2 R2 上的拉东变换的逆变换

固定 θ \theta θ,将 R f ( t , θ ) Rf(t,\theta) Rf(tθ) 的一维傅里叶变换(关于变量 t t t) 写为 R ^ f ( w , θ ) = ∫ − ∞ + ∞ R f ( t , θ ) e − i w t d t = ∫ − ∞ + ∞ ∫ − ∞ + ∞ f ( t cos ⁡ θ − s sin ⁡ θ , t sin ⁡ θ + s cos ⁡ θ ) d s   e − i w t d t = ∫ − ∞ + ∞ ∫ − ∞ + ∞ f ( x , y ) e − i w ( x cos ⁡ θ + y sin ⁡ θ ) d x d y = ∫ − ∞ + ∞ ∫ − ∞ + ∞ f ( x , y ) e − i ( x , y ) ⋅ ( w cos ⁡ θ , w sin ⁡ θ ) d x d y = f ^ ( w cos ⁡ θ , w sin ⁡ θ ) \hat Rf(w,\theta)=\int_{-\infin}^{+\infin}Rf(t,\theta)e^{-iwt}dt=\int_{-\infin}^{+\infin}\int_{-\infin}^{+\infin}f(t\cos \theta-s \sin \theta,t \sin \theta + s \cos \theta)ds\space e^{-iwt}dt \\=\int_{-\infin}^{+\infin}\int_{-\infin}^{+\infin}f(x,y)e^{-iw(x\cos \theta+y\sin \theta)} dxdy =\int_{-\infin}^{+\infin}\int_{-\infin}^{+\infin}f(x,y)e^{-i(x,y)\cdot (w \cos \theta , w \sin \theta)}dxdy=\hat f(w \cos \theta,w\sin \theta) R^f(w,θ)=+Rf(t,θ)eiwtdt=++f(tcosθssinθ,tsinθ+scosθ)ds eiwtdt=++f(x,y)eiw(xcosθ+ysinθ)dxdy=++f(x,y)ei(x,y)(wcosθ,wsinθ)dxdy=f^(wcosθ,wsinθ)这表明对图像投影 R f ( t , θ ) Rf(t,\theta) Rf(t,θ) 的一维傅里叶变换(关于变量 t t t) 等于对图像 f ( x , y ) f(x,y) f(x,y) 的二维傅里叶变换,称为中心切片定理

图像重构就是求投影 R f ( t , θ ) Rf(t,θ) Rf(t,θ) 的逆变换(反演变换). 对一切 ( t , θ ) (t,θ) (t,θ) 值知道了函数 f ( x , y ) f(x,y) f(x,y) 的拉东变换时,相当于知道了函数 f ( x , y ) f(x,y) f(x,y) 的二维傅里叶变换,因此对 f ^ ( ω c o s θ , ω s i n θ ) \hat f(ωcosθ,ωsinθ) f^(ωcosθ,ωsinθ) 作傅里叶逆变换,从而得到拉东变换的逆变换 f ( x , y ) = 1 4 π 2 ∫ − ∞ + ∞ ∫ − ∞ + ∞ f ^ ( u , v ) e i ( u x + v y ) d u d v = 1 4 π 2 ∫ 0 2 π ∫ 0 + ∞ f ^ ( w cos ⁡ θ , w sin ⁡ θ ) e i w ( x cos ⁡ θ + y sin ⁡ θ ) w   d w d θ = 1 4 π 2 ∫ 0 2 π ∫ 0 + ∞ R ^ f ( w , θ ) e i w ( x cos ⁡ θ + y sin ⁡ θ ) w   d w d θ . f(x,y)=\frac 1 {4\pi^2}\int_{-\infin}^{+\infin}\int_{-\infin}^{+\infin}\hat f(u,v)e^{i(ux + vy)}dudv\\ =\frac 1 {4\pi^2}\int_{0}^{2\pi}\int_{0}^{+\infin}\hat f(w\cos \theta,w\sin \theta)e^{iw(x\cos \theta + y\sin \theta)} w \space dwd\theta \\=\frac 1 {4\pi^2}\int_{0}^{2\pi}\int_{0}^{+\infin}\hat Rf(w,\theta)e^{iw(x\cos \theta + y\sin \theta)}w\space dwd\theta. f(x,y)=4π21++f^(u,v)ei(ux+vy)dudv=4π2102π0+f^(wcosθ,wsinθ)eiw(xcosθ+ysinθ)w dwdθ=4π2102π0+R^f(w,θ)eiw(xcosθ+ysinθ)w dwdθ.文章来源地址https://www.toymoban.com/news/detail-598841.html

到了这里,关于拉东(Radon)变换的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 拉东变换及其应用

    拉东变换是由奥地利数学家约翰·拉东于1917年提出,目前被广泛的应用在断层扫描,其反变换可以从断层扫描的剖面图重建出投影前的函数。在数学上,拉东变换本质是一种积分变换,这个变换将二维平面函数 f 变换成一个定义在二维空间上的一个线性函数 R f R_f R f ​ 。

    2024年02月08日
    浏览(13)
  • 机器学习理论基础—支持向量机的推导(一)

    SVM:从几何角度,对于线性可分数据集,支持向量机就是找距离正负样本都最远的超平面,相比于感知机,其解是唯一的,且不偏不倚,泛化性能更好。 超平面 n维空间的超平面(wT X+ b= 0,其中w,x ∈ R) 超平面方程不唯— 法向量w和位移项b确定一个唯一超平面 法向量w垂直于

    2024年04月28日
    浏览(32)
  • 相机标定-机器视觉基础(理论推导、Halcon和OpenCV相机标定)

             相机标定是获得目标工件精准坐标信息的基础。首先,必须进行相机内参标定,构建一个模型消除图像畸变;其次,需要对相机和机器人的映射关系进行手眼标定,构建一个模型将图像坐标系上的点映射到世界坐标系。主要分为背景知识、相机内外参模型推导、

    2023年04月21日
    浏览(48)
  • 矩阵理论| 基础:线性变换(正交/酉变换、对称/共轭变换、正规变换)、不变子空间

    线性变换 T mathcal T T 是从向量到向量的映射,并且满足可加性和数乘性: T ( k α + l β ) = k T ( α ) + l T ( β ) mathcal T(kalpha+lbeta)=kmathcal T(alpha)+lmathcal T(beta) T ( k α + lβ ) = k T ( α ) + l T ( β ) 给定一个坐标系后,线性变换 T mathcal T T 对应一个矩阵 A ∈ C m × n mathbf Ainmathcal

    2024年02月09日
    浏览(48)
  • 机器学习——支持向量机(数学基础推导篇【未完】)

    在一个周日下午,夏天的雨稀里哗啦地下着 我躺在床上,捧着ipad看支持向量机 睡了好几个觉…支持向量机太好睡了 拉格朗日乘数法太好睡了 几何函数太好睡了 在我看来,支持向量机是目前学下来,最难以理解的内容 希望日后不要太难…脑子不支持的 支持向量积的原理,

    2024年02月12日
    浏览(95)
  • 机器学习&&深度学习——数值稳定性和模型化参数(详细数学推导)

    👨‍🎓作者简介:一位即将上大四,正专攻机器学习的保研er 🌌上期文章:机器学习深度学习——Dropout 📚订阅专栏:机器学习深度学习 希望文章对你们有所帮助 这一部分包括了很多概率论和数学的知识,而书上的推导很少,这边会做个比较细致的讨论,数学基础不行就

    2024年02月14日
    浏览(47)
  • 【数学建模】常用微分方程模型 + 详细手写公式推导 + Matlab代码实现

    微分方程基本概念 微分方程在数学建模中的应用 微分方程常用模型(人口增长模型、传染病模型) 2022.06.19 微分方程,是指含有未知函数及其导数的关系式。解微分方程就是找出未知函数。 微分方程是伴随着微积分学一起发展起来的。微积分学的奠基人Newton和Leibniz的著作中

    2024年02月09日
    浏览(66)
  • LSTM从入门到精通(形象的图解,详细的代码和注释,完美的数学推导过程)

    先附上这篇文章的一个思维导图 按照八股文来说:RNN实际上就是一个带有 记忆 的时间序列的预测模型 RNN的 细胞结构图 如下: softmax激活函数只是我举的一个例子,实际上得到yt也可以通过其他的激活函数得到 其中at-1代表t-1时刻隐藏状态,at代表经过Xt这一t时刻的输入之后

    2024年02月10日
    浏览(47)
  • 有趣的数学 数学建模入门二 一些理论基础

             现实世界中混乱的问题可以用数学来解决,从而产生一系列可能的解决方案来帮助指导决策。大多数人对数学建模的概念感到不舒服,因为它是如此开放。如此多的未知信息似乎令人望而却步。哪些因素最相关?但正是现实世界问题的这种开放性导致了解决问题

    2024年02月10日
    浏览(46)
  • 史上最简SLAM零基础解读(6) - 卡方分布(chi-square distribution)和()卡方检验(Chi-Squared Test) → 理论讲解与推导

    本人讲解关于slam一系列文章汇总链接:史上最全slam从零开始   文末正下方中心提供了本人 联系方式, 点击本人照片即可显示 W X → 官方认证 {color{blue}{文末正下方中心}提供了本人 color{red} 联系方式,color{blue}点击本人照片即可显示WX→官方认证} 文末正下方中心 提供了本人

    2024年02月08日
    浏览(46)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包