Радиационные методы
УДК 620.179.15
ИТЕРАЦИОННАЯ РЕКОНСТРУКЦИЯ ИЗОБРАЖЕНИЙ АЛЮМИНИЕВОГО
ЛИТЬЯ С УЧЕТОМ АПРИОРНОЙ ИНФОРМАЦИИ
© 2023 г. C.А. Золотарев1,*, А.Т. Таруат2,**, Э.Г. Биленко3,***
1ГНУ «Институт прикладной физики НАН Беларуси»,
Республика Беларусь 220072 Минск, ул. Академическая, 16
2Белорусский национальный технический университет, Республика Беларусь 220013 Минск,
пр-т Независимости, 65
3ГНУ «Физико-Технический Институт НАН Беларуси»,
Республика Беларусь 220141 Минск, ул. Купревича, 10
E-mail: *zolotarev@iaph.bas-net.by; **vjgi994@gmail.com; ***bilenko@phti.by
Поступила в редакцию 15.02.2023; после доработки 10.03.2023
Принята к публикации 10.03.2023
Задача малоракурсной рентгеновской томографии является типичным представителем класса некорректно постав-
ленных задач. Практическое решение этой задачи позволит расширить область применения метода рентгеновской томо-
графии. Задача малоракурсной рентгеновской томографии часто является задачей с дефицитом исходных данных и
может быть решена только с привлечением априорной информации. Для введения в численный алгоритм необходимой
дополнительной информации наиболее пригодными являются методы итерационной реконструкции томографических
изображений. Один из подходов для введения такого рода информации изложен в данной статье.
Ключевые слова: итерационные методы, реконструкция изображений, априорная информация, томография, недо-
статок входных данных.
DOI: 10.31857/S0130308223040048, EDN: YNVEJC
ВВЕДЕНИЕ
В настоящее время среди методов неразрушающего контроля особое место занимает метод
рентгеновской томографии. Преимущество этого метода заключается в том, что его информатив-
ность о каждом элементарном объеме исследуемого объекта во много раз выше, чем в других
известных методах. Высокая эффективность метода рентгеновской томографии впервые была
продемонстрирована на примерах его использования в медицине и биологии. Создание первых
рентгеновских компьютерных томографов и их применение в медицине было отмечено
Нобелевской премией за 1979 г. Современное изложение принципов томографии можно найти в
монографии [1].
Техническая реализация и область применения метода рентгеновской томографии жестко свя-
заны с математическим аппаратом, который используется для реконструкции пространственного
распределения коэффициента линейного ослабления рентгеновского излучения по рентгеновским
проекциям, и возможностями вычислительной техники. В основу первых рентгеновских томогра-
фов было положено предложенное еще в 1917 г. двухмерное обратное преобразование Радона [2],
который показал, что распределение коэффициента линейного ослабления μ(x, y) в бесконечно
тонком слое объекта однозначно определяется множеством всех линейных интегралов:
2π
1
1
µ(x,
y)
=
lim
p xcosθ+
ysin
θ+ θ
q
dθdq,
(1)
2
2π
ε→0
q l
ε
0
где p(l, θ) — интеграл функции μ(x, y) вдоль линии, которая удалена на расстояние l от начала
координат, а ее перпендикуляр составляет угол θ с осью x; ε — бесконечно малая величина, стре-
мящаяся к 0.
Основанный на преобразовании (1) принцип современной компьютерной томографии заклю-
чается в следующем. Исследуемый объект облучают во множестве ракурсов, регистрируют резуль-
таты измерений характеристик излучения, прошедшего через тонкий слой объекта, преобразуют
эти результаты в числовые коды, вводят в ЭВМ, с помощью которой посредством численного
обратного преобразования Радона находят пространственное распределение коэффициента линей-
ного ослабления, которое затем визуализируют с помощью соответствующих устройств (см. рабо-
ту [3], стр. 12). При этом, с одной стороны, применение обратного преобразования Радона наибо-
Итерационная реконструкция изображений алюминиевого литья...
47
лее эффективно при использовании узко коллимированных источников излучения (в этом случае
мал нелинейный вклад рассеянных фотонов) и электронных детекторов излучения (из-за большо-
го объема измеряемых данных), с другой стороны, оно требует строго заданную схему просмотра
объекта, требующую для удовлетворительной аппроксимации функции p(l, θ) значительное число
ракурсов (как правило, несколько сотен) при перемещении системы детектор-источник относи-
тельно объекта на угол 180 или 360°.
Дальнейшее совершенствование рентгеновских томографов было достигнуто за счет разра-
ботки и использования математического аппарата трехмерных обобщений преобразования
Радона [4, 5]. Это позволило использовать конический источник излучения и двухмерный
матричный детектор, что существенно увеличило скорость сбора информации для трехмерной
реконструкции. Но практическое применение нашли томографы, которые используют некоторые
приближенные трехмерные преобразования. Основные принципы, изложенные в данной работе,
применены были также в публикациях [9—12].
1. ИТЕРАЦИОННЫЕ АЛГЕБРАИЧЕСКИЕ МЕТОДЫ РЕКОНСТРУКЦИИ ИЗОБРАЖЕНИЙ
ОБЪЕКТОВ
Предельно малый объем проекционных данных, характерный для промышленных малоракурс-
ных систем томографии, заставляет разрабатывать такие алгоритмы реконструкции, которые
позволяют использовать дополнительную априорную информацию о восстанавливаемом объекте
и являются легко адаптируемыми для различных нетрадиционных схем сканирования. Выбор кон-
кретного алгоритма реконструкции определяется, прежде всего, особенностями системы томогра-
фии, точнее, особенностями регистрируемых в системе проекционных данных.
Возможны такие ситуации, когда из-за особенностей системы регистрации либо число проек-
ций очень малое, либо они известны не полностью, либо получены в ограниченном диапазоне
углов. Задачи восстановления при таком задании проекционных данных становятся сильно некор-
ректными и для них нарушаются теоремы единственности и устойчивости. Поэтому прямое при-
менение аналитических алгоритмов для их решения не дает приемлемых результатов и приходит-
ся разрабатывать другие, более подходящие алгоритмы. В этих случаях наиболее предпочтитель-
ными оказываются методы разложения в конечные ряды ортогональных функций.
Восстановление изображений по их проекциям при помощи методов разложения в конечные
ряды принципиально отличается от методов интегральных преобразований. Дело в том, что в
методах интегральных преобразований используются операторы, действующие на множестве
функций, которые заданы на всем континууме вещественных чисел. И лишь для реализации реше-
ния на компьютерах и рабочих станциях непрерывные операторы заменяются на дискретные опе-
раторы, которые действуют на функциях, заданных на конечных множествах, но это выполняется
в самом конце процедуры выполнения алгоритма восстановления.
Методы разложения в конечные ряды предполагают дискретизацию изображения до начала
алгоритма восстановления, что сводит основную задачу восстановления к решению систем линей-
ных (или нелинейных) алгебраических уравнений, т.е. к задачам вычислительной линейной алге-
бры. Известно, что систему линейных алгебраических уравнений (СЛАУ) можно решать с помо-
щью как прямых, так и итерационных методов. Итерационные методы применяются главным
образом для задач очень большой размерности, которыми, как правило, являются задачи компью-
терной томографии.
Для применения алгоритмов разложения в конечные ряды к решению задач реконструктив-
ной вычислительной томографии первоначально необходимо построить полную дискретную
модель задачи восстановления. Для этого выберем систему базисных функций bj(x), j = 1, 2, ..., J
функции f по отношению к этой системе:
и рассмотрим дискретизированную форму f
J
f
x)
=
f
×b
(x),
(2)
j
j
j
=1
где fj = const. Пусть Ri, i = 1, 2, ..., I — множество линейных непрерывных функционалов, каждый
из которых ставит в соответствие функции f(х) вещественное число Ri f, которое обозначим рi.
Тогда, применяя операторы Ri к равенству (2), учитывая их непрерывность и линейность и обо-
значив
Дефектоскопия
№ 4
2023
48
C.А. Золотарев, А.Т. Таруат, Э.Г. Биленко
aij = Ri bj(x),
(3)
получаем искомую СЛАУ
Af = p,
(4)
где А = (aij) — проекционная матрица; f = (f1, f2, …, fJ) — вектор изображения; р = (p1, ..., pI)
вектор проекций. Таким образом, решение основной задачи восстановления изображения по
заданному набору проекций рi сводится к решению СЛАУ вида (4), при этом вектор р заведомо
задан с некоторой погрешностью.
Существует несколько различных источников зашумления вектора р: 1) вместо функции f(х)
мы рассматриваем ее приближенное выражение в виде дискретизированной функции
;
2) вектор проекций р получаем на практике из экспериментальных или практических физических
измерений, которые неизбежно зашумлены; 3) при вычислении элементов aij матрицы А мы пред-
полагаем идеализацию естественных лучей, как это будет рассмотрено ниже.
Предположим, что функция f(х) задана в пространственной области V. Разобьем область V на
некоторое конечное число подобластей, которые будем называть вокселями. Перенумеруем все
воксели некоторым удобным образом от 1 до J. Будем считать, что восстанавливаемая функция f(х)
принимает постоянное значение fj внутри j-го вокселя, т.е. функцию f(х) заменяем ее дискретизи-
рованным выражением:
x)
,
= f
если (x) вокселю j - у;
j
0 в противном случае.
(5)
J
Пусть
1
{
(
)}
j
b
x
— система базисных функций, которые задаются следующим образом:
bj(x) = 1, если (x) вокселю j - у ;
0 в противном случае.
(6)
Предположим, что в качестве линейных функционалов R выбираем прямое преобразование
Радона вдоль набора некоторых прямых Ls:
R
i
f
=
f
ds
x)
Ls
Тогда
R
b
(x)
= b
(x)ds = a
i
j
j
ij
(7)
Ls
геометрически представляет собой длину пересечения i-го луча с j-м вокселем. Мы в своей статье
используем именно такую систему базисных функций, другие виды базисных функций не рассма-
триваются в данной работе. Дискретизация является равномерной.
Из вышерассмотренного очевидна гибкость предлагаемого алгебраического подхода к реше-
нию задач восстановления. Во-первых, следует отметить свободу выбора базисных функций, что
связано с выбором сетки разбиения области D (кроме декартовой квадратной сетки можно выби-
рать полярную сетку в двухмерном случае и вообще сетку произвольной геометрической конфи-
гурации).
Кроме того, постановка задачи не зависит от геометрии лучей. Изменяются при этом только
элементы aij, которые, как правило, вычисляются заранее. Следует также заметить, что все
вышесказанное можно перенести на трехмерный случай. Таким образом, алгебраический метод
при фиксированном выборе линейных непрерывных операторов Ri и базисных функций bj сво-
дит задачу восстановления к решению СЛАУ (4), т.е., казалось бы, к стандартной задаче вычис-
лительной линейной алгебры. Однако применительно к проблеме реконструкции изображения
данная задача имеет ряд характерных особенностей: размерность системы чрезвычайно велика:
Дефектоскопия
№ 4
2023
Итерационная реконструкция изображений алюминиевого литья...
49
как правило, число уравнений и неизвестных порядка 107 — 1010. При этом отличные от нуля
элементы матрицы А, в основном, не образуют никакой определенной упорядоченной структуры
для того, чтобы можно было применить какой-нибудь из известных методов решения систем
линейных алгебраических уравнений с разреженными матрицами; матрица А является прямоу-
гольной размера т × п, причем т ≠ п, как правило, т < п (здесь т — число уравнений,
a n — число неизвестных). В последнем случае система является недоопределенной; система
уравнений (4) является неустойчивой относительно задания начальных данных, т.е. малым изме-
нениям вектора р = (p1, ..., pm) могут отвечать сколь угодно большие изменения вектора неиз-
вестных f = (f1, f2, …, fn). Эти характерные особенности превращают простую, на первый взгляд,
задачу вычислительной линейной алгебры в весьма трудно реализуемую вычислительную про-
цедуру. При этом для каждой конкретной задачи приходится подбирать наиболее оптимальный
алгоритм реконструкции.
2. КЛАССИЧЕСКИЙ АЛГОРИТМ АЛГЕБРАИЧЕСКОЙ РЕКОНСТРУКЦИИ
Здесь мы рассмотрим решение задачи реконструктивной вычислительной томографии с помо-
щью классических итерационных алгебраических методов восстановления, основанных на раз-
ложении в конечные ортогональные ряды [5]. Для случая задания систем базисных функций в виде
формул (6) это приводит к необходимости решения СЛАУ вида:
Ах = р,
(8)
где А = (aij) — проекционная матрица; х = (x1, x2, ..., xn) — вектор неизвестных; р = (p1, ..., pm) —
вектор проекций. Впервые применение итерационного алгебраического алгоритма для вычисли-
тельной томографии было описано в 1970 г. в работе [8]. В этом алгоритме в качестве начального
приближения вектора изображений выбирается произвольное значение х(0) Rn, если система
является совместной, (k+1)-я итерация получается из k итерации некоторым аддитивным спо-
собом. При этом последовательно в порядке перебора рассматривается только один луч, напри-
мер i-й, а изменению подвергаются только те компоненты вектора х(k), которые соответствуют
вокселям, пересекаемым данным лучом. Величина невязки между измеренным значением рi и
(k
приближенной величиной проекции
a
x
),
полученной при подстановке k итерации х(k),
j
ij
j
перераспределяется между вокселями, расположенными вдоль i-го луча, пропорционально их
весам aij в луче. Таким образом, в одном цикле k-й итерации изменяются значения только тех
вокселей, которые находятся вдоль данного i-го луча, а остальные значения функции остаются
без изменения. Этот алгоритм известен в литературе как ART и его можно определить следую-
щим образом:
1) начальное приближение х(0) Rn выбирается произвольно;
2) k +1-я итерация вычисляется по формуле:
х(k+1) = х(k)+ λ(k) ((pi - (ai , х(k))) / ||ai||2) ai ,
(9)
i
n
где
a
=
(a
ij
)
j=1
i-я строка матрицы А, параметры релаксации λ(k) представляют собой после-
довательность вещественных чисел, а i = ik = k(modm) + 1, т.е. лучи перебираются циклически.
Этот алгоритм характеризуется эффективным использованием памяти, поскольку п-мерный
вектор х(k+1) можно запоминать в том же блоке оперативной памяти, что и вектор х(k), необходи-
мость хранения которого отпадает после k итерации. Исследователями доказано, что он при-
надлежит к классу итерационных алгоритмов, основанными на методе проектирования на выпу-
клые множества. Однако качество реконструкции алгоритма ART уступает качеству алгоритмов
SIRT, ILST и алгоритму байесовой реконструкции в силу наличия полосовых артефактов.
Поэтому мы предпочтительно используем последние вышеназванные алгоритмы.
3. АЛГОРИТМЫ РЕКОНСТРУКЦИИ ИЗОБРАЖЕНИЙ С ИСПОЛЬЗОВАНИЕМ
АПРИОРНОЙ ИНФОРМАЦИИ
Как отмечалось выше, на практике часто приходится решать так называемые задачи восстанов-
ления с неполным набором данных. Этого набора данных, как правило, недостаточно для решения
задачи восстановления. Однако для многих таких задач, в частности для задач исследования физи-
ческих процессов, бывает, что известна некоторая дополнительная информация об исходном вос-
Дефектоскопия
№ 4
2023
50
C.А. Золотарев, А.Т. Таруат, Э.Г. Биленко
станавливаемом объекте. Эта различная априорная информация может быть эффективно учтена в
алгебраических итерационных алгоритмах. Использование этой априорной дополнительной
информации часто дает существенное улучшение для скорости сходимости итерационных про-
цессов. В этом подразделе рассматриваются различные комбинации итерационных алгебраиче-
ских реконструктивных алгоритмов, рассмотренных в предыдущих разделах, с использованием
наиболее важной и доступной априорной информации о восстанавливаемом объекте и устанавли-
ваются свойства сходимости таких алгоритмов.
Предположим, что итерационный алгебраический алгоритм для решения СЛАУ (4) задан в
виде следующей рекуррентной формулы:
x(k + 1) = Q x(k),
(10)
где Q : Rn Rn — некоторый оператор. Дополнительную информацию об объекте в общем случае
можно также задать с помощью некоторого оператора S : Rn Rn в виде:
x(k + 1) = S x(k),
(11)
тогда общий итерационный процесс будет представляться в виде суперпозиции этих двух опера-
торов:
x(k + 1)= S Q x(k).
(12)
Следует при этом заметить, что не всегда из сходимости последовательности (10) к решению
системы (4) следует сходимость последовательности (12) и наоборот. Операторы Q и S должны
удовлетворять определенным свойствам, чтобы гарантировать эту сходимость. Заранее эти свой-
ства неизвестны, поэтому мы практически устанавливаем их на основании численных экспери-
ментов. Предположим, априорно известно, что искомое решение х принадлежит подпростран-
ству LRn. Тогда в качестве оператора S можно взять оператор ортогонального проектирования
Р = РL на подпространство L. Например, если априорно известны границы значений искомого
вектора решений х, т.е. известно, что i-я компонента xi находится в интервале [αi, βi], то в каче-
стве множества L может быть взято прямое произведение этих интервалов:
L = [α1, β1] × 2, β2]× ... × [αn, βn].
В этом случае оператор ортогонального проецирования РL задается в виде:
α
,
если
x
i
i
i
P
(x
)
=
x
,
если
α
x
≤β
,
(13)
L i
i
i
i
i
β
,
если
x
i
i
i
несмотря на кажущуюся тривиальность этих ограничений, они являются весьма полезными при
итерационной реконструкции искомого изображения.
В качестве априорного знания об объекте могут быть заранее известны также границы его про-
тяженности, т.е. известно множество SRn, вне которого восстанавливаемая функция равна 0. В
этом случае оператор проектирования на подмножество S определяется как
x,
если
xS
P
S
x
=
(14)
0
в противномслучае
Мы применим описанный выше принцип (14) введения априорной информации в итерацион-
ный процесс для реконструкции изображений алюминиевых корпусов.
Первый набор 32 рентгеновских проекций был предоставлен господином Dr. Martin Simon,
сотрудником германской фирмы Зауэрвайн (Sauerwein). Все эти проекции были получены в
Дефектоскопия
№ 4
2023
Итерационная реконструкция изображений алюминиевого литья...
51
Рис. 1. Проекции алюминиевого корпуса для углов 0, 45 и 90 град.
угловом диапазоне 180 град, т.е. при одностороннем доступе к объекту реконструкции. Мы
имеем характерную задачу именно для малоракурсной томографии. Число проекционных видов
несколько десятков, причем все они расположены в неполном угловом диапазоне, который мень-
ше 360 град. На рис. 1 показаны три проекции алюминиевого корпуса для углов 0, 45
и 90 град.
4. ПОСТРОЕНИЕ НАЧАЛЬНОГО ПРИБЛИЖЕНИЯ ДЛЯ РАСЧЕТА ИЗОБРАЖЕНИЯ
АЛЮМИНИЕВОГО КОРПУСА
Для уменьшения числа вокселей, для которых необходимо оценить приближенное значение
коэффициента линейного ослабления, целесообразно уменьшить их количество, исходя из прин-
ципа наблюдаемости реконструируемого объекта на всех проекциях.
Определим трехмерную область предполагаемого положения объекта:
N
Pixel
jn
Volume=j:
η
=
N
,
(15)
n
=1
ε
jn
где η(x) — пороговая функция:
1,x
>
1
η(x)
=
0,x
1
Это означает, что воксель j принадлежит Volume, если значения соответствующих ему пик-
селей Pixeljn, в которые он проецируется, больше некоторого минимального значения на всех
проекциях. В соответствии с (15) воксель j принадлежит Volume, если значения соответствую-
щих ему пикселей превышают погрешность измерения εjn на всех N-проекциях.
Все воксели пронумерованы последовательно. Это всегда используется при пребразовании
трехмерного массива в одномерный с целью упрощения программного кода. Заметим, что по
индексам конкретного вокселя (i, j, k) этот одномерный индекс вычисляется однозначно:
position=dims[0]*(dims[1]*k + j) + i, где dims[0] и dims[1] — размерности зоны реконструкции
по осям абсцисс и ординат. Верно и обратное утверждение: по индексу position можно однознач-
но восстановить индексы конкретного вокселя (i, j, k).
Сначала на рис. 2 покажем перспективные изображения реконструируемого объекта для разно-
го числа итераций, когда в качестве начального приближения взята вся область реконструкции.
Далее на рис. 3 покажем перспективные изображения реконструируемого объекта для разно-
го числа итераций, когда в качестве начального приближения взята область Volume. Понятно, что
при этом мы учитываем априорную информацию о пространственном положении объекта рекон-
струкции. Роль подмножества S в соотношениях (14) играет подмножество зоны реконструкции
Volume.
Видно, что при использовании второго способа выбора начального приближения мы более
точно и качественно восстанавливаем форму и внутреннюю структуру объекта.
Дефектоскопия
№ 4
2023
52
C.А. Золотарев, А.Т. Таруат, Э.Г. Биленко
Рис. 2. Перспективные изображения алюминиевого корпуса для 1, 5 и 10 итераций. Начальное приближение: вся зона
реконструкции.
Рис. 3. Перспективные изображения алюминиевого корпуса для 5, 10 и 30 итераций. Начальное приближение: область
Volume.
5. РЕКОНСТРУКЦИЯ ИЗОБРАЖЕНИЯ С ИСПОЛЬЗОВАНИЕМ АПРИОРНОЙ
ИНФОРМАЦИИ О ГРАНИЦАХ ЗНАЧЕНИЙ РЕШЕНИЯ
Поскольку коэффициент ослабления алюминиевого корпуса является однородным, мы можем
использовать условие (13) для улучшения качества реконструкции изображения. Путем умноже-
ния всех проекций на некоторый постоянный коэффициент можно так откалибровать их, что плот-
ность реконструируемого объекта станет равной единице. Денкевич Ю.Б. в кандидатской диссер-
тации [6] для улучшения выполнения условий (13) для вокселей, границы значений которых при-
надлежат отрезку 0 = < xj < = 1, j = 1 ... N, предложил одновременно минимизировать функционал
B(x) = (4,0 × x × x] - 6,0 × x + 2,0)). Численный алгоритм решения нашей задачи можно построить
с помощью вариационной задачи минимизации функционала:
2
=
arg min {||
Ax- p
||
B(x)},
(16)
xVolume
где
— приближенное решение уравнения
Â
x= p;
||Ах - р||2 — невязка; B(x) — стабилизирую-
щий функционал; α — параметр регуляризации.
Дефектоскопия
№ 4
2023
Итерационная реконструкция изображений алюминиевого литья...
53
Рис. 4. Изображение алюминиевого блока, которое получается при учете априорной информации с помощью решения
вариационной задачи (16). Слева показаны центральные ортогональные сечения объекта.
На рис. 4 показано изображение алюминиевого блока, которое получается при решении вари-
ационной задачи (16).
Второй набор из 2300 рентгеновских проекций был предоставлен Иваном Георгиевым, науч-
ным сотрудником Института информационных и коммуникационных технологий (ИИКТ)
Болгарской академии наук. Они были получены на промышленном томографе XT H 225 фирмы
Nikon Metrology. Проекции имели размерности 1840×1446 пикселей. Размер пикселя был равен
0,127 × 0,127 мм. Расстояние от рентгеновского источника до матрицы детекторов было равно
1009 мм, а расстояние от источника до объекта — 775 мм. Угловой шаг был равен 0,156°. Была
произведена реконструкция алюминиевого бокса итерационным методом SART по 575 проекциям,
снятым через угловой интервал 0,626°. На рис. 5 показаны различные перспективные виды рекон-
струированного изображения алюминиевого бокса.
Рис. 5. Два различных перспективных вида алюминиевого бокса.
Дефектоскопия
№ 4
2023
54
C.А. Золотарев, А.Т. Таруат, Э.Г. Биленко
а
б
в
Рис. 6. Сечения изображения алюминиевого бокса плоскостями XOZ, YOZ и XOY:
a — слой XOZ 360 вдоль оси ОY; б — слой YOZ 646 вдоль оси ОХ; в — слой XOY 328 вдоль оси ОZ.
На рис. 6 показаны сечения трехмерного реконструированного изображения алюминиевого
бокса плоскостями XOZ, YOZ и XOY в месте расположения поры максимального размера, обнару-
женной в слое XOZ № 360 при анализе изображения объекта вдоль оси ОY. ПО VGStudioMAX
позволяет одновременно выводить сразу все три этих изображения на дисплей и проводить вирту-
альные измерения размеров поры на каждом из этих изображений. Оцененный размер этой поры
равен 1,5 мм.
РЕЗУЛЬТАТЫ И ВЫВОДЫ
Результатом проведенных экспериментальных исследований является подтверждение воз-
можности решения задачи малоракурсной рентгеновской томографии для конкретного класса
объектов алюминиевого литья. Разработка прикладных численных алгоритмов решения дан-
ной задачи для этого класса объектов позволит расширить область применения метода рентге-
новской томографии для неразрушающего контроля изделий, содержащих такие распростра-
ненные дефекты, как поры, включения, расслоения, трещины, раковины и т.п.
Вклад авторов является одинаковым по 33 %.
СПИСОК ЛИТЕРАТУРЫ
1. Herman Gabor T. Fundamentals of Computerized Tomography. Image Reconstruction from Projections.
Second Edition. Springer-Verlag London Limited. 2009. 297 p.
2. Radon J. Über die Bestimmung von Funktionen durch ihre Integralwerte langs gewisser
Mannigfaltigkeiten. Ber. Verb. Saechs. Akad. Wiss., Leipzig, Math. Phys. Kl. 1917. № 69. P. 262—277.
3. Тихонов А.Н., Арсенин В.Я., Тимонов А.А. Математические задачи компьютерной томографии. М.:
Наука. Гл. ред. физ-мат. лит., 1987. 160 с.
4. Smith Bruce D. Cone-beam tomography: recent advances and a tutorial review // Optical Engineering.
1990. V. 29. No. 5. P. 524—534.
5. Reimers P., Goebbels J. History of computerized tomography at BAM / Int. Simp. on Computerized
Tomography for Industrial Applications. Berlin. Juni 1994. P. 13—22.
6. Венгринович В.Л., Золотарев С.А. Итерационные методы томографии. Минск: Белорусская
наука, 2009. 227 с.
7. Денкевич Ю.Б. Восстановление изображений и свойств объектов путем решения обратных задач
малоракурсной рентгеновской томографии и магнитошумовой структуроскопии / Дисс. Минск: ИПФ
НАН Беларуси, 2000. 138 с.
8. Gordon R., Bender R., Herman G.T. Algebraic reconstruction techniques (ART) for three-dimensional
electron microscopy and X-ray photography // J. Theor. Biol. 1970. No. 29. P. 471—481.
9. Krammer J., Zolotarev S.A., Hillman I. Evaluation of a new image reconstruction method for digital
breast tomosynthesis: Effects on the visibility of breast lesions and breast density // The British journal of
radiology. 2019. V. 92. No. 1103. DOI: 10.1259/bjr.20190345
10. Zolotarev S.A., Vengrinovich V.L., Smagin S.I. Iterative tomography of pipes during operation //
Proceedings of the National Academy of Sciences of Belarus Physical. Technical Series. 2021. V. 66. No.4.
P. 505—512.
Дефектоскопия
№ 4
2023
Итерационная реконструкция изображений алюминиевого литья...
55
11. Золотарев С.А., Савеня П.С., Жуков К.А., Седнина М.А. Метод неразрушающего контроля тол-
щины стенок и внутренней дефектности металлической трубы // Системный анализ и прикладная
информатика. 2020. № 3. С. 28—33.
12. Золотарев С.А., Таруат А.Т., Биленко Э.Г. Оценка влияния уровня шума на точность рекон-
струкции изображения промышленного изделия // Системный анализ и прикладная информатика. 2022.
№ 4. С. 38—44.
Дефектоскопия
№ 4
2023