Przyszłość tomografii procesowej jest ściśle ukierunkowana na trójwymiarowe wizualizowanie zachodzących procesów. Tradycyjne obrazy przekrojów poprzecznych w wielu przypadkach są zastępowane obrazami całej badanej przestrzeni. Celem niniejszego artykułu jest zaprezentowanie możliwości trójwymiarowej wizualizacji oraz wyników numerycznych obliczeń zagadnienia prostego dla 3D tomografii pojemnościowej - ECH (horikografii). Autorzy pragną pokazać uniwersalne narzędzie do generowania trójwymiarowej siatki elementów skończonych dla różnych geometrii czujników ECH. Uzyskane wyniki symulacji 3D zostaną porównane z wynikami otrzymanymi z rzeczywistego systemu tomografii pojemnościowej. Przeprowadzony zostanie również proces rekonstrukcji 3D.
EN
The future of the process tomography is strongly associated with 3D process imaging. The traditional cross-sectional images will in many cases be replaced with images of the whole volume of the process. The aim of this paper is to demonstrate the possibilities of 3D process imaging and the results of numerical calculation for solving the forward problem for 3D Electrical Capacitance Tomography - ECT (Horikography). The authors also present a universal tool for 3D mesh generation for Finite Elements Method for many of different 3D ECT sensors. The results obtained from the 3D simulator are compared with the data from a real ECT tomography. The reconstruction process for this data is performed.
2
Dostęp do pełnego tekstu na zewnętrznej witrynie WWW
In practical applications of vision systems to mechanical systems vibration measurements, the problem of image reconstruction on the basis of registered noisy image is frequently encountered [6]. Such problem is an inverse [1], ill-posed problem [2, 7], which means that even small disturbances of the registered image have significant influence on the accuracy of its reconstruction. The first paper, denoted as part I, concerns the issue of the test image noise reduction carried out by means of the direct image regularization method. The main step of the method algorithm consists in decomposing matrix modelling noise into singular values, which, in case of images of significant dimensions, requires significant computational effort. Therefore, for the purposes of regularization of images of significant dimensions, in the current paper (part II), the iterative approximate method formulated by the author was used. Obtained results proved that formulated and implemented methods find application to noise reduction of images, the reconstruction of which is impossible to carry out by means of other methods because of the excessive loss of information resulting from imposed noise.
PL
Często spotykanym w praktyce problemem przetwarzania sygnałów jest rekonstrukcja obrazu na podstawie zarejestrowanego obrazu zaszumianego. Problem ten jest zagadnieniem odwrotnym źle zdefiniowanym, co oznacza, że niewielkie zakłócenia rejestrowanego obrazu mają znaczący wpływ na dokładność rekonstrukcji obrazu. W pierwszym artykule (oznaczonym jako „część I”) przedstawiono rezultaty redukcji zakłóceń obrazu testowego uzyskane z zastosowaniem sformułowanego przez autorkę algorytmu opartego o metody regularyzacji Tichonowa, TSVD, DSVD oraz ME. Przeprowadzenie regularyzacji obrazu zgodnie z tym algorytmem wymaga dokonania rozkładu macierzy modelującej szum na wartości szczególne, co w przypadku macierzy o dużym rozmiarze wymaga bardzo dużych nakładów obliczeniowych. Z tego względu w niniejszym artykule (oznaczonym jako „część II”), do redukcji obrazów o znacznych rozmiarach, zastosowano sformułowaną przez autorkę iteracyjną metodę przybliżoną. Na podstawie analizy rezultatów przeprowadzonych badań nasuwa się wniosek, że metody regularyzacji nie powinny być stosowane w przypadkach gdy zastosowanie „konwencjonalnych” metod analizy prowadzi do uzyskania rezultatów o zadawalającej dokładności. Ich zastosowanie staje się konieczne w przypadku obrazów, których rekonstrukcja nie jest możliwa do przeprowadzenia innymi metodami ze względu na zbyt dużą utratę informacji spowodowaną nałożeniem szumów.
The main purpose of the paper is to present a statistical model-based iterative approach to the problem of image reconstruction from projections. This originally formulated reconstruction algorithm is based on a maximum likelihood method with an objective adjusted to the probability distribution of measured signals obtained from an x-ray computed tomograph with parallel beam geometry. Various forms of objectives are tested. Experimental results show that an objective that is exactly tailored statistically yields the best results, and that the proposed reconstruction algorithm reconstructs an image with better quality than a conventional algorithm with convolution and back-projection.
Magnetoacoustic Tomography with Magnetic Induction (MAT-MI) is a new hybrid imaging modality especially dedicated for non-invasive electrical conductivity imaging of low-conductivity objects such as e.g. biological tissues. The purpose of the present paper is to determine the optimal scanning step assuring the best quality of image reconstruction. In order to resolve this problem a special image reconstruction quality indicator based on binarisation has been applied. Taking into account different numbers of measuring points and various image processing algorithms, the conditions allowing successful image reconstruction have been provided in the paper. Finally, the image reconstruction examples for objects’ complex shapes have been analysed.
PL
Tomografia magnetoakustyczna ze wzbudzeniem indukcyjnym (MAT-MI) to nowa hybrydowa technika obrazowania dedykowana szczególnie do nieinwazyjnego obrazowania obiektów o niskiej konduktywności elektrycznej, takich jak na przykład tkanki biologiczne. Celem niniejszej pracy jest określenie optymalnego kroku skanowania zapewniającego najlepszą jakość rekonstrukcji obrazu. W celu rozwiązania tego problemu zastosowano specjalny wskaźnik jakości rekonstrukcji obrazu bazujący na binaryzacji. W artykule przedstawiono warunki umożliwiające pomyślne zrekonstruowanie obrazu biorąc pod uwagę różną liczbę punktów pomiarowych oraz różne algorytmy przetwarzania obrazu. W końcowym etapie pracy przeanalizowano przykłady rekonstrukcji obrazu dla obiektów o bardziej złożonych kształtach.
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.