Transformation du radon: Dévoiler des modèles cachés dans les données visuelles
Par Fouad Sabry
()
À propos de ce livre électronique
Qu'est-ce que la transformée de Radon
En mathématiques, la transformée de Radon est la transformée intégrale qui prend une fonction f définie sur le plan en une fonction Rf définie sur le (deux- dimensionnel) espace de lignes dans le plan, dont la valeur sur une ligne particulière est égale à l'intégrale de ligne de la fonction sur cette ligne. La transformation a été introduite en 1917 par Johann Radon, qui a également fourni une formule pour la transformation inverse. Radon a en outre inclus des formules pour la transformation en trois dimensions, dans lesquelles l'intégrale est reprise sur les plans. Il a ensuite été généralisé aux espaces euclidiens de dimension supérieure et plus largement dans le contexte de la géométrie intégrale. L'analogue complexe de la transformée de Radon est connu sous le nom de transformée de Penrose. La transformée de Radon est largement applicable à la tomographie, la création d'une image à partir des données de projection associées aux analyses transversales d'un objet.
Comment vous en bénéficierez
(I) Informations et validations sur les sujets suivants :
Chapitre 1 : Transformation de Radon
Chapitre 2 : Transformation de Fourier
Chapitre 3 : Bessel fonction
Chapitre 4 : Théorème de convolution
Chapitre 5 : Transformée de Fourier discrète
Chapitre 6 : Séries de Fourier
Chapitre 7 : Intégration par parties
Chapitre 8 : Transformée de Fourier fractionnaire
Chapitre 9 : Transformée de Mellin
Chapitre 10 : Noyau de Poisson
(II) Répondre à la Questions principales du public sur la transformation du radon.
(III) Exemples concrets d'utilisation de la transformation du radon dans de nombreux domaines.
À qui s'adresse ce livre
Professionnels, étudiants de premier cycle et des cycles supérieurs, passionnés, amateurs et ceux qui souhaitent aller au-delà des connaissances ou des informations de base pour tout type de transformation du radon.
En savoir plus sur Fouad Sabry
Technologies Émergentes en Agriculture [French]
Lié à Transformation du radon
Titres dans cette série (100)
Vision par ordinateur: Explorer les profondeurs de la vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationGroupe mixte d'experts en photographie: Libérer la puissance des données visuelles avec la norme JPEG Évaluation : 0 sur 5 étoiles0 évaluationHomographie: Homographie : transformations en vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationRéduction de bruit: Amélioration de la clarté et techniques avancées de réduction du bruit en vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationVision stéréo par ordinateur: Explorer la perception de la profondeur dans la vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationÉgalisation d'histogramme: Amélioration du contraste de l'image pour une perception visuelle améliorée Évaluation : 0 sur 5 étoiles0 évaluationTransformation du radon: Dévoiler des modèles cachés dans les données visuelles Évaluation : 0 sur 5 étoiles0 évaluationEspace colorimétrique: Explorer le spectre de la vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationVision par ordinateur sous-marine: Explorer les profondeurs de la vision par ordinateur sous les vagues Évaluation : 0 sur 5 étoiles0 évaluationCartographie des tons: Cartographie des tons : perspectives éclairantes en vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationTransformation affine: Libérer des perspectives visuelles : explorer la transformation affine en vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationCompression d'images: Techniques efficaces pour l'optimisation des données visuelles Évaluation : 0 sur 5 étoiles0 évaluationHistogramme d'image: Dévoilement d'informations visuelles, exploration des profondeurs des histogrammes d'images en vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationProfil de couleur: Explorer la perception et l'analyse visuelles en vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationPeinture: Combler les lacunes de la vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationModèle du système visuel humain: Comprendre la perception et le traitement Évaluation : 0 sur 5 étoiles0 évaluationDiffusion anisotrope: Améliorer l'analyse d'images grâce à la diffusion anisotrope Évaluation : 0 sur 5 étoiles0 évaluationSystème de gestion des couleurs: Optimiser la perception visuelle dans les environnements numériques Évaluation : 0 sur 5 étoiles0 évaluationBanque de filtres: Aperçu des techniques de banque de filtres de Computer Vision Évaluation : 0 sur 5 étoiles0 évaluationCartographie des couleurs: Explorer la perception et l'analyse visuelles en vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationModèle de couleur: Comprendre le spectre de la vision par ordinateur : explorer les modèles de couleurs Évaluation : 0 sur 5 étoiles0 évaluationRétinex: Dévoiler les secrets de la vision informatique avec Retinex Évaluation : 0 sur 5 étoiles0 évaluationConsensus sur un échantillon aléatoire: Estimation robuste en vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationTransformation de Hough: Dévoiler la magie de la transformation de Hough en vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationDétecteur de coin Harris: Dévoiler la magie de la détection des caractéristiques de l'image Évaluation : 0 sur 5 étoiles0 évaluationFiltre adaptatif: Améliorer la vision par ordinateur grâce au filtrage adaptatif Évaluation : 0 sur 5 étoiles0 évaluationTransformation Hadamard: Dévoilement de la puissance de la transformation Hadamard en vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationCorrection gamma: Améliorer la clarté visuelle en vision par ordinateur : la technique de correction gamma Évaluation : 0 sur 5 étoiles0 évaluationDétection des bords: Explorer les limites de la vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationFonction de correspondance des couleurs: Comprendre la sensibilité spectrale en vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluation
Livres électroniques liés
Homographie: Homographie : transformations en vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationInfographie bidimensionnelle: Explorer le domaine visuel : l'infographie bidimensionnelle en vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationChamp de mouvement: Explorer la dynamique de la vision par ordinateur : le champ de mouvement dévoilé Évaluation : 0 sur 5 étoiles0 évaluationTransformation affine: Libérer des perspectives visuelles : explorer la transformation affine en vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationMéthode d'ensemble de niveaux: Faire progresser la vision par ordinateur, explorer la méthode de jeu de niveaux Évaluation : 0 sur 5 étoiles0 évaluationCorrélation croisée: Déverrouiller des modèles dans la vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationInterpolation bilinéaire: Amélioration de la résolution et de la clarté de l'image grâce à l'interpolation bilinéaire Évaluation : 0 sur 5 étoiles0 évaluationTransformation linéaire directe: Applications et techniques pratiques en vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationInfographie de radiosité: Faire progresser la visualisation grâce à la radiosité dans la vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationTransformation de Hough: Dévoiler la magie de la transformation de Hough en vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationModélisation et rendu basés sur l'image: Explorer le réalisme visuel : techniques de vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationModèle de caméra sténopé: Comprendre la perspective grâce à l'optique informatique Évaluation : 0 sur 5 étoiles0 évaluationAjustement du forfait: Optimisation des données visuelles pour une reconstruction précise Évaluation : 0 sur 5 étoiles0 évaluationModèle de réflexion Phong: Comprendre les interactions de la lumière dans la vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationExercices de formes différentielles Évaluation : 0 sur 5 étoiles0 évaluationExercices de distributions Évaluation : 0 sur 5 étoiles0 évaluationExercices de fonctions multi-variables Évaluation : 0 sur 5 étoiles0 évaluationTenseur trifocal: Explorer la profondeur, le mouvement et la structure en vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationPerspective curviligne: Explorer la perception de la profondeur dans la vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationExercices d'intégrales et d'équations intégro-différentielles Évaluation : 0 sur 5 étoiles0 évaluationGéométrie descriptive: Déverrouiller le domaine visuel : explorer la géométrie descriptive en vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationMoments de vitesse: Capturer la dynamique : aperçu de la vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationDétection de gouttes: Dévoiler des modèles dans les données visuelles Évaluation : 0 sur 5 étoiles0 évaluationIntroduction à l'analyse mathématique avancée Évaluation : 0 sur 5 étoiles0 évaluationLe Livre de Mathématique: Volume 2 Évaluation : 0 sur 5 étoiles0 évaluationDiffusion anisotrope: Améliorer l'analyse d'images grâce à la diffusion anisotrope Évaluation : 0 sur 5 étoiles0 évaluationLe Livre de Mathématique: Volume 3 Évaluation : 0 sur 5 étoiles0 évaluationInfographie du sommet: Explorer l'intersection de l'infographie Vertex et de la vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationChamp aléatoire de Markov: Explorer la puissance des champs aléatoires de Markov en vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationIllumination globale: Faire progresser la vision : aperçus de l’éclairage mondial Évaluation : 0 sur 5 étoiles0 évaluation
Intelligence (IA) et sémantique pour vous
Le guide du hacker : le guide simplifié du débutant pour apprendre les bases du hacking avec Kali Linux Évaluation : 5 sur 5 étoiles5/5Maîtriser ChatGPT : Libérez la puissance de l'IA pour améliorer la communication et les relations: French Évaluation : 0 sur 5 étoiles0 évaluationMonétisation ChatGPT : Exploitez la Puissance de l'IA: ChatGPT Évaluation : 0 sur 5 étoiles0 évaluationRésumé Chatgpt ia Revolution in 2023: Guide de la Technologie Chatgpt et de son Impact Social Évaluation : 0 sur 5 étoiles0 évaluationMaîtrisez ChatGPT : Du débutant à l'expert - Guide pratique pour exploiter la puissance de l'IA conversationnelle Évaluation : 0 sur 5 étoiles0 évaluationL'intelligence mixte, vers une nouvelle forme d'intelligence Évaluation : 0 sur 5 étoiles0 évaluationIA dans les Affaires: Guide Pratique de l'Utilisation de l'Intelligence Artificielle dans Divers Secteurs Évaluation : 0 sur 5 étoiles0 évaluationIntelligence artificielle: la quatrième révolution industrielle Évaluation : 0 sur 5 étoiles0 évaluationChat GPT : Comment ça fonctionne et comment gagner avec l'utilisation de la technologie d'Intelligence Artificielle Évaluation : 0 sur 5 étoiles0 évaluationL'art de la création d'images avec l'IA : Techniques, applications et défis éthiques Évaluation : 0 sur 5 étoiles0 évaluationL’Empathie au Cœur de l’Intelligence Artificielle, Comment insérer de l’empathie dans les affaires et l’intelligence artificielle Évaluation : 0 sur 5 étoiles0 évaluationLa prophétie des anciens: Roman dystopique Évaluation : 0 sur 5 étoiles0 évaluationOsons l'IA à l'école: Préparons nos jeunes à la révolution de l'intelligence artificielle Évaluation : 0 sur 5 étoiles0 évaluationHistoire et évolution de l'Intelligence Artificielle Évaluation : 5 sur 5 étoiles5/5Travailler dans le Big Data - les 6 métiers vers lesquels s'orienter Évaluation : 5 sur 5 étoiles5/5
Avis sur Transformation du radon
0 notation0 avis
Aperçu du livre
Transformation du radon - Fouad Sabry
Transformation du radon
Dévoilement de modèles cachés dans les données visuelles
Fouad Sabry est l'ancien responsable régional du développement commercial pour les applications chez Hewlett Packard pour l'Europe du Sud, le Moyen-Orient et l'Afrique. Fouad est titulaire d'un baccalauréat ès sciences des systèmes informatiques et du contrôle automatique, d'une double maîtrise, d'une maîtrise en administration des affaires et d'une maîtrise en gestion des technologies de l'information, de l'Université de Melbourne en Australie. Fouad a plus de 25 ans d'expérience dans les technologies de l'information et de la communication, travaillant dans des entreprises locales, régionales et internationales, telles que Vodafone et des machines professionnelles internationales. Actuellement, Fouad est un entrepreneur, auteur, futuriste, axé sur les technologies émergentes et les solutions industrielles, et fondateur de l'initiative One Billion Knowledge.
Un milliard de connaissances
Transformation du radon
Dévoilement de modèles cachés dans les données visuelles
Fouad Sabry
Copyright
Transformation © du radon 2024 par Fouad Sabry. Tous droits réservés.
Aucune partie de ce livre ne peut être reproduite sous quelque forme que ce soit ou par quelque moyen électronique ou mécanique que ce soit, y compris les systèmes de stockage et de récupération d'informations, sans l'autorisation écrite de l'auteur. La seule exception est celle d'un critique, qui peut citer de courts extraits dans une critique.
Couverture dessinée par Fouad Sabry.
Bien que toutes les précautions aient été prises dans la préparation de ce livre, les auteurs et les éditeurs n'assument aucune responsabilité pour les erreurs ou omissions, ou pour les dommages résultant de l'utilisation des informations contenues dans le présent document.
Table des matières
Chapitre 1 : Transformation du radon
Chapitre 2 : Voir aussi Formule intégrale de Schwarz Références ^ « Analyse complexe - Dérivation de la formule intégrale de Poisson à partir de la formule intégrale de Cauchy ». Échange de piles mathématiques. (consulté le 2022-08-21) Katznelson, Yitzhak (1976), Une introduction à l'analyse harmonique, Dover, ISBN 0-486-63331-4 Conway, John B. (1978), Fonctions d'une variable complexe I, Springer-Verlag, ISBN 0-387-90328-3. Axler, S. ; Bourdon, Paul ; Ramey, Wade (1992), Théorie des fonctions harmoniques, Springer-Verlag, ISBN 0-387-95218-7. King, Frederick W. (2009), Transformes de Hilbert Vol. I, Cambridge University Press, ISBN 978-0-521-88762-5. Stein, Elias ; Weiss, Guido (1971), Introduction à l'analyse de Fourier sur les espaces euclidiens, Princeton University Press, ISBN 0-691-08078-X. Weisstein, Eric W. « Noyau de Poisson ». MathWorld. Gilbarg, D. ; Trudinger, N., Équations aux dérivées partielles elliptiques du second ordre, ISBN 3-540-41160-7.
Chapitre 3 : Fonction de Bessel
Chapitre 4 : Théorème de convolution
Chapitre 5 : Transformée de Fourier discrète
Chapitre 6 : Séries de Fourier
Chapitre 7 : Intégration par pièces
Chapitre 8 : Transformée de Fourier fractionnaire
Chapitre 9 : Transformation de Mellin
Chapitre 10 : Noyau de Poisson
Appendice
À propos de l'auteur
Chapitre 1 : Transformation du radon
Pour chaque fonction f définie sur le plan, la transformée de Radon la mappe sur une fonction Rf définie sur l'espace (bidimensionnel) des droites dans le plan, où la valeur de Rf à une droite donnée est l'intégrale de la droite de f le long de cette droite. Johann Radon a décrit pour la première fois la transformation en 1917 et a également donné une formule pour son inverse. L'intégrale est évaluée sur des plans, comme on le voit dans les formules de transformation tridimensionnelle de Radon (l'intégration sur les lignes est connue sous le nom de transformée en rayons X). Il a finalement été étendu au-delà du domaine de la géométrie intégrale et aux espaces euclidiens de dimension supérieure. La transformée de Penrose est la version sophistiquée de la transformée de Radon. En tomographie, où une image est reconstruite à partir de données de projection associées à des balayages en coupe transversale d'un objet, la transformée de Radon est couramment utilisée.
Si une fonction f représente une densité inconnue, lorsqu'un balayage tomographique est terminé, les données de projection sont représentées par la transformée de Radon.
Étant donné que la transformée de Radon peut être inversée, la densité d'origine peut être reconstruite à partir des données de projection, fournissant ainsi la base mathématique de la reconstruction tomographique, de la même manière que la technique de reconstruction itérative.
Étant donné que la transformée de Radon d'une source ponctuelle non centroïdale est une sinusoïde, les données résultantes sont souvent appelées sinogramme. En conséquence, la transformée de Radon d'un ensemble de petits objets ressemble à un tas d'ondes sinusoïdales étalées d'amplitudes et de phases variables dans un diagramme.
La transformée de Radon a des applications en sismologie par réflexion, en tomodensitométrie axiale (CAT), en microscopie électronique d'assemblages macromoléculaires, y compris les virus et les complexes protéiques, et en résolution d'équations aux dérivées partielles hyperboliques.
Soit {\displaystyle f({\textbf {x}})=f(x,y)} une fonction qui satisfait les trois conditions de régularité :
{\displaystyle f({\textbf {x}})} est continue ; l'intégrale double {\displaystyle \iint {\dfrac {\vert f({\textbf {x}})\vert }{\sqrt {x^{2}+y^{2}}}}\,dx\,dy} , couvrant tout le sol, converge ; pour tout point arbitraire (x,y) du plan, elle tient que
{\displaystyle \lim _{r\to \infty }\int _{0}^{2\pi }f(x+r\cos \varphi ,y+r\sin \varphi )\,d\varphi =0.}En passant à une matrice de Radon, Rf , est une fonction définie sur l'espace des droites {\displaystyle L\subset \mathbb {R} ^{2}} par l'intégrale de la droite le long de chacune de ces droites comme suit :
{\displaystyle Rf(L)=\int _{L}f(\mathbf {x} )\vert d\mathbf {x} \vert .}Concrètement, le paramétrage de toute droite L par rapport à la longueur de l'arc z peut toujours s'écrire :
{\displaystyle (x(z),y(z))={\Big (}(z\sin \alpha +s\cos \alpha ),(-z\cos \alpha +s\sin \alpha ){\Big )}\,}où s est la distance de L par rapport à l'origine et \alpha est l'angle que le vecteur normal fait L avec l' X axe des .
Il s'ensuit que les grandeurs {\displaystyle (\alpha ,s)} peuvent être considérées comme des coordonnées sur l'espace de toutes les droites de \mathbb {R} ^{2} , Dans ces axes, la transformée de Radon est définie comme suit :
{\displaystyle {\begin{aligned}Rf(\alpha ,s)&=\int _{-\infty }^{\infty }f(x(z),y(z))\,dz\\&=\int _{-\infty }^{\infty }f{\big (}(z\sin \alpha +s\cos \alpha ),(-z\cos \alpha +s\sin \alpha ){\big )}\,dz.\end{aligned}}}Plus généralement, dans l' n espace euclidien de dimension , \mathbb {R} ^{n} la transformée de Radon d'une fonction f satisfaisant les conditions de régularité est une fonction Rf sur l'espace \Sigma _{n} de tous les hyperplans dans \mathbb {R} ^{n} .
Pour le dire simplement, :
{\displaystyle Rf(\xi )=\int _{\xi }f(\mathbf {x} )\,d\sigma (\mathbf {x} ),\quad \forall \xi \in \Sigma _{n}}lorsque l'intégrale est faite en termes de mesure des hypersurfaces naturelles, d\sigma (généralisation du {\displaystyle \vert d\mathbf {x} \vert } terme à partir du 2 cas -dimensionnel).
Observons que tout élément de \Sigma _{n} est caractérisé comme le lieu de solution d'une équation \mathbf {x} \cdot \alpha =s , où {\displaystyle \alpha \in S^{n-1}} est un vecteur unitaire et {\displaystyle s\in \mathbb {R} } .
Ainsi, la n transformée de Radon en dimension peut être réécrite en fonction de {\displaystyle S^{n-1}\times \mathbb {R} } via :
{\displaystyle Rf(\alpha ,s)=\int _{\mathbf {x} \cdot \alpha =s}f(\mathbf {x} )\,d\sigma (\mathbf {x} ).}Il est également possible de généraliser encore plus la transformée de Radon en intégrant à la place des k sous-espaces affines de dimension . \mathbb {R} ^{n}
Une application courante de ce cadre est la transformation en rayons X, et en l'intégrant le long de lignes courbes.
Il existe une relation étroite entre la transformée de Radon et la transformée de Fourier. La transformée de Fourier d'une seule variable est définie comme suit :
{\displaystyle {\hat {f}}(\omega )=\int _{-\infty }^{\infty }f(x)e^{-2\pi ix\omega }\,dx.}Pour une fonction d'un 2 -vecteur \mathbf {x} =(x,y) , la transformée de Fourier en une dimension :
{\displaystyle {\hat {f}}(\mathbf {w} )=\iint _{\mathbb {R} ^{2}}f(\mathbf {x} )e^{-2\pi i\mathbf {x} \cdot \mathbf {w} }\,dx\,dy.}Pour plus de commodité, indiquez {\displaystyle {\mathcal {R}}_{\alpha }[f](s)={\mathcal {R}}[f](\alpha ,s)} .
En corollaire, le théorème de la tranche de Fourier énonce :
{\displaystyle {\widehat {{\mathcal {R}}_{\alpha }[f]}}(\sigma )={\hat {f}}(\sigma \mathbf {n} (\alpha ))}où \mathbf {n} (\alpha )=(\cos \alpha ,\sin \alpha ).
Ainsi, la transformée de Fourier bidimensionnelle de la fonction initiale le long d'une droite à l'angle d \alpha 'inclinaison est la transformée de Fourier à une variable de la transformée de Radon (acquise à l'angle \alpha ) de cette fonction.
La transformée de Radon et son inverse peuvent être calculés à l'aide de ces informations.
Ce résultat est généralisable en n dimension :
{\displaystyle {\hat {f}}(r\alpha )=\int _{\mathbb {R} }{\mathcal {R}}f(\alpha ,s)e^{-2\pi isr}\,ds.}Un adjoint à la transformée de Radon est la transformée de Radon double.
À partir d'une fonction g sur l'espace \Sigma _{n} , la transformée de Radon duale est la fonction {\displaystyle {\mathcal {R}}^{*}g} sur Rn définie par :
{\displaystyle {\mathcal {R}}^{*}g(\mathbf {x} )=\int _{\mathbf {x} \in \xi }g(\xi )\,d\mu (\xi ).}L'intégrale ici est prise sur l'ensemble de tous les hyperplans incidents avec le point {\displaystyle {\textbf {x}}\in \mathbb {R} ^{n}} , et la mesure d\mu est la mesure de probabilité unique sur l' {\displaystyle \{\xi |\mathbf {x} \in \xi \}} ensemble invariant sous les rotations autour du point \mathbf {x} .
En particulier, la double transformation de la transformée de Radon en dimension deux est donnée par :
{\displaystyle {\mathcal {R}}^{*}g(\mathbf {x} )={\frac {1}{2\pi }}\int _{\alpha =0}^{2\pi }g(\alpha ,\mathbf {n} (\alpha )\cdot \mathbf {x} )\,d\alpha .}Étant donné que la double transformation « étale » ou « projette » une fonction spécifiée sur chaque ligne du plan sur la ligne pour créer une image, elle est souvent appelée « rétroprojection » dans le domaine du traitement d'image.
Soit \Delta le laplacien sur \mathbb {R} ^{n} défini par :
{\displaystyle \Delta ={\frac {\partial ^{2}}{\partial x_{1}^{2}}}+\cdots +{\frac {\partial ^{2}}{\partial x_{n}^{2}}}}Il s'agit d'un opérateur différentiel du second ordre qui est invariant par