射線源到探測 器的距離。將被掃描物體置于成像視場中，測量由被掃描物體的放置中心到射線源的距離 以及射線源到探測器的距離，以便于進行圖像重建。
[0051] 對被掃描物體進行等角度間隔圓周掃描，得到投影圖像序列集。對被掃描物體進 行等角度間隔掃描的步驟為：將轉臺連續(xù)等角度間隔地轉動一周，并在每一次轉動后對被 掃描物體進行掃描。例如，等角度間隔掃描的過程可以是：將被掃描物體置于轉臺上，連續(xù) 轉動360次，每次轉動1度，每轉動一次就進行一次拍攝，直至轉臺旋轉一周，得到投影圖像 序列集。
[0052]另外，在本發(fā)明的其中一些實施例中，為了避免誤差，在獲取投影圖像序列集時還 需要進行轉臺閉合性的檢查。轉臺閉合性指的是轉臺轉動一周后回到起始位置的程度。例 如，初始位置為A，放置被掃描物體讓轉臺連續(xù)轉動360次，每次轉動1度，在旋轉一周后到 達終點位置B，在理論上旋轉一周后得到的終點位置B是應當與初始位置A重合的，但是由 于實際機械系統(tǒng)中所存在的誤差，導致了初始位置A與終點位置B不重合。
[0053] 檢查轉臺閉合性可通過將被掃描物體等角度旋轉預設次數(shù)，并在每一角度拍攝圖 像，待拍攝完成后進行圖像的相減，觀察相減后的圖像，只要相減后的圖像在預期范圍內即 可進行后續(xù)的圖像掃描，例如，如果轉臺是完全閉合的，那么"〇度圖像"和"360度圖像"應 該是一樣的，將"180度圖像"翻轉后所得到的圖像與"0度圖像"也應當是一樣的。具體地， 在轉臺中放置被掃描物體，采集第一幅〇度圖像a，等角度（90度）旋轉四次，依采集被掃描 物體的90度圖像b、180度圖像c、270度圖像d以及360度圖像e，分別用圖像a減去圖像 e后再減去圖像c的翻轉圖像，觀察得到的相減后的圖像，以根據(jù)經(jīng)驗判斷轉臺的閉合程度 是否滿足要求，如果不滿足要求，則要檢查被掃描物體是否與轉臺牢固連接以及轉臺是否 穩(wěn)定，以保證轉臺閉合性在允許范圍內方可進行后續(xù)的掃描。
[0054] 進一步的，在本發(fā)明的其中一些實施例中，為了去除投影圖像序列集的噪聲，還對 上述過程獲得的投影圖像序列集進行反log操作，即通過下述公式：
[0055]
_ (左邊有負號即為反log操作），
[0056]其中，x表示反log操作后的投影數(shù)據(jù)，0表示物場圖像，即投影圖像序列集中的每 次掃描的圖像，R表示獲取的平均亮場圖像，S表示平均暗場圖像，得到預處理后的投影數(shù) 據(jù)。
[0057] 在步驟104中，根據(jù)投影數(shù)據(jù)進行迭代處理，以獲取目標圖像。
[0058] 在本發(fā)明的其中一些實施例中，目標圖像是指初始的待重建圖像。利用預先設定 的迭代模型對上述步驟102獲取的預處理后的CT掃描投影數(shù)據(jù)進行迭代處理，獲取用于重 建的目標圖像。
[0059] 在一個實施例中，如圖2所示，根據(jù)投影數(shù)據(jù)進行迭代處理以獲取目標圖像的步 驟包括：
[0060] 步驟124,基于CT圖像的成像模型，獲得依據(jù)投影數(shù)據(jù)計算目標圖像的迭代模型。
[0061] 在本發(fā)明的其中一些實施例中，CT圖像的成像模型可以采用以下公式表示：
[0062] G=MX，
[0063] 其中，G為投影數(shù)據(jù)，M為系統(tǒng)矩陣，X為目標圖像。
[0064] 獲得的迭代模型可以用以下公式表示：
[0066] 其中，X為目標圖像，M為系統(tǒng)矩陣，G為投影數(shù)據(jù)，i表示迭代次數(shù)，X1表示第i次 迭代后得到的迭代結果；A表示收斂系數(shù)，且Ae(〇，l)，MT表示對矩陣M的轉置。
[0067] 上述的迭代模型中的像素點的當前灰度值與前次迭代的灰度值一致逼近。
[0068]步驟144,設置目標圖像的初始值，并根據(jù)預先設置的迭代次數(shù)利用迭代模型對目 標圖像中的每個像素點進行迭代更新，獲取最終的目標圖像。
[0069] 在本發(fā)明的其中一些實施例中，將目標圖像X的初始值賦為1，即X°= 0,i為迭代 次數(shù)，一般取i為10到200之間的正整數(shù)。
[0070] 根據(jù)預先設置的迭代次數(shù)i利用上述的迭代模型對目標圖像中的每個像素點進 行迭代更新這樣目標圖像X中的每個像素點都按照上述的迭代模型進行更新修正，迭代完 成后便可獲得最終的目標圖像的迭代結果X'。
[0071] 步驟106,對目標圖像進行非負處理，獲取目標圖像的非負圖像。
[0072] 在本發(fā)明的其中一些實施例中，非負處理是指去除目標圖像中灰度值小于零的像 素點，這樣可以降低目標圖像矩陣的維度，提高重建的效率。
[0073] 具體的，在本發(fā)明的其中一些實施例中，對上述步驟144獲取的最終的目標圖像 X'內的所有像素點依次進行非負操作，即：
[0075] 通過上述的非負操作之后，便可以去除迭代結果X'中的灰度值小于0的點，得到 非負圖像X+。
[0076] 步驟108,對非負圖像進行非線性分解，獲取第一非負圖像和第二非負圖像。
[0077] 在本發(fā)明的其中一些實施例中，第一非負圖像是指代表非負圖像矩陣中基向量的 部分，第二非負圖像表示非負圖像矩陣的權重系數(shù)。依據(jù)預先設定的分解模型對非負圖像 進行分解可以將原有的復雜數(shù)據(jù)降維，從而提高圖像重建的速度。非線性分解的模型可以 采用奇異值分解算法、三角分解法、QR分解法和非負矩陣分解法等等。
[0078] 具體的，在本發(fā)明的其中一些實施例中，將上述步驟獲取的非負圖像X+采用非負 矩陣分解算法進行分解：X+= W*H，其中，W表示第一非負圖像，即X+中的一列向量可以解釋 為對左矩陣W中所有列向量的加權和，H表示第二非負圖像，即右矩陣H中對應列向量中的 元素為權重系數(shù)。
[0079] 步驟110,對第一非負圖像和/或第二非負圖像進行稀疏化處理，獲取滿足目標函 數(shù)的最優(yōu)化稀疏解。
[0080] 在一個實施例中，如圖3所示，對第一非負圖像和/或第二非負圖像進行稀疏化處 理的步驟包括：
[0081] 步驟11a，從第一非負圖像和/或第二非負圖像中提取可以部分重疊的多個圖像 塊。
[0082] 具體的，在本發(fā)明的其中一些實施例中，可以采用典型的字典學習算法，如K-SVD 算法從第一非負圖像和/或第二非負圖像中提取可以部分重疊的多個圖像塊。
[0083] 步驟11b，獲取多個圖像塊對應的稀疏系數(shù)。
[0084] 具體的，在其中的一些實施例中，可以米用OMP(OrthogonalMatchingPursuit， 正交匹配追蹤）算法或者K-SVD算法獲取多個圖像塊對應的稀疏系數(shù)。
[0085] 步驟11c，對第一非負圖像和/或第二非負圖像進行最優(yōu)化求解，得到滿足目標函 數(shù)的最優(yōu)化稀疏解，目標函數(shù)為
其中，R#R_，A表示第 一非負圖像或第二非負圖像，RiA表示從A中提取的圖像塊，|| ||2表示2-范數(shù)，IIIIi表示1-范數(shù)，y為正則化參數(shù)，D表示過完備字典，ai為第i個圖像塊RiA對應的稀疏系 數(shù)，r為所有圖像塊的稀疏系數(shù)集合。
[0086] 因此，在本實施中，可以對第一非負圖像W進行最優(yōu)化求解，得到滿足目標函數(shù)的 最優(yōu)化稀疏解W'也可以對第二非負圖像H進行最優(yōu)化求解，得到滿足目標函數(shù)的最優(yōu)化 稀疏解H'還可以對第一非負圖像W和第二非負圖像H同時進行最優(yōu)化求解，得到滿足目 標函數(shù)的最優(yōu)化稀疏解WD1PH'
[0087]步驟112,根據(jù)最優(yōu)化稀疏解獲取CT重建圖像。
[0088] 根據(jù)上述步驟11c獲取的最優(yōu)化稀疏解，結合步驟108的分解模型便可以迅速獲 取重建圖像X。
[0089] 基于上述的實施例，根據(jù)上述步驟獲得最優(yōu)化稀疏解稀疏解后，便可以根據(jù)步驟 108的分解模型，獲得最終的CT重建圖像可以為以下三種情形：
[0090] (1)第一非負圖像W的最優(yōu)化稀疏解和原第二非負圖像的乘積，即X=Wm*H;
[0091] ⑵原第一非負圖像W和第二非負圖像的最優(yōu)化稀疏解的乘積，即X=W*H'
[0092] (3)第一非負圖像W的最優(yōu)化稀疏解和第二非負圖像的最優(yōu)化稀疏解H%的乘 積，即X=wdl*hdl。
[0093] 上述的CT圖像重建方法，通過對目標圖像進行非負處理，獲取目標圖像的非負圖 像，然后對非負圖像進行分解，獲取第一非負圖像和第二非負圖像，最后對第一非負圖像和 /或第二非負圖像進行稀疏化處理，獲取最優(yōu)化稀疏解，根據(jù)該最優(yōu)化稀疏解實現(xiàn)CT圖像 重建，降低了運算過程中的圖像矩陣的維數(shù)，提高了圖像重建的效率。
[0094] 在另一個實施例中，如圖4所示，提供一種CT圖像重建系統(tǒng)，該系統(tǒng)包括：采集模 塊402、目標圖像獲取模塊404、非負圖像獲取模塊406、分解模塊408、稀疏化處理模塊410 和重建模塊412。
[0095] 采集模塊402用于獲取CT掃描采集的投影數(shù)據(jù)。目標圖像獲取模塊404用于根 據(jù)投影數(shù)據(jù)進行迭代處理，以獲取目標圖像。非負圖像獲取模塊506用于對目標圖像進行 非負處理，獲取目標圖像的非負圖像。分解模塊408用于對非負圖像進行非線性分解，獲取 第一非負圖像和第二非負圖像。稀疏化處理模塊410用于對第一非負圖像和/或第二非負 圖像進行稀疏化處理，獲取滿足預定條件的最優(yōu)化稀疏解。重建模塊412用于根據(jù)最優(yōu)化 稀疏解獲取CT重建圖像。
[0096]在一個實施例中，目標圖像獲取模塊404還用于基于CT圖像的成像模型，獲得依