随着科学技术的发展，医学影像技术也取得了突破性的发展，尤其是多种模态的医学影像标志着医学影像技术进入了新的高度.由文献[1]的研究可知，使用现代科学技术对多种成像技术进行优化处理，不但可以为临床诊断提供便利，也可以为手术治疗提供技术支持.对于成像技术的优化处理，融合技术是关键所在，但在融合技术中，前期需要解决的问题是重建.

本计与上位机的通信协议采用了ModBus协议，上位机将设定温度值写入到下位机单片机中（命令16），并将单片机检测的中频炉温度读入到上位机中（命令03）进行显示及记录。

针对目前脑磁图像数据重建方法的缺点，本文提出面向李群论模算法的动态脑磁图像重建方法.将脑磁图像数据首先以一定采样间隔转换成三维数字图像，然后对三维数字图像进行形态学运算，最后对形态学运算结果进行聚类分析，得到脑磁图像重建结果.

在脑核磁共振图像的重建中，通过Harris,SUSAN算法的专业处理，再经过分析与对比.本文关于脑核磁共振图像重建，采用了混合角点检测算法.这种算法不同于Harris与SUSAN算法，它的重建精度更高，稳定性更强，更加适用于脑核磁共振图像的重建.

1 脑磁图像三维数字图像和三维数学形态学

1.1 脑磁图像三维数字图像

在文献[2]中定义了一个二维函数，这个二维函数可以用f(x,y)表示.在表达式中，x,y表示的是空间平面坐标，图像在某个坐标点(x,y)的亮度对应为f在该处的振幅.在脑磁图像中，使用灰度这个专业术语来表示黑白图像的亮度.在本理论中，单个二维图像之间互相组合就形成了彩色图像.

文献[7]介绍脑磁图像主要包括脑部列点和脑部冠点.脑部冠点包括与脑部列存在一定高差的点.本文分割方法原理是利用脑磁图像三维数字图像和三维形态学运算，使同一对象的X射线点在脑磁图像三维图像的像素级别相连，然后通过聚类分析获得相连像素,即可得到脑磁图像分割结果.

 

(1)

李群论模算法用于脑磁图像重建不但具有时效性，还具有先进性，本算法可以为角点检测算法提供参考意见.以脑磁共振图像为基准，将三者( SUSAN算法、Harris算法与本文算法)之间的算法进行比较.凡是在本文中出现的待重建图像，都采用了图3为参考图像.关于分析角点检测算法的重建精度，采用了这样的方法进行量化，将重建变换参数与预先参数值进行对比，在对比的过程中，如果之间的差越小，则表示重建的效果越好.

与二维腐蚀和膨胀运算的定义类似，文献[6]给出三维形态学运算的定义.

脑磁图像数据一般由脑部列点的空间坐标x,y,z以及回光强度值信息(int ensity)组成.文献[5]脑磁图像三维数字图像是将脑磁图像按三维坐标进行采样，并根据像元内X射线点的某一属性进行量化得到的三维矩阵.为使用方便，如图1所示，约定脑磁图像三维数字图像的坐标轴：坐标原点位于数据集的左下方，往东方向为行序号i的正方向，北方向为列序号j的正方向，脑部冠的正方向作为k方向，组成右手坐标系.因此，三维数字图像可用f(i,j,k)表示.

  

图1 脑磁图像三维数字图像的坐标系约定

三维数字图像的每个像元对应了空间中的一个立方体，像元的振幅表示该像元的属性信息.像元的属性值可以对像元内部X射线点采用加权法、中间点法等方法确定.

1.2 三维数学形态学

在遥感数字图像处理中，文献[4]提出二维数字图像只能表达由平面坐标和属性信息组成的数据，无法同时表达脑磁图像的脑部冠信息和属性信息.在表达由三维空间坐标及相关的属性组成的脑磁图像数据时，二维数字图像存在一定的限制和约束.针对二维数字图像的这一缺点，本文提出脑磁图像的三维的数字图像表达方法.

假设B为三维结构元素，X为三维的数字图像，将B平移a后，得到Ba.若Ba包含于X，则记下a点，所有满足上述条件的a点的集合，称为X被B腐蚀的结果，表示为E(X)={a|Ba⊂X}.用Θ表示腐蚀运算，则记为E(X)=XΘB.

膨胀运算可以看作是腐蚀运算的对偶运算.将结构元素B平移a后，得到Ba，若Ba击中X，则记下a点，所有满足上述条件的a点集合称之为X被B膨胀的结果.表示为D(X)={a|Ba↑X}.用⊕表示膨胀运算，则记为D(X)=X⊕B.

雨季是病虫害的高发期，在蔬菜种植管理过程中，需要掌握雨季规律，提前做好避雨管理工作，在科学灌溉的同时有效防治病虫害。遭遇强降雨天气需要及时筹备避雨工作，避免洪涝灾害的影响，保证蔬菜根基稳固，提高蔬菜抗病虫害能力。

三维的腐蚀和膨胀运算也可以用三维矩阵的卷积运算表示.以三维的二值图像为例，采用卷积方法可以表示为：膨胀是用卷积矩阵尺和原图像进行卷积计算，如果结果大于0就将该像元置为1，否则赋0；而腐蚀过程则是将卷积结果小于27的像元置为0，否则赋1.其中，

1.2.4 康复训练 患者的病情稳定后,可以开展康复锻炼,让患者的神经系统功能得到提升,为患者进行指导,出院后要继续的加强锻炼,让患者的恢复效果获得提升[3]。

 

(2)

2 分割模型和参数

2.1 分割模型

在脑磁图像中，不管是振幅，还是x,y坐标均是连续的，因为是连续的，所以如果要将其转化为数字形式，就需要把坐标与振幅进行离散化处理.文献[3]将坐标数据值离散化的过程称之为采样，将振幅离散化的过程称之为量化.当x,y以及振幅都是有限且离散的量时，称该图像为二维数字图像f(i,j).因此，二维数字图像可以用式(1)表示：

采用最小距离法对膨胀后的数字图像进行聚类.最后在聚类的结果上，指导原有三维数字图像和脑磁图像数据的分割.流程如图2所示.

  

图2 本文方法的流程图

2.2 分割参数选取

2)对比算法:本文算法与SUSAN算法、Harris算法进行对比.依据：都是代表性的动态脑磁重建算法.

设脑磁图像数据的航向分辨率为d1，扫描线方向的最大分辨率为d2；脑磁图像中，脑部列点与脑部点之间的最小高差为d3，相连脑部之间的最小距离为d4.分割模型的两个参数与这4个脑磁图像的参数存在一定的关系.

同时，不同脑部的X射线点、脑部列点与脑部点仍处于分离状态，则需满足式(4)：

(2n+1)×cellsize≥max(d1,d2)

(3)

在三维形态学膨胀运算过程后，三维图像的每个像元会在其六邻域各扩展一个像元.因此任一像元经n次膨胀后，最大宽度为(2n+1)×cellsize.为达到分割不同脑部X射线点的效果，相同脑部的X射线点应连接成片，则需满足式(3)：

城市综合枢纽不仅注重多种交通方式的组合，还重视周围区域城市空间的综合利用和开发，这就需要政府部门不断开发枢纽区域的土地，以提升土地的整体利用率，将商业、办公、居住和娱乐结合起来发展，形成为旅客提供全过程服务的中心。

(2n+2)×cellsize≤min(d3,d4)

(4)

整理后，得到采样间隔与膨胀次数的关系如下式：

那么动词性谓语句就一定是叙事语体吗？那就必须对句首的名词性成分进行进一步的细分。名词性词语充当句子的话题，居于句子的最前端，是语言中最常见的句子形式，但是最前端的名词性成分在实际的语言表达中也是复杂多样的。如下面一段话其中的句子多为主谓句：

 

式中，n为整数，实际计算过程中可以以1、2、3等值代入，cellsize参数即可指定其选取范围.

3 实验

式中M和N分别代表图像的行和列.

在实验中，条件设置如下:

1)实验图像见图3.

(2)将T-Map中点的坐标转化为规范重心坐标，可使T-Map的空间位置关系更加直观，偏差波动计算更加简单；T-Map降维为飞机装配协调准确度判定提供了直接依据。

  

图3 参考图像

脑磁图像数据离散化采样间隔cellsize和形态学运算次数n是本方法的主要参数.采样间隔给定了依据脑磁图像得到数字图像的三维分辨率；形态学运算次数则主要用于指定对三维图像进行膨胀运算的次数.

3)参数设置包括:空间搜索范围参数设置BE [-10,10] ; k=0.06是Harris算法中的加权因子，7×7的窗口是高斯窗口，均方差统一采用2；SUSAN算法中，判别阈值t取60, g取18;混合算法中，权重因子ω1=0.9,ω2=0.1；任何一组图像都是基于POWELL算法的，10个不同的初始点均进行了10次重建，迭代次数最大值为50，POWELL算法、Brent算法对应准则为10-5 、10-3 .

单田芳先生的评书少用赞赋，节奏很快，讲述得清楚明白，如一竿子见底，把书给你说透了。特别给“书”听——大段曲折的故事，鲜明的人物，激烈的情节反转，而过去有个别演员说得油了，会四处扯闲篇不把故事往前推，抻着说。单爷从来没有，动不动上来“哧愣愣”各拉刀剑，要拼个你死我活。“要杀动手，吃肉张口，杀剐存留，任凭自便”、“噗”、“啊——”、“啪，脑袋被打了个万朵桃花开”的声音不绝于耳，还能学囊鼻子、小磕巴嘴儿、各地怯口方言（分山东、山西和南方）、小孩儿和妇人的声音，惟妙惟肖，听着过瘾痛快。

为了对Harris, SUSAN算子的性能进行定性的分析，采用了Harris、 SUSAN算子对图3提取角点.图4中(a)、(b)是Harris算子对提取出的角点的分布情况，(c)、(d)是SUSAN算子对提取出的角点的分布情况.

我想起了二丫，眼里很快洇出泪来。我哽咽着说：“二丫说想吃槐花糕……都蒸出锅了，尝都冇尝一口，就那样走了，饿着肚子走了……”

图4 角点检测结果

观察图4中(a)、(b)和(c)、(d)，Harris在脑磁共振图像中，由灰色变化较大的区域可知，角点的检测不但均匀，还比较准确，灰度变化较小的只检测出了28个角点，因而出现了漏检的现象，有些角点虽然是正确的，但却没有被检测出来，进而出现有些角点的检测失败；再来观察SUSAN算子，在一些灰度比较大区域中有一些冗余角点，同时这些角点的分布主要集中于边缘，从而呈现出了旋转的不稳定性.

本文提出的李群论模算法用于脑磁图像重建的效果图，如图5所示.

  

图5 角点检测结果

从图中可以看出.在本算法中，对于重建参数即使不能保证每次都是最佳的，但参数值的平均值与真实值却比较接近，由此可见，重建精度是最高的.在每一次重建过程中，得到的参数值，变化并不是很大，因为这样的算法稳定性很高.在混合角点检测算法中，归一化互信息值最大，平均互信息值也是如此，所以重建精度最高.如果从运行时间来分析，混合角点检测算法，可以有效减少重建精度和时间.

4 结论

介绍了面向李群论模算法的动态脑磁图像重建方法：角点检测、角点匹配、变换参数的求解以及图像重建.对SUSAN算法、Harris算法和李群论模算法进行分析与对比.由实验结果和论述可知，混合角点检测算法优势明显，不但可以获得更高的重建精度，而且具有更高的稳定性，是脑核磁共振图像重建的最佳选择.

参考文献：

[1]Wang, G., & Qi, J. Pet image reconstruction using kernel method[J]. IEEE Transactions on Medical Imaging,2015, 34(1):61-71.

[2]Wang, H., Kaestner, A., Zou, Y., Lu, Y., et al. Sparse-view reconstruction of dynamic processes by neutron tomography[J]. Physics Procedia, 2017,88:290-298.

[3]Mehta, J., & Majumdar, A. Rodeo: robust de-aliasing autoencoder for real-time medical image reconstruction[J]. Pattern Recognition, 2016.

[4]Prevrhal, S., Bredno, J., Perkins, A., et al. List mode dynamic image reconstruction,wo,wo/2012/153262[P].2012.

[5]Krol, J., & Wynn, A. Dynamic reconstruction and data reconstruction for subsampled or irregularly sampled data[J]. Journal of Fluid Mechanics, 2017,825:133-166.

[6]Perlmutter, D.S., Kim, S. M., Kinahan, P.E., et al. Mixed confidence estimation for iterative CT Reconstruction[J]. IEEE Transactions on Medical Imaging, 2016, 35(9):2005.

[7]Liu, J., Liu, S., Zhou, W., et al. Flame detection on swirl burner using ect with dynamic reconstruction algorithm based on the split bregman iteration[J]. IEEE Sensors Journal, 2017(99):1-1.