csmri算法

‘壹’ 请问有谁知道TV算法（最小全变分算法）

您好，[LASIP_Image_Restoration_DemoBox_v112.rar] - LASIP局部多项式逼近算法用于二维信号处理、图像复原，图像去噪的MATLAB实现。
[blind.rar] - 利用盲卷积图像复原方法，对模糊图像进行图像复原，可以达到比较好的效果。
[TV1.rar] - 采用T.Chan的总体变分(TV)方法实现图像修复，由于算法本身的局限性，无法解决视觉连通性的问题。

[Thisprocereforfull-variational.rar] - 本程序实现全变分(Total Variation, TV)的去噪算法，它使用了PDF纠正TV算法中的小问题。该算法可以很好地保留原图边缘信息的同时，去除噪声。
[LASIP_BlindDeconvolution.zip] - The LASIP routines for Multiframe Blind Deconvolution are used for restoration of an Image from its multiple blurred and noisy observations.
[irntv.zip] - The generalized total variation denoising algorithm which can be widely used for optimization or signal processing
[RestoreToolsNoIP.rar] - 一个非常好的图像恢复的工具集，matlab编写的源代码。
[MaximumEntropyv1.00.zip] - 一个基于最大熵的图像复原算法源代码。可以完成图像的去燥声和去模糊。
[TVInpainting.rar] - TV图象修复 自己写的小程序 matlab
[TVCMRI_pub.zip] - matlab code for Fixed point and Bregman iterative methods. minimize alpha*TV(Phi *x) + beta*||x||_1 + 0.5*||Ax-b||_2^2

‘贰’ 读心术的算法是什么

首先我们看一下我们按照”读心术“选择和运算完有何结果：”任意选择一个两位数“我们把它表示为（10n＋m）其中n、m均为整数且0<n<=9,0<=m<=9，这样10n＋m就是10～99的任意一个整数了。那么按照读心术的运算方式，我们把“这个数的十位与个位相加”，即：n＋m，那么“再把任意选择的数减去这个和”，我们得出（10n＋m）－（n＋m）=10n＋m－n－m=9n
那么我们此时得到的数字便是9的n倍，那么这个数字一定是9、18、27、36、45、54、63、72、81中的任意一个。
那么现在我们看看网页中的那个数字图案表，看一下，以上数字相应的图形，你会发现，它们相应的图形都是一样的。
此时你再点击水晶球，发现什么了？对了，此时水晶球里显示的图形正是以上数字所相应的图形。
然后有人问：我每次的答案都是不一样的图形啊？
答曰：因为它所谓的数字图形表每次也不一样的，只是它让你以为它是一样的而已。但是不管怎么变，9、18、27、36、45、54、63、72、81，这几个数字所对应的图形是一样的。水晶球最后显示的也是同这几个数字对应的图形一样。
又有人问，它不知道我选的是什么数字啊～我选的又不是以上几个数字，比如77。
答曰：它不管你选的什么数字，它只知道你的数字算完了是以上几个数字，具体运算步骤，参看前面首先那段。
现在明白了吧，所谓神奇的”读心术"只不过是数学一些运算及障眼法的巧妙运用。可惜只能蒙住盲目相信他们的人，只要我们仔细推敲一下，它是经不起推敲的。当然我们可以把它当作一种数字游戏，但切记，它是科学游戏，而非魔法游戏。

‘叁’ 帮忙翻译下

压缩传感(CS)旨在重建图像信号,比传统的显着减少测量认为是必要的. 核磁共振成像(MRI)是一个重要的医学成像的工具和数据采集过程中固有的慢。应用,提供了潜在的重要CS核磁共振扫描时间减少,以效益为病人和卫生保健经济学
MRI遵循的两个关键成功应用的要求:1)医学影像CS自然是可压缩编码在适当稀通过变换域(例如,通过小波变换);2)的核磁共振成像扫描仪自然,而不是获得编码样品 直接的像素的样品(例如,在局部编码)。
在这篇文章中我们复习了要求,描述他们自然CS成功适应核磁共振成像(MRI),然后举例中应用的四个有趣CS MRI)。我们强调一个直观的理解以CS重建CS作为一项interferenc注销。我们的理解也强调在应用驱动因素, 包括限制,由MRI硬件特征的不同类型的图像,并通过临床问题。

‘肆’ 等值面的等值面生成算法

Cuberille方法
· Cuberrille等值面方法又称Opaque Cube算法，最初由Herman等人提出，后来又多次改进。算法主要分为两个步骤：
· (1) 确定边界单元
对于规则网格数据，其网格单元可看成是正六面体单元，整个三维数据就是由这种正六面体组成的，这种组成三维图象的基本正六面体单元称为体元。对于给定的阈值Ft，遍历体数据中的各个单元，将组成体元8个顶点上的值与Ft进行比较，找出顶点值跨越Ft的所有体元，即体元中有的顶点值大于阈值，有的顶点值小于阈值，因此体元内包含等值面片，这就是边界单元。
(2) 绘制各边界单元的6个多边形面，即将等值面看成是由各单元的六个外表面拼合而成
每个单元均为一正六面体，包括6个多边形面。对组成所有边界体元的多边形面进行绘制，即可产生最终的图象结果。在绘制多边形过程中应采用合适的光照模型和消隐技术。
如果在具有硬件深度缓存(Z-buffer)功能的计算机上运行立方体方法，可以将这组多边形不分次序地提交给硬件，由硬件完成消除隐藏面的任务。如果以软件方式执行立方体方法，在算法中必须考虑多边形的遮挡问题。一个有效的方法是把遍历体元集合与显示两个步骤合二为一，遍历体元集合时采用从后至前的次序。发现一个边界体元，就立刻显示它的6个面。后显示到屏幕上去的多边形将覆盖先显示的多边形，这样就达到了消除隐藏面的目的，这就是画家算法的思想。
Marching Cubes(MC)方法
Marching Cubes（移动立方体）方法是由W.E.Lorenson和H.E.Cline在1987年提出来的。由于这一方法原理简单，易于实现，目前已经得到了较为广泛的应用，成为三维数据等值面生成的经典算法，Marching Cubes算法又简称为MC算法。MC方法的原理如下：
在Marching Cubes方法中，假定原始数据是离散的三维空间规则数据，一个体元定义为由相邻层上的8个顶点组成的一个长方体。为了在三维数据中构造等值面，应先给定所求等值面的值，该方法的基本原理是逐个处理所有的体元，将体元各顶点处的值与给定的阈值进行比较，首先找出与等值面相交的体元，然后通过插值求等值面与体元棱边的交点，并将各交点连成三角形来构成等值面片，所有体元中的三角形集合就构成了等值面。由于这一方法是逐个处理所有的体元，因此被称为Marching Cubes方法。 在W.E.Lorenson和H.E.Cline于1987年提出Marching Cubes方法之后不久，他们就发现，当离散三维数据的密度很高时，由Marching Cubes方法在体元中产生的小三角面片常常很小，在图像空间中的投影面积与屏幕上一个像素点的大小差不多，甚至还要小，因此，通过插值来计算小三角面片是不必要的。随着新一代CT和MRI等设备的出现，二维切片中图象的分辨率不断提高，断层不断变薄，已经接近并超过计算机屏幕显示的分辨率。在这种情况下，常用于三维表面生成的Marching Cubes方法已不适用。于是，在1988年，仍由W.E.Lorenson和H.E.Cline两人提出了剖分立方体(Dividing Cubes)方法。

‘伍’ 在MRI方面，劳特伯有什么发明

劳特伯的发明是，在1973年把梯度引入磁场中，从而创造了一种用其他手段看不到的二维结构图像；他还发明了今天称为“平面反射波扫描”的技术——通过快速的梯度变化可以得到转瞬即逝的图像。这被称为“劳特伯算法”。但是，一家杂志的主编却不发表劳特伯的论文，于是他又把论文寄给这家杂志的一个编委。最后采取了折中方案——发表论文摘要。

‘陆’ 神经影像学是什么

影像学检查我们在日常疾病的诊断中经常能听到，也经常会做到，什么是神经影像检查？
所谓的神经影像检查是指用于神经影像诊断的一些影像学检查技术，在临床工作中主要是包括CT、磁共振和DSA(数字减影血管成像)。
CT它的中文名字就叫计算机断层成像，它是利用X线对人体的某一部位进行扫描，然后通过探测器接收穿过人体的剩余的X线，经过计算机的后处理，就形成人体这一部位的横断面的图像。
在CT图像上，有些病人都做过，看到都是黑白的图像，我们就是利用从黑到白的这16种不同灰度来反映这种组织的特性，X线的衰减系数。在我们人体中骨头X线衰减系数是最高的，因此在CT图像上是白的，但是气体X线衰减系数是最低的，它是黑的。而软组织、水、脂肪是介于二者中间。所以说我们平时看CT图像的时候，就是通过不同程度的黑与白来判断组织的组成。
而磁共振就是我们所说的MRI，它是完全不同的一种成像方法，它不再是利用X线来成像，而是利用我们人体内的氢质子来成像，我们把人体放到了一个大磁场里面，然后利用氢质子的这种磁共振现象产生的信号，通过计算机的处理就形成了人体的图像。
磁共振成像和CT不太一样的在哪？它有好多种成像的序列，因此我们就通过综合分析这些不同序列的图像，既可以获得组织结构的信息，还可以获得一定功能方面的信息。所以相对而言来说磁共振比CT具有更好的这种软组织的分辨率，所以在神经系统疾病的诊断中磁共振更有一些优势。
我们还提到了一种技术叫DSA，DSA的全称叫数字减影血管造影技术，它是一种有创性的检查，主要是用于神经系统这种血管性疾病的检查。

‘柒’ 体数据可视化的各种算法和技术的特点有哪些

LightingChart：网页链接

体数据集可以通过MRI，CT，PET，USCT或回声定位等技术捕获，也可以通过物理模拟(流体动力学或粒子系统)产生。

视化体数据包括四种主要算法。

1、基于切片方法，这意味着给予每个体数据切片滚动交互单独可视化机会。此技术的优点在于操作简单和复杂计算少。而它的缺点是可视化人员需要想象重建整个对象结构

2、其他技术仿真：这种方法很适合于熟悉一定技术的专家可视化分析应用。比如，应用于医疗和地震行业的新技术开发，专家们可以从旧技术解决方案平稳过渡到现代化技术

3、间接体绘制：间接体渲染可以有多种工具用于多边形网格模型。此方法包含两个阶段，第一阶段是根据特定阈值从数据集中提取等值面，有几种算法可以进行该任务(最受欢迎的是Marching Cubes )。 有时，可以通过开发基于特定数据集的特定特征的特殊算法来改进等值面提取。然后用三维图像引擎或其它工具可视化多边形曲面模型，比如: LightningChart的网格模型非常合适于该方法。

4、直接体绘制：直接体绘制不要求预处理。 直接从原始数据集观察数据，为算法提供了动态修改传递功能和阈值的机会。而且有些方法允许以半透明的方式可视化数据集的内部结构。

直接体绘制是目前可视化数据最强大的方法。可视化具有多边网格模型的所有优点，并且可以在同一场景中轻松绑定。此外，可以切割模型的一部分来查看被物体表面隐藏的结构。

‘捌’ 您好，我现在是要处理一个MRI体数据，想用配准算法实现一些深部脑结构的提取，然后对其进行重建

很遗憾不熟悉Matlab。Matlab可能有很多高层次的图像处理接口，尤其OpenCV针对计算机视觉也有图像配准的接口。我不很熟悉这脑组织切片之间图像变形有多大程度？配准过程要不要进行特征点匹配？还是不需要旋转、比例、或非线性变换，而直接平移就可以了(就是图像中实物都是近似为同样大小、相同方向)？针对不同情况会有相应处理。另外对于特征的选择，组织切片也有特殊性，我认为可供利用的主要是灰度斑块和曲线型边缘，这样如是用灰度差做匹配目标函数，可考虑加大这些部位的权重，或者直接忽略其他部位的作用。好像这方面已有不少论文，你到网络文库、豆丁、道客88、谷歌文库去查查，这些是免费的，当然知网、万方等收费站点就更多了。